將企業級人工智慧視為作業層級

企業 AI 領域正出現一條斷層線，而這並非目前最受關注的那一條。大眾的討論仍聚焦於基礎模型與基準測試——GPT 與 Gemini 的對決、推理評分以及邊際能力的提升。但在實務中，更持久的優勢在於結構性：誰擁有應用、治理與改進智慧的「操作層」（operating layer）。一種模式將 AI 視為隨選即用的工具；另一種則將其嵌入為操作層——即介於模型與實際工作之間，結合了工作流軟體、數據擷取、回饋循環與治理的架構——並隨著使用而產生複利效應。

像 OpenAI 和 Anthropic 這樣的模型提供者將智慧作為一種服務（SaaS）來銷售：你有問題，調用 API，得到答案。這種智慧是通用型的、基本上是無狀態的（stateless），且與做出決策的日常工作流僅有鬆散的聯繫。它能力強大，且日益變得可被取代。真正的區別在於：智慧是在每次提示（prompt）時重置，還是隨著時間推移而累積。

相比之下，現有的組織可以將 AI 視為操作層：貫穿工作流的儀表化監測（instrumentation）、來自人類決策的回饋循環，以及將個別任務轉化為可重複使用政策的治理機制。在這種設定下，每一次的例外處理、修正與審核都成為學習的機會——隨著平台吸收更多組織的工作內容，智慧也隨之提升。最有可能塑造企業 AI 時代的組織，是那些能將智慧直接嵌入操作平台，並對這些平台進行儀表化監測，使工作能產生可用訊號的組織。

主流觀點認為，靈活的新創公司將透過從零構建「AI 原生」架構來超越現有企業。如果 AI 主要是一個模型問題，這個說法成立。但在許多企業領域，AI 是一個系統問題——涉及整合、權限、評估與變革管理——優勢會累積在那些已經掌握高流量、高風險工作流，並能將此地位轉化為學習與自動化能力的組織手中。

反轉：AI 執行，人類裁決

傳統的服務型組織建立在一個簡單的架構上：人類使用軟體來執行專業工作。操作員登入系統、操作工作流、做出決策並處理案件。技術是媒介，人類的判斷才是產品。

AI 原生平台則反轉了這一點。它接收問題，應用累積的領域知識，以高信心水準自主執行其所能處理的部分，並在需要系統尚無法可靠提供的判斷時，將特定的子任務導向人類專家。

但反轉人機互動不僅僅是 UI 的重新設計——它需要原始材料。只有當平台建立在多年累積的領域專業知識、行為數據和操作知識的基礎上時，這才有可能實現。

現有企業已擁有的三項複利資產

AI 原生新創公司擁有全新的架構起點，可以快速行動。但他們難以輕易製造出讓領域 AI 具備規模化防禦力的原始材料：

• 專有的操作數據

• 由大量領域專家組成的勞動力，其日常決策可產生訓練訊號

• 關於複雜工作實際運作方式的累積默會知識（tacit knowledge）

服務型公司已經擁有這三者。但這些成分本身並非護城河。只有當公司能夠系統性地將混亂的操作轉化為「AI 就緒」的訊號和機構知識，並將結果回饋到工作流中使系統持續改進時，它們才會成為優勢。

將專業知識編碼為可重複使用的訊號

在大多數服務型組織中，專業知識是默會且易流失的。優秀的操作員知道一些他們難以輕易表達的事情：多年累積的啟發式方法、對邊緣案例的直覺，以及在潛意識層面運作的模式識別。

在 Ensemble，應對這一挑戰的策略是「知識蒸餾」（knowledge distillation）。這是一種將專家判斷和操作決策系統性地轉化為機器可讀訓練訊號的過程。

例如，在醫療保健收入週期管理中，系統可以先植入明確的領域知識，然後透過與操作員結構化的日常互動來深化其覆蓋範圍。在 Ensemble 的實踐中，系統會識別差距、制定針對性問題，並交叉核對多位專家的答案，以捕捉共識與邊緣案例的細微差別。接著，它將這些輸入合成一個活的知識庫，反映出專家級表現背後的場景化推理。

將決策轉化為學習飛輪

一旦系統受到足夠的約束而值得信賴，下一個問題就是如何在不等待年度模型升級的情況下變得更好。每當熟練的操作員做出決策時，他們產生的不僅僅是一個完成的任務，而是一個潛在的標註範例——情境與專家行動（有時還有結果）的配對。在數千名操作員和數百萬次決策的規模下，這種數據流可以驅動監督式學習、評估和特定形式的強化學習——教導系統在真實條件下表現得更像專家。

例如，如果一個組織每週處理 50,000 個案件，且每個案件僅捕捉三個高品質的決策點，那麼每週就能在不建立獨立數據收集計畫的情況下，獲得 150,000 個標註範例。

更進階的「人機協作」（human-in-the-loop）設計將專家置於決策過程中，使系統不僅學習正確答案是什麼，還學習如何解決模糊性。實際上，人類在分支點介入——從 AI 生成的選項中選擇、修正假設並重新引導工作流。每一次介入都成為高價值的訓練訊號。當平台偵測到邊緣案例或偏離預期流程的情況時，它可以提示輸入簡短、結構化的理由，在不要求冗長自由格式推理日誌的情況下捕捉決策因素。

邁向專業知識的放大

目標是將數千名領域專家的累積專業知識——他們的知識、決策和推理——永久嵌入到一個能放大每位操作員成就的 AI 平台中。做得好的話，這能產生人類或 AI 獨立運作都無法達到的執行品質：更高的一致性、提升的吞吐量以及可衡量的操作收益。操作員可以專注於更具影響力的工作，並由已經在數千個類似過往案例中完成分析基礎工作的 AI 提供支援。

對於企業領導者來說，更廣泛的啟示很明確。AI 的優勢將不僅取決於獲取通用模型的能力，而將取決於組織捕捉、精煉並複利化其所知、其數據、決策和操作判斷的能力，同時建立高風險環境所需的控制機制。隨著 AI 從實驗轉向基礎設施，最持久的優勢可能屬於那些足夠了解工作並能對其進行儀表化監測，且能將這種理解轉化為隨使用而改進的系統的公司。

此內容由 Ensemble 製作，並非由《麻省理工科技評論》（MIT Technology Review）編輯部撰寫。