企业AI中，AI真的是难点吗？
摘要
文章认为，在企业AI中，AI模型往往是最容易的部分，更大的挑战在于数据信任、治理和工作流整合，尤其是在医疗保健等受监管行业。
我花了很多时间在医疗保健和企业数据领域，我开始认为答案是否定的。模型现在往往是对话中最容易的部分。更难的问题通常没那么令人兴奋：这些数据来自哪里？我们可以信任它吗？谁可以使用它？上下文是否还在？数据变化时会发生什么？我们能否在不给团队制造另一个混乱的情况下，将AI真正融入实际工作流？我见过很多对话，每个人都想谈论模型，但真正的工作始于深入数据底层。这就是为什么我对AI的基础设施如此感兴趣，尤其是在医疗保健等受监管行业。你怎么看？对于真正在企业内部部署AI的人来说，现在什么更耗时：AI本身，还是为AI准备数据和系统？
相似文章
AI本身真的还是难点吗，还是让AI访问正确数据才是难点？
探讨LLM能力与企业数据访问及权限哪个才是AI应用落地的更大瓶颈，认为内容管理正变得与模型本身同等关键。
企业AI项目失败真的是因为AI不够好吗？
本文质疑AI模型质量是否是企业AI项目失败的主要原因，指出数据和上下文问题往往是真正的罪魁祸首，解决这些问题可以让AI实施变得更容易。
大多数企业正试图在组织混乱之上扩展AI
文章认为，企业AI采用的障碍并非模型能力不足，而是组织混乱和数据碎片化，导致难以安全有效地扩展AI。
企业是否将AI用错了地方？
这项分析质疑了将AI机械地插入所有企业工作流程的做法，指出确定性系统往往需要传统软件而非概率性模型。它主张采取一种战略方法，区分AI能够创造杠杆效应的领域与成熟架构仍占据优势的领域。
医疗AI并非真正的问题
文章认为，医疗AI项目常常失败并非因为技术不够好，而是由于工作流程碎片化，没有任何一个实体拥有端到端的流程所有权，导致持续脱节，最终又回归到人工操作。