将人工智能融入业务流程时,企业越来越频繁地遭遇同一道屏障:从文档和说明中提取的"干巴巴"数据,无法传递专家经验的全部深度。这涉及所谓的隐性知识——资深专家多年积累、却很少以书面形式记录的实际技能和直觉判断。最新研究表明,正是这一资源正成为打造真正高效企业AI模型的主要驱动力。

通用语言模型在拥有海量开放数据的领域展现出令人瞩目的成果。然而,在需要理解公司内部语境和专家判断的任务中,其效能急剧下降。正如哲学家迈克尔·波兰尼精辟指出的:"我们知道的比能说出来的更多。"这句话恰如其分地描述了当前企业AI面临的困境。

桥水基金:"差异化智能"对阵通用模型

一个鲜明的例子是Bridgewater AIA Labs与Thinking Machines Lab的联合研究。团队在六项金融任务中测试了主流模型(Claude Opus、Gemini、GPT),包括新闻分析和央行文件解读。使用简单指令时,准确率在45.6%至50.1%之间。然而,在桥水专家准备专门提示词后,该指标飙升至74.3%-78.2%。值得注意的是,自动优化指令并未带来额外提升。

关键突破发生在下一阶段。研究人员在由桥水专家直接标注的数据上对Qwen3-235B模型进行微调。结果超出所有预期:平均准确率达到84.7%,与最佳通用模型相比错误率减少29.8%。同时,任务处理成本降低了13.8倍。这种被称为"差异化智能"的方法,主张针对特定组织的独特流程和要求定制独立模型。本质上,这不仅是微调,更是将公司集体经验转化为数字形态。

福特:追寻资深员工的经验

类似趋势在工业领域同样显现。福特汽车在过去三年中聘用、晋升或返聘了约350名资深技术专家。他们的任务是检查设计、识别潜在故障、培训年轻工程师,以及最重要的是参与改进自动化质量控制工具。

福特硬件开发副总裁查尔斯·普恩直言:"人工智能是出色的工具,但其优劣完全取决于用于训练它的信息质量。"他承认公司未能系统性地保存资深工程师的知识,部分专家在经验被完全融入内部流程前就已离开福特。

我的分析:我们正目睹企业AI战略的根本性转变。对原始数据和计算能力的竞赛,正让位于对高质量、经专家标注的"专有技术"的争夺。能够有效提取、结构化并传递优秀员工隐性知识的公司,将获得巨大的竞争优势。而那些继续仅依赖通用模型和公开数据的企业,则可能在"差异化智能"时代面临落后风险。