将企业AI视为操作系统层

关键信息

关键资产包括专有的运营数据、能生成训练信号的领域专家，以及难以复制的隐性知识——这些都不是新进入者能轻易获得的，除非深度融入组织架构。

资讯摘要

文章挑战了当前主流观点，即AI优势来自GPT或Gemini等先进模型。相反，它提出企业通过将AI视为一个‘操作系统层’获得长期优势——这是一个结构化系统，通过仪器化、反馈循环和治理机制将智能嵌入日常工作。与每次调用后重置的API模型不同，这种层可以随时间积累知识。

老牌企业已拥有三项关键资产：运营数据、专家人类判断和累积的隐性知识——这些必须系统地转化为可复用的信号以提升AI能力。这种方法将每个任务变成学习机会，从而持续增强自动化和决策能力。

资讯正文

企业人工智能应被视为操作系统层

赞助

由Ensemble提供

企业人工智能领域存在一条尚未引起足够关注的分界线。公众讨论仍聚焦于基础模型和基准测试——GPT与Gemini之争、推理分数以及微小的能力提升。但在实践中，更持久的优势在于结构层面：谁掌控着将智能应用于、治理并持续改进的操作层。一种模式将人工智能视为按需使用的工具；另一种则将其嵌入为操作系统层——即介于模型与实际工作之间的操作软件、数据采集、反馈循环和治理机制——这种结构会随着使用而不断累积优势。

OpenAI和Anthropic等模型提供商将智能作为服务出售：你有一个问题，调用API，就能得到答案。这种智能具有通用性，基本上是无状态的，并且与决策发生的日常运营联系松散。它能力强大，且越来越容易被替代。真正重要的区别在于，智能是否在每次提示后重置，还是随着时间积累。

相比之下，现有组织可以将人工智能视为操作系统层：覆盖整个运营流程的监控系统、来自人类决策的反馈循环，以及将单个任务转化为可复用政策的治理机制。在这种架构下，每一次例外、修正和审批都成为学习的机会，随着平台吸收更多组织的工作，智能也能持续提升。最有可能塑造企业人工智能时代的企业，正是那些能够将智能直接嵌入运营平台，并对这些平台进行有效监测以使工作产生可用信号的企业。

主流叙事认为，敏捷的初创公司会通过从零开始打造原生AI来超越现有企业。如果人工智能本质上是一个模型问题，这一说法成立。但在许多企业领域，人工智能是一个系统问题——涉及集成、权限、评估和变更管理——优势属于那些已身处高频率、高风险运营之中，并能将此位置转化为学习和自动化能力的一方。

反转：人工智能执行，人类裁决

传统服务机构采用简单的架构：人类利用软件完成专业工作。操作员登录系统，导航流程，做出决策，处理案件。技术是媒介，人类判断才是产出。

原生AI平台则颠覆了这一逻辑：它接收问题，应用积累的领域知识，在高置信度下自主执行可完成的任务，并在需要系统无法可靠提供的判断时，将特定子任务转交给人类专家。

但这种人机交互方式的反转不仅仅是界面设计的改变——它还需要原始素材。只有当平台建立在多年积累的领域专业知识、行为数据和运营知识基础上时，这种模式才可能实现。

现有企业已拥有的三项可复用资产

原生AI初创公司拥有干净的架构起点，行动迅速。它们难以轻易制造的是让领域型AI在规模化上具备防御力的原始材料：

- 专有运营数据

将企业人工智能视为操作系统层

一支由领域专家组成的大规模团队，他们的日常决策能够生成训练信号。

关于复杂工作实际如何完成的积累性隐性知识。

服务类公司已经具备了这三项要素。但这些要素本身并不构成护城河。只有当一家公司能够系统地将杂乱的运营转化为AI可用的信号和机构知识时，它们才能成为优势——然后将结果反馈回运营流程，使系统持续改进。

将专业知识编码为可复用的信号

在大多数服务型组织中，专业知识是隐性的且易流失的。最优秀的操作员知道一些他们难以言表的内容：多年积累的启发式方法、对边缘情况的直觉判断，以及低于意识层面的模式识别能力。

在Ensemble公司，应对这一挑战的策略是知识蒸馏——将专家判断和运营决策系统性地转化为机器可读的训练信号。

例如，在医疗收入周期管理领域，系统可以先注入明确的领域知识，再通过与操作员的结构化日常互动不断深化覆盖范围。在Ensemble的实施中，系统会识别知识缺口，提出针对性问题，并在多位专家之间交叉验证答案，以捕捉共识和边缘案例的细微差别。随后，它将这些输入整合成一个动态的知识库，反映专家级表现背后的情境推理过程。

让决策驱动学习循环

一旦系统足够可靠而值得信赖，下一个问题是：如何在不等待年度模型升级的情况下持续提升？每次熟练的操作员做出决策时，他们不仅完成了一项任务，还生成了一个潜在的标注样本——即上下文信息搭配专家行为（有时还包括结果）。如果规模扩展到数千名操作员和数百万次决策，这种数据流就可以推动监督学习、评估以及有针对性的强化学习，教会系统在真实环境中更像专家那样行动。

举个例子，如果一个组织每周处理5万起案件，每起案件仅记录三个高质量的决策点，每周就能获得15万个标注样本，而无需专门建立数据收集项目。

更高级的人机协同设计则将专家嵌入决策流程中，使系统不仅能学习正确答案是什么，还能理解模糊性是如何被解决的。实际上，人类会在关键分支点介入——从AI生成的选项中选择、修正假设并重新引导操作。每一次干预都成为高价值的训练信号。当平台检测到边缘案例或偏离预期流程的情况时，它可以提示用户提供简短、结构化的理由说明，从而捕获决策因素，而无需要求冗长的自由格式推理日志。

将企业人工智能视为操作系统层

目标是将数千名领域专家积累的专业知识——他们的知识、决策和推理过程——永久嵌入到一个AI平台上，从而提升每位操作员所能完成的工作质量。如果执行得当，这将产生人类或AI单独行动时无法达到的效果：更高的执行一致性、更强的吞吐能力以及可量化的运营改进。操作员可以专注于更具战略意义的任务，而由已经完成对数千个类似案例分析基础工作的AI提供支持。

对企业领导者而言，这一趋势的更广泛含义十分明确：人工智能的优势不会仅仅取决于能否获得通用模型。真正决定性的优势在于组织捕捉、提炼并不断累积自身知识、数据、决策和运营判断的能力，同时构建出适用于高风险场景的控制机制。随着人工智能从实验阶段转向基础设施层面，最持久的竞争优势可能属于那些深刻理解工作流程、能够将其转化为系统，并且这些系统在使用中持续优化的企业。

本文由Ensemble制作，未经过《麻省理工科技评论》编辑团队撰写。

深度报道

OpenAI正全力以赴打造全自动研究员

独家专访OpenAI首席科学家雅库布·帕乔基（Jakub Pachocki），探讨该公司最新的宏大挑战及人工智能的未来。

《精灵宝可梦GO》如何为配送机器人提供精准至毫米的世界视角

独家报道：Niantic的人工智能衍生公司正在利用玩家提供的300亿张城市地标图像，训练一种全新的世界模型。

保持联系

获取来自《麻省理工科技评论》的最新动态

发现特别优惠、热门新闻、即将举行的活动等更多信息。

来源与参考

1. 原始链接
2. Treating enterprise AI as an operating layer