标签
亚马逊网络服务（AWS）成立一个10亿美元的内部组织，用于前向部署工程师嵌入企业客户，部署AI代理，效仿OpenAI和Anthropic的类似FDE举措。
Ruben Harris、Timur Meyster 和 John Henry Style 推出《The New Normal》，一档视频节目，展示企业领导者在高等教育、保险和旅游领域部署 AI 智能体投入生产的实际案例。
本文讨论了企业在部署AI处理重复性任务时面临的AI成本上升悖论，指出AI更像昂贵的基建而非廉价劳动力，需要监控、人工审核和集成等成本。
这篇文章讨论了企业AI项目从概念验证到生产部署过程中常见的失败原因，强调了MLOps、提前检查真实数据、明确人机边界等关键实践，认为项目失败往往不是因为模型不行，而是因为工程落地环节的忽视。
GiveDirectly 在卢旺达农村的试点项目将无条件现金转移与通用人工智能聊天机器人相结合，揭示了其作为随时可用的顾问的价值，同时也暴露了关键局限性，包括语言差距、无关回答以及自信的错误答案，从而引发了对超越基准测试评估模型的思考。
讨论了为什么95%的企业AI项目因治理、ROI和部署问题而失败，并推广了一位资深从业者编写的免费书籍，涵盖框架和模式。
Reddit已部署AI/LLM实时分析所有帖子和评论中的仇恨言论与有害内容，能在几秒内自动封禁用户，这与Instagram和Facebook形成对比，后两者并未如此严格地应用此类分析。
一个团队反思了AI构建中六个常见的结构性故障点：上下文、身份、决策记忆、注意力、回写、治理和经济学，并基于他们的经验提供了一个诊断工具。
NVIDIA与微软深化合作，推出面向智能体AI部署的统一技术栈，涵盖Windows PC（RTX Spark、DGX Station）、Azure云及本地环境，并带来全新开放模型与安全运行时。
本文讨论了AI在业务中的部署失败往往不是因为模型质量，而是因为缺乏对保持模型知识随世界变化而更新的所有权，强调了‘静默漂移’的挑战以及持续运营维护的必要性。
分析认为，近期AI工作替代受到计算和部署基础设施的限制，而不仅仅是模型能力。
本文探讨了已部署AI系统中的运营漂移挑战，质疑部署后最先出问题的是模型质量、数据还是业务流程。
本文认为，AI部署常常失败是因为团队将AI决策的可逆性视为成本而非设计特性，并提供了设计可逆AI系统的示例和原则。
彭博社调查发现，Salesforce 的 Agentforce 营销与实际企业部署之间存在差距，凸显了更广泛的行业挑战：AI 演示的进展速度已快于运营现实。
Clement Delangue 主张增加对本地推理引擎的支持，抵制减少本地选项的趋势。
文章指出了WhatsApp上AI助手转接人工的一个常见失败点：机器人说会转接，但无人回应，从而破坏信任。文章概述了一个解决方案，包括模式追踪、历史注入和真实任务创建。
AI行业出现新岗位Forward Deployed Engineer（FDE），主要负责驻场客户公司编写代码并整合AI系统。OpenAI、Anthropic和Google分别通过独立公司或内部招聘方式大力招募FDE，标志着AI公司从卖模型转向卖落地。
OpenAI推出新的“OpenAI部署公司”，帮助企业构建AI解决方案，引发关于印度科技公司是否会在AI实施中领先的讨论。