NTT DATA AIVista 如何打通企业智能体落地的‘最后一公里’

在 VB Transform 2026大会上，NTT DATA AIVista 首席执行官布拉廷·萨哈（Bratin Saha）与VentureBeat 首席执行官兼总编辑马特·马歇尔（Matt Marshall）共同探讨了前沿模型在受监管生产环境中落地所面临的“最后一公里”挑战——在此类环境中，可靠性、上下文理解、安全护栏（guardrails）和安全性共同决定了人工智能能否为企业创造实际价值。此次对话聚焦于当前所有正大举投入人工智能的企业的核心问题：如何将这些投入转化为真实、可衡量的价值。

‘这不仅仅是一个模型，你是在围绕该模型构建一个系统，’萨哈表示。‘最后一公里’的工作，就是将前沿模型嵌入企业自身的数据、工作流程及安全护栏之中。

萨哈指出，最终，受监管的生产环境所依赖的远不止技术本身。如今，大多数企业人工智能项目在实施阶段失败，原因在于集成效果差、领域专业知识缺口、治理缺失以及成果责任归属不清。‘最后一公里’专业化，能将一个能力强大的基础模型，转变为由特定领域工作流程、风险偏好、客户分类、监管解释及机构知识共同塑造的企业级智能体（enterprise agent）。

前沿模型为何在企业工作流中停滞不前

萨哈表示，前沿模型在许多现实世界保险工作流中的生产级准确率远未达标，但通过‘最后一公里’专业化，可将其提升至企业所需的可靠性水平。开箱即用状态下，这些模型难以应对跨国保险理赔等受监管工作流的复杂性。

‘这些表格相当复杂，往往包含手写内容、大量复选框等，’他指出，正是这种复杂性导致Fable 5、Opus 4.8和GPT-5.5等前沿模型在开箱即用状态下表现不足。

萨哈表示，最大收益来自对整个AI系统进行专业化，而不仅仅是对基础模型本身。

该系统通过客户的数据、工作流，以及在许多情况下从未被写入操作规程文档的“隐性知识”（tribal knowledge）来实现专业化。

‘最大的投资回报率（ROI）来自于专业化本身，以及随之而来的这些专门定制的安全护栏，’他表示。

这项工作包含三个组成部分：

捕获企业的上下文并使其可被AI消费

运行模型集成（ensemble of models），以避免成本失控

添加专门定制的安全护栏，用于检查模型输出，并在模型出错时强制其重做。

代理式AI（agentic AI）‘最后一公里’实际所需条件

这一切均不涉及微调（fine-tuning）。VentureBeat 最新企业调查显示，在企业模型选择优先事项中，微调排名垫底。

相反，‘最后一公里’聚焦于领域专业知识及未正式记录的工作流程——这些内容若公之于众，将损害企业的竞争优势。

‘最后一公里’在于利用专属于你的数据，围绕模型构建一个系统，从而引导模型朝正确方向运行，并为其设置恰当的安全护栏，’萨哈表示。

最终，企业级AI关乎将一项工作流从A点推进至B点，而非单纯部署一项技术；而NTT的优势恰恰在于将AI专家与领域主题专家（subject domain experts）配对协作。

‘唯一的原因在于，我们亲自去与这些一线工作人员交流，并询问：‘你们实际上是如何开展这项工作的？’’他表示。随后，这些专业知识被编码进一个智能体（agent）中。

他补充道，保险、制造及其他受监管行业的成功，同时依赖三大要素。

‘你需要技术，需要领域专业知识，还需要变革管理（change management）专业知识，’他解释道，并进一步指出，在其团队服务的所有客户中，技术并非瓶颈所在。

企业如何将AI投资转化为可衡量的价值

对于正在权衡巨额AI预算的企业而言，萨哈指出，回报并非来自模型本身，而是来自围绕模型所构建的工作。

‘当你在企业内部部署AI时，你部署的并非一项技术，’他表示，‘而是将一项既存工作流从A点迁移至B点。’价值产生于被迁移的工作流本身，而非协助迁移的模型。

这重新定义了资金应投向何处。

‘技术并非瓶颈，’萨哈表示，真正的瓶颈在于围绕模型所整合的领域专业知识与变革管理能力，以及将这三者协同落实的纪律性。仅针对模型本身的投入，将使大部分投资回报落空。

企业无需在将AI嵌入现有工作流与彻底重构工作流之间二选一。NTT视二者为同一演进路径上的连续阶段。

‘我们首先从嵌入现有工作流入手，因为这样变革管理难度更低，’他指出，运行关键任务的企业客户不会允许供应商在流程中途直接替换掉一套正在正常运转的流程。‘一旦完成嵌入，我们便进入下一阶段：如何重新构想这一流程？而这才是真正产生最大回报的地方。’

企业级AI中哪些部分保持定制化，哪些部分实现规模化

将智能保留在模型外围系统而非模型内部，亦可维持模型的可替换性（swappability），并使企业得以充分利用日益成熟的开源权重（open-weight）及开源模型。萨哈团队运行的模型集成混合了前沿模型与开源模型；他预计，行业将在错误成本较低的场景中更多采用开源权重，而在必须确保高精度的场景中则保留前沿模型的推理能力。

‘在许多情境下，尤其是在错误代价极高的受监管行业中，最后那额外百分之几的准确率至关重要，’他表示。

该平台遵循相同模式：安全护栏生成与神经符号模型（neurosymbolic models）可在不同客户间规模化复用，而捕获每家组织独有的隐性知识则始终为定制化环节。萨哈指出，NTT DATA作为全球最大的保险第三方管理机构（third-party administrators）之一，这一地位有助于其获取并积累此类专业知识。

‘将这种历经20年积累而成的知识与信任关系加以转化的能力，极难被即时复制；我认为，这正是我们所拥有的持久优势之一，’他表示。