AI的能力持續提升。然而，在企業內部部署AI未必變得更容易。

隨著企業走出實驗階段，將AI應用到業務的更多環節，它們正面臨另一套挑戰。問題的焦點日益集中在：哪些模型應該處理哪些任務、底層數據是否足夠好、AI系統可以存取哪些人與哪些事物，以及現有治理能否跟上。

本週的多項發展指向同一個結論：企業級AI的下一階段，可能較不取決於能否取得最新模型，而更取決於企業是否真的能管理它們。

多模型營運成為常態

企業已不再只是單純挑選一個AI模型。它們同時運行多個模型，各自具備不同的能力、成本與風險。這意味著必須有人決定哪個模型處理哪項任務，以及何時應調整這些決策。

例如，支付與數據公司Deluxe 擁有超過50個AI代理，並由集中式閘道將請求導向不同的模型。該公司在決定使用哪些模型時，會衡量品質、風險、速度與成本等因素。

這與只挑選單一AI供應商是完全不同的挑戰。隨著企業增加更多模型，模型選擇本身就成為一項持續性的營運職能——將週期性的供應商選擇轉變為重複性工作：分流請求、比較輸出結果，並在品質、成本與風險概況變化時重新審視這些判。（相關報導：Gemini 3.8 Live 改變對話式AI。）

數據品質仍拖累AI專案

管理模型只是問題的一部分。AI專案也撞上企業熟悉的老問題：糟糕或零散的數據。

在最近一項Collibra調查中，72%的AI決策者表示，糟糕的數據基礎是企業AI計畫未達預期的根本原因。這個數字提醒我們，當AI計畫受挫時，問題往往出在模型之前：而是出在餵養模型的數據上。

治理跟不上代理式AI

營運層面的問題不止於數據。企業或許已制定AI治理政策，但其策略可能未涵蓋代理式系統。

EY於本週二發布的一份報告發現，在使用代理式AI的組織中，近六成受訪者認為代理部署後沒有單一部門負責監督。近半數表示其治理框架尚未更新以因應代理特定的風險，四成則對網路上所有的AI工具缺乏能見度。

這既是治理缺口，也是營運缺口。如果企業不知道系統上正在運行什麼，或不知道由誰負責監督，就無法有效管理AI系統。這些發現留給組織兩個必須立即回答的問題：代理上線後由誰負責監督，以及如何完整掌握網路上已在運行的AI工具。

組織層面的挑戰

更強大的模型無法解決上述任何一個問題。隨著AI深入業務的更多環節，這些問題要求企業在架構、數據、權責與監督方面做出決策。

企業級AI最困難的部分，可能已不再是取得強大的技術，而是打造一個有能力營運它的組織——而值得關注的指標是內部指標：數據就緒度、治理涵蓋範圍與清晰的權責劃分。（相關報導：放緩AI發展的呼聲為開放權重模型帶來新挑戰。）

本週其他AI新聞

• AI成為新網路安全支出的主要驅動力：十分之七的資安長（CISO）現將AI列為新增網路安全支出的首要優先事項，尤其是安全自動化與身分及存取管理。
• Altman、Amodei在Dreamforce暢談AI發展步調：在各界擔憂AI能力進展快於安全防護之際，這兩位AI實驗室領導人在Salesforce的Dreamforce大會上討論放緩前沿AI開發的步調。
• Gemini 3.8 Live 改變對話式AI：Google新款模型加入即時推理、工具使用與視覺處理能力，同時保持自然的語音互動。
• 放緩AI發展的呼聲為開放權重模型帶來新挑戰：放緩前沿AI開發的呼聲可能為開放權重模型帶來新挑戰，或使企業承擔更多測試、監控與治理責任。
• AI恐慌正為CIO帶來新的信任難題：對AI日益升高的焦慮為CIO帶來新挑戰，他們既要建立組織對企業部署的信心，又不能淡化對該技術的合理疑慮。
• 「我們將不再談論AI」及其他製造業預測：製造業預期AI將不再是獨立計畫，而是更深入融入日常營運。（相關報導：AI改變了ROI方程式。以下是些成功案例。）
• AI攪亂科技就業市場：AI正在重塑科技就業市場，一項針對近5萬筆工程職缺的分析發現，技能需求正在轉變，專業化職位數量也在增加。

關於作者

Liz Hughes是屢獲殊榮的編輯與內容策略專家，在新聞出版、數位媒體與高階主管傳播領域擁有數十年經驗。她最近擔任AI Business與IoT World Today的編輯，領導編輯策略、日常報導以及每月觸及超過100萬名讀者的電子報。她的工作聚焦於AI與新興科技，著重於區分真實落地與炒作，並曾報導生成式AI、機器人、自主系統與企業科技等主題。Hughes也是策略編輯工作室LTH Media的創辦人，並持續為頂尖科技與商業出版物撰稿。

本文由特約撰稿人Liz Hughes撰寫，原文於2026年9月18日發表於AI Business。