参考消息网1月15日报道 美国《福布斯》杂志网站1月13日刊登题为《隐性变革时代：为迎接非传统科技趋势做好准备》的文章，作者为福布斯科技理事会成员本·布兰克拉，内容编译如下：

  人工智能(AI)和云工具的实验期正在让位于第二阶段，这一阶段的重点在于部署、治理和成本控制。对许多组织而言，关键问题不再是要不要采用人工智能，而是如何利用人工智能创造可衡量的商业价值。

  以下是每一位企业领导者都应密切关注的10个非传统技术趋势。这些趋势都隐藏在人工智能的技术成熟曲线之下，但它们将共同决定未来若干年谁能获得价值。

  1.不断变化的劳动力需要组建平台、治理和工作流程重构团队。

  扩展人工智能规模不仅需要实验。技能差距是人工智能创造价值的主要障碍之一。如果没有合适的角色和能力，人工智能项目将停滞在原型阶段。企业需要平台工程师、机器学习运维专家、治理负责人和业务领域负责人，他们能够分析并重新设计人工智能驱动的工作流程。

  管理人工智能系统所需的技能与管理人类员工所需的技能不同，但又相辅相成。成功的组织正在通过赋能人力资源和信息技术部门而加强彼此之间的协作，提升这两方面的能力。

  2.人工智能正在迫使人们回归数据规范。

  人工智能正在暴露长期隐藏的数据缺陷。如果机构尚未投资于数据基础架构，那么在企业层面扩展人工智能将极其困难。重复记录、缺失的元数据、不一致的分类法和低劣的数据质量是人工智能获得成功的关键业务障碍，并可能导致人工智能模型遭遇惨重的公开的失败。企业高管、董事会和客户如今都注意到“垃圾进，垃圾出”的说法。能够正确处理人工智能的公司将继续利用它更快更高效地发现并修复错误数据。

  3.智能运维、人工智能治理和网络安全正在融合为统一的信任架构。

  人工智能需要其自身的运维层，即一个把模型运维、网络安全和治理集成到单一执行环境的运维层。智能运维现在涵盖模型漂移、推理步骤、推理成本和合规性，以确保系统的弹性和可解释性，而新的防御策略则针对人工智能特有的安全漏洞。

  单个人工智能模型故障、安全漏洞或违规行为都可能同时导致运营中断、引发监管行动并损害利益相关者的信任。这种风险并不只限于理论，而是实际存在。如果机构把人工智能嵌入生产流程，就必须像对待生产流程一样对待它，这个流程要求运营严谨。

  4.人工智能驱动的开发需要工程纪律。

  重心现在正从快速的人工智能辅助原型设计转向规范驱动开发、原生安全以及模块化复用。各企业董事会现在要求提供诸如技术债务偿还占比之类的指标。研究表明，技术债务会消耗20%到40%的工程能力。减少技术债务可以释放资源用于创新，同时提高系统可靠性。

  这不是要放弃人工智能辅助编码，而是聚焦双速架构。组织需要快速实验进行探索，也需要严谨的工程设计进行生产。GitHub公司的“智能副驾驶”、“光标”代码编辑器和“克劳德”等人工智能编码加速器在统一的框架和架构标准下表现出色。

  5.微调与反馈循环已成为人工智能生产的关键所在。

  通用、现成的基础模型很少能交付符合企业应用案例、达到生产要求的可靠结果。机构正在认识到，真正的价值源于通过微调和系统性反馈闭环实现的持续优化。这些方法能让模型适配具体的业务场景、专业术语与决策模式。

  基础模型只是起点，而非终点。企业在人工智能领域的竞争优势源自其能否通过精心设计的反馈循环，运用独特的商业背景、客户洞见与相关领域专业知识来精炼模型。

  6.订阅疲劳与多云复杂性将推动消费治理。

  人工智能工作负载正在云计算行业引发预算震荡。与传统以虚拟机计量的基础设施不同，人工智能成本通过计算令牌(Token)和推理请求持续累积，其规模可能远超传统云支出。如果不设置治理机制，人工智能实验可能在财务部门察觉前就达到数百万美元的月度账单。企业必须增设实时成本可视化系统、成本分摊模型和用量治理体系。这需要打破财务部门、信息技术部门与创收业务部门之间的壁垒，而组织协同的挑战往往比应用技术本身更为严峻。

  7.人工智能的物理足迹制约企业规模化部署。

  人工智能的物理足迹正成为战略性制约因素。尽管人工智能有望像云计算解放算力那样近乎无限地释放劳动力潜能，但它也在数据中心容量、能源供给与水资源消耗方面创造了切实的物理限制，其规模远超传统云计算的需求。可持续性已不仅是环境、社会和治理(ESG)议题，更演变为成本、能力与合规监管的综合挑战，可能制约众多企业的人工智能规模化进程。

  8.企业必须考虑人工智能的运行位置。

  跨国企业都在为确定人工智能工作负载的运行位置而犯愁。在云成本、数据主权法律、地缘政治风险和碳排放目标等诸多因素的影响下，每一项算力决策都具有战略意义。

  算力部署决策会影响总体拥有成本、监管合规性和客户信任度。决策失误可能导致企业被昂贵而缺乏灵活性的基础设施所束缚，或者可能面临监管处罚。

  9.软件运营服务供应商正在重新设计定价模式以弥补人工智能基础设施相关成本。

  随着软件运营服务供应商嵌入的人工智能模型规模越来越大，基础设施成本也在爆炸式增长。按席位计费模式正在向基于使用量、基于结果或混合模式转变，将波动性转嫁给客户，并使财务预测变得更加复杂。

  GitHub公司的“智能副驾驶”等工具和企业级人工智能辅助开发平台使得定制解决方案的构建速度比以往任何时候都更快，这促使人们开始重新评估昂贵的软件运营服务订阅与内部开发之间的利弊。

  10.供应商的人工智能模型正在带来新的风险和采购要求。

  人工智能如今已嵌入几乎所有供应商的产品中，这给供应商生态系统带来了人工智能行为风险。采购必须从购买软件转变为购买智能，并制定相应的条款来应对模型漂移、偏见和数据使用问题。

  供应商的人工智能模型可能会给使用者的招聘流程带来偏见、泄露敏感数据或做出违反法规的决策，从而增加法律责任风险。要解决这个问题，就需要采购、法律、供应商管理、风险、安全和隐私团队之间的跨职能协作。

  结语

  2026年，成熟度将比速度更重要。人工智能不再是一个项目，它会暴露出我们在数据、基础设施、治理和组织设计方面的每一个短板。那些精心构建基础架构、严格运营人工智能、进行战略性部署并持续衡量业务价值的企业才能最终赢得优势。（编译/赵菲菲 胡溦 王笛青）