AI Expo 2026 第二天：从实验试点迈向规模化生产

在伦敦联合举办的AI 与大数据博览会和数字化转型周第二天，市场展现出清晰的转型态势。

对生成式模型的早期兴奋正在消退。企业领导者如今面临将这些工具整合到现有技术栈中的摩擦。第二天的讨论较少聚焦大语言模型，更多关注运行它们所需的基础设施：数据溯源、可观测性和合规性。

AI 的可靠性取决于数据质量。Northern Trust 的 DP Indetkar 警告，不要让 AI 沦为“B 级片机器人”——这种情况发生在算法因输入数据质量差而失败时。Indetkar 指出，采用 AI 前必须先提升分析成熟度。如果数据策略未经验证，自动化决策反而会放大错误而非减少。

Just Eat 的 Eric Bobek 支持这一观点。他解释了数据和机器学习如何在全球企业层面指导决策。如果数据基础仍然碎片化，对 AI 层的投资就是浪费。

Kingfisher 的 Mohsen Ghasempour 也提到，需要将原始数据转化为实时可操作的智能。零售和物流公司必须缩短数据收集与洞察生成之间的延迟，才能看到回报。

金融、医疗和法律等行业对错误的容忍度几乎为零。Wiley 的 Pascal Hetzscholdt 直接针对这些行业发言。

Hetzscholdt 表示，科学、金融和法律领域的负责任 AI 依赖于准确性、归因和完整性。这些领域的企业系统需要审计追踪。声誉损害或监管罚款使得“黑盒”实现变得不可能。

Visa 的 Konstantina Kapetanidi 概述了构建多语言、使用工具、可扩展的生成式 AI 应用的困难。模型正成为执行任务的主动智能体，而不仅仅是生成文本。允许模型使用工具——比如查询数据库——会创建需要严格测试的安全向量。

Lloyds Banking Group 的 Parinita Kothari 详细说明了部署、扩展、监控和维护 AI 系统的要求。Kothari 挑战了“部署即忘”的心态。AI 模型需要持续监督，类似于传统软件基础设施。

当然，AI 正在从根本上改变代码编写方式。一个由 Valae、Charles River Labs 和 Knight Frank 代表组成的小组探讨了 AI 编程助手如何重塑软件创作。虽然这些工具加速了代码生成，但也迫使开发者更专注于审查和架构。

这种变化需要新技能。一个由 Microsoft、Lloyds 和 Mastercard 代表组成的小组讨论了未来 AI 开发者所需的工具和思维方式。当前劳动力能力与 AI 增强环境需求之间存在差距。高管必须规划培训计划，确保开发者充分验证 AI 生成的代码。

Senzing 的 Gurpinder Dhillon 博士和 Retool 的 Alexis Ego 介绍了低代码和无代码策略。Ego 描述了如何将 AI 与低代码平台结合，制作生产就绪的内部应用。这种方法旨在减少内部工具请求的积压。

Dhillon 认为，这些策略在不降低质量的前提下加速了开发。对高管层而言，如果治理协议到位，这意味着更便宜的内部软件交付。

更广泛的劳动力正开始与“数字同事”合作。EverWorker 的 Austin Braham 解释了智能体如何重塑劳动力模型。这一术语意味着从被动软件转向主动参与者。企业领导者必须重新评估人机交互协议。

Anthony Nolan 的 Paul Airey 给出了一个 AI 带来真正改变生命价值的例子。他详细说明了自动化如何改善干细胞移植的供体匹配和移植时间线。这些技术的效用延伸至拯救生命的物流。

贯穿整个活动的一个反复出现的主题是，有效的应用往往解决非常具体和高摩擦的问题，而非试图成为通用解决方案。

联合活动第二天的讨论表明，企业焦点现已转向整合。最初的新奇感已消失，取而代之的是对正常运行时间、安全性和合规性的要求。创新负责人应评估哪些项目拥有足以在现实世界中生存的数据基础设施。

组织必须优先考虑 AI 的基本方面：清理数据仓库、建立法律护栏、培训员工监督自动化智能体。成功部署与停滞试点之间的区别就在于这些细节。

高管们则应将资源导向数据工程和治理框架。没有这些，先进模型将无法交付价值。