10月15日科技区角热点的科技资讯网站报道，生成式人工智能（Generative AI，简称 GenAI）正沿着两条截然不同的路径演进，一方面，经验丰富的用户正构建专属的检索增强生成（Retrieval-Augmented Generation，简称 RAG）流程、个人智能体，甚至是贴合自身场景与数据的小型语言模型（Small Language Models，简称 SLMs）；另一方面，大多数用户则满足于即开即用的大型语言模型，打开页面、输入Token、复制结果、粘贴到其他地方。这种 “构建者” 与 “使用者” 之间的分化，不仅影响着人工智能的应用方式，更决定了它能否真正创造价值。
二者的差异不仅体现在个人技能层面，更存在于组织层面。企业逐渐发现，人工智能的应用可分为两类：一类是事务性应用，如总结报告、草拟备忘录、生成标准化代码，另一类是战略性应用，如部署智能体系统实现功能自动化、替代SaaS应用、变革工作流程等。前者属于渐进式优化，后者则具备颠覆性潜力。但目前，第二类应用大多以失败告终。
麻省理工学院近期研究发现，95% 的企业生成式人工智能试点项目以失败收场。原因何在？多数机构在刻意回避成本问题，它们渴望 “即插即用” 的快速替代方案，希望系统能无缝运行，却不愿面对数据治理、系统集成与权限管控等核心难题。这种现象与Gartner技术成熟度曲线的规律高度吻合，初期人们对技术抱有狂热期待，随后却因技术实际复杂度远超预期、落地过程混乱且涉及复杂利益博弈，逐渐陷入失望，最后就放弃了。
或许部分原因是因为大型平台推出的大型语言模型，目前训练数据不透明，存在的偏见无法解释，输出结果还日益受到隐性商业因素的影响。如今已有众多企业开始选择“生成式人工智能算法搜索引擎优化，简称SEO”的服务，或者 “问答引擎优化Answer Engine Optimization，简称 AEO”，这种优化并非为追求内容真实性，而是为了钻模型输出隐性评判标准的空子。长此以往，必然会导致模型的 “幻觉输出”，以及付费推广内容被伪装成客观信息。
对企业而言，这种透明度的缺失足以致命。你无法将关键业务流程建立在这样的系统之上，其推理过程无从知晓，输出的答案甚至可能在未披露的情况下被用于商业化获利。
经验丰富的用户，其技使用应用的路径已十分清晰，他们正从 “直接使用大型语言模型” 转向 “构建个人智能助手”，这类智能体了解用户的使用场景、记住用户偏好，并能与用户的各类工具实现集成。但这一转变却给企业带来了一个棘手问题，即 “影子人工智能”，员工将自行搭建的模型与智能助手带入工作场景，且不受企业IT部门的管控。
试想，若一位优秀员工坚持使用为适配自身工作流程而微调的专属模型，企业该如何应对？是禁止使用，还是允许其融入现有体系？若该员工离职时，将用企业数据训练的个人智能助手一并带走，又该如何处理？这些通过企业数据积累的 “知识”，所有权究竟归属何方？
企业现有的治理体系，是为 “共享软件” 与 “集中式系统” 设计的，根本无法应对 “员工携带经企业专有数据训练的半自主数字助手开展工作” 这类情况。
与此同时，企业已开始隐约察觉到技术的下一发展方向，智能助手将不再是 SaaS的辅助工具，而是取而代之。在ERP系统模式下，是 “人适配软件”，而在智能助手模式下，是 “软件适配人”。
部分企业已开始试水这一领域。Salesforce 正通过其 Einstein 1 平台实现自我重塑，实质上是围绕智能助手驱动的工作流程，将重新定位CRM业务。支付公司 Klarna 则宣布，将停用多家 SaaS 供应商的服务，并用人工智能取而代之。它们的首次尝试或许未必成功，但技术发展方向已毋庸置疑，智能助手正与订阅式 SaaS 形成直接竞争。
核心问题在于，企业究竟会将这些平台搭建在 “无法管控的黑箱系统” 之上，还是 “开放、可审计的系统” 之上？毕竟，人工智能的应用场景越核心、越具战略性，“黑箱” 带来的隐性成本就越高。
这也正是开源的价值所在。若你未来的业务平台，是一个能实现工作流程自动化、管理敏感数据、并替代现有SaaS体系的智能助手，你真的能承受将其外包给一个无法审查的系统所带来的风险吗？
目前国内的大模型公司正给出正确解答，国内人工智能企业已积极转向开源模型的研发与应用。目前看，在开源大模型领域已经具备全球领先的矩阵，同时产品迭代速度远超预期。开源生态具备透明化、协作化与可审计的特性，开源正成为推动 AI 产业生态构建的核心引擎。
混合云服务的关键作用
当然，还有数据存储在哪里的问题。
公司是否愿意将其专有信息上传到第三方的云存储中？对于许多公司来说，答案越来越是否定的。这就是混合云架构变得至关重要的地方，它们允许用户在规模和合规之间取得平衡，将敏感工作负载保留在可控的环境中，同时在需要时仍能访问更广泛的计算资源。
虽然还存在一些缺陷，但目前是折中的最佳选择，混合云服务使用户能够在不将核心资产交给第三方的情况下，对智能体、检索增强生成和小语言模型进行训练。
未来发展方向
生成式 AI 正朝着两个方向发展。对于不熟练的用户来说，它仍将是一个复制粘贴的工具，有用，是不错的辅助工具，但很难为用户的生活和工作带来变革性作用。
但对于进阶使用的用户来说，它将是一个具备三头六臂超能力的“影子”，对于企业来说，它有可能完全取代传统软件，比如企业想要将自己的AI 智能体从基础的行政辅助作用过渡到进阶的公司战略使用范畴，基于开源大模型的应用开发将是最佳选择；
理想的情况下，未来每个企业都需要有自己的定制化智能体体系或矩阵，这种体系矩阵将是可按照岗位能力和权限阶梯来灵活配置的，而每个企业内的员工也将会有适配自己的智能体助手，是否能使用并训练好自己的智能体助手，也势必将是员工能力的一部分。
但是，这种模式原则上还是基于“人”的人工智能，对于企业来说无法完全从人力角度实现解放，尤其是目前企业级的智能体还是需要整个团队来服务某个智能体的开发及训练，原则上成本投入比单纯人力投入更加巨大，但是这些投入或许是有价值的，都是在为未来实现用更少的人使用更多的智能体做准备。
