2025聚焦科技引领的商业变革

23引言将AI应用于业务影响实现加强数据价值链重新构想面向生成式AI时代的负责任科技通过多模态交互实现更丰富的体验实现物理与数字融合的更大价值词汇表© Thoughtworks, Inc. All Rights Reserved. 41118263442 —Rachel Laycock首席技术官，Thoughtworks在本期中，我们通过五个不同的视角探讨超过90种趋势，这些趋势定义了商业领域中不断演变的科技格局。其中一些趋势已经正在改变运营方式，而另一些则还处于地平线之外，虽然引发兴趣和辩论，但仍在发展中。对于企业领导者而言，对这些发展保持广泛的战略视角——包括当前和未来——至关重要。Looking Glass正是提供了这样一个框架，以获得对主要趋势的全面理解。欢迎来到“镜中世界2025”。与许多科技趋势报告不同，Thoughtworks的“镜中世界”并非旨在聚焦最新流行词。相反，我们着眼于长远，探索技术前沿及其对商业的影响。哪些事需要你现在了解？哪些将在长远未来变得重要？“镜中世界”帮助您理解和解读新兴技术，以便为您的组织做出明智的战略决策。技术进步永不停歇的速度使得预测未来趋势以及投资回报最丰厚的领域变得更加困难。在人工智能等领域的突破性进展预示着我们将从根本上改变对技术的认知。但你应该以多快的速度准备适应呢？正是在这里，Thoughtworks的Looking Glass应运而生。这五个透镜提供了清晰度和焦点，有助于确保您的组织保持适应能力、弹性和准备好利用或应对塑造我们现代世界的不可避免的技术变革。 4© Thoughtworks, Inc. All Rights Reserved.企业仍持续面临数据质量、数据可访问性以及海量数据带来的挑战，这些问题都构成了实现强大、有效的人工智能的基础。正如我们的数据平台视角所探讨的，细致的数据管理、高效的数据工程和架构至关重要。合成数据的重要性，尤其是在研究环境中，作为避免隐私和数据完整性问题的工具，也日益凸显。组织还需要开发更好的方法来评估和控制人工智能系统。具有前瞻性的企业正在采用“评估”（evals）——测试人工智能输出以确定其可靠性、准确性和相关性——以及护栏，即编程的政策层，这些政策层可以减轻生成式系统的内在不可预测性。随着采用率的提高，改进AI系统与企业应用程序连接的机制变得更加重要。代理服务正在兴起，以帮助开发人员将其AI模型与构建的应用程序连接起来。人工智能的主流化——特别是生成式人工智能——正迅速推进。但随着人工智能的普及，越发明显的是，成功运行人工智能模型并将其投入生产仍然是一项挑战。从可疑的输出到非预期的后果，一系列真实和预期的场景阻碍了组织将人工智能发挥到极致。将AI应用于业务影响实现 信号将AI应用于业务影响实现AI代理有时被视为人工智能演进的下一步，由于其能够模拟人类推理能力。然而，该技术相对较新，为代理寻找应用需要领域专业知识，以及对复杂流程和交互进行精确映射和建模的能力。为了建立可持续且高效的AI实践，组织必须避免走捷径，掌握必要的技能，并将创新根植于商业现实之中。•小型语言模型的涌现，例如微软的phi-3和AMD的AMD 135。这些模型使得在移动手机等网络边缘设备上运行AI模型成为可能，并且由于它们相对轻量、专注且高效，对商业、安全和可持续性等方面具有一系列积极影响。大型语言模型（LLMs）也持续在发展，Anthropic的Claude 3.5 Sonnet LLM近期升级，新增了计算机使用功能，在性能方面已达到行业基准。•欧盟AI法案的生效，该法案通过设定围绕数据治理、文档记录、人工监督和安全等方面的义务，为采用AI系统的企业树立了国际基准。Srinivasan Raguraman 技术主管，Thoughtworks•研究表明，对于许多组织而言，人工智能投资和采纳并不一定会转化为部署或业务影响。尽管对人工智能解决方案的兴趣（以及相关支出）仍然很高，但企业开始更加关注人工智能项目的成本，并加大力度确保其能创造价值。•对数据中心持续、大规模的投资，谷歌甚至转向核能发电以应对其人工智能产品可能所需的大量电力。这表明人工智能是一项长期赌注，在商业环境中将持续获得势头，在整个社会中也是如此。“‘80年代自动化探索中的经验教训，有助于建立恰当的人-人工智能代理交接水平。我们必须专注于增强人类，而不是试图完全取代他们当前的任务。”•重新聚焦于应对LLM“幻觉”和捏造，采用“语义熵”等新技术来根除错误，并由LLM互相监管其输出内容。•工具的增长简化了工程师和其他人与AI模型交互的方式，例如LiteLLM和Langchain。•对“影子人工智能”，即企业在使用未经授权的人工智能工具时，人们日益提高的认识，这可能导致公司若员工将敏感信息泄露给大型语言模型时面临重大问题。在一项最近的调查中，三分之一的组织承认难以监控其团队中人工智能的非法使用。 5 27333437Seeing now采用趋势值得关注wongnieeS预期分析1. 多模态体验中的可访问性2. 基于代理的模拟3. 人工智能代理4. 人工智能即服务5. 人工智能在安全领域6. 人工智能辅助软件开发7. 自动合规8. 协作生态系统9. 数据网格10. 边缘计算11. 伦理框架12. 评估和管理人工智能输出13. 进化式架构14. 可解释人工智能15. 生成式人工智能16. 集成数据和人工智能平台17. 与人工智能接口18. 大语言模型运维19. 机器学习运维20. 模型训练优化21. 在线机器学习将AI应用于业务影响实现 6开始看到37. 可理解的同意预期分析采用26. AI市场平台 27. AI安全与监管 28. AI生成内容 29. 自动化劳动力 30. 自主机器人 31. 对AI的认知变化 32. 降低生成式AI的获取门槛 33. 联邦学习 34. 多模态AI 35. 定制化医疗保健 36. 合成数据22. 平台即产品 23. 隐私优先 24. 软件定义汽车 25. 向量数据库38. 兼容人工智能的数据 39. 精细化的数据访问控制 —在视界之外预期分析51. AGI研究预期采用分析50. AI虚拟形象40. AI 可观测性 41. 数据血缘 42.生成式 AI 计算机控制 43. 智能机器间协作 44. 生产免疫系统 45.小语言模型 46. 与数据对话47. 对抗性机器学习 48. 情感计算49. 机器人中的AI 机遇通过在这款镜片上抢占先机，组织能够：© Thoughtworks, Inc. All Rights Reserved.将AI应用于业务影响实现利用人工智能加速遗留现代化和编码等流程。Thoughtworks已成功应用生成式人工智能协助团队应对现代化中最困难的方面之一：理解和解析支撑遗留系统与代码库的复杂连接网络。人工智能助手也能通过接管频繁、重复性任务显著提升软件开发及其他团队的生产力。在合规性及道德人工智能实践方面引领潮流。我们敦促客户不仅要遵守，更要拥抱像欧盟人工智能法案这样的法规，因为此类立法往往反映了更广泛的社会情绪和关注——潜在客户会关注那些做出回应的企业。利用小型语言模型将人工智能创新带给边缘设备，为从运营分析到个性化等各方面提供机遇——同时不牺牲隐私，因为数据无需迁移到网络的中心。制定并传达一个全面的AI战略，使员工能够在结构化的方式下进行AI实验，同时防止可能威胁到组织知识产权或声誉的“影子AI”的出现。：通过采用生成式人工智能（GenAI）来提升知识管理和转移能力，帮助员工筛选、总结和分析结构化或非结构化的企业数据。一系列产品正涌现出来，以促进在房地产等行业中重要信息的检索和传播。探索人工智能代理以提升自动化，有可能改变员工执行调度和客户支持等任务的方式，并在客户互动中提高参与度和个性化水平。提高LLMs投入生产的速度，并通过LLMOps等新兴实践和工具加速模型开发，通过检索增强生成（RAG）提高模型的可靠性，以及使用AI网关或智能端点将AI系统连接到应用程序。 7 我们已完成的任务PEXA将AI应用于业务影响实现Thoughtworks与数字房地产技术公司PEXA、AWS和Redactive合作，开发了一款创新型、多功能的AI助手，通过提供个性化的问题解答和增强信息发现等任务，提升了PEXA员工的生产力。与PEXA的内部系统无缝集成，该解决方案还通过为助手配备权限意识功能，满足了强大的数据安全隐私要求，确保员工只能访问经批准共享的信息。 8 待办事项（需采用）可操作的建议•识别能够帮助指导并教会贵组织新兴解决方案潜在应用场景的AI标杆人物——但需理解AI将在企业几乎每个部分以不同方式应用，这意味着这些标杆人物需要保持开放心态。拥有对“优秀”有清晰认知的人员可以降低风险，并确保AI倡议聚焦于有意义的商业成果。•在开发人工智能系统时，采用检索增强生成（RAG）技术，以提升可靠性并使模型能够生成更具体的输出。整合评估（evals）和可观察性能够进一步增强系统在长期内的韧性。•为您的组织实施全面且综合的人工智能战略，该战略包括关于允许使用的工具以及人工智能可以使用的场景的指导方针，以最大程度地降低影子人工智能的风险。•将数据网格和数据产品思维应用于确保人工智能应用建立在能够保障其实现商业价值或客户价值的坚实数据基础之上。数据管理、创建、组织和管理数据集等规范，使其透明且易于访问，也对人工智能的成功做出贡献。•在整个软件开发生命周期中嵌入人工智能。当人工智能的作用不仅限于编码，而是协助测试和文档等流程时，才能取得最佳效果。•使用代理来简化团队互动并利用AI模型，为增强他们开发的具有AI功能和能力的应用程序铺平道路。将AI应用于业务影响实现 9 需要关注的要点（预期）需要考虑的事项（分析）将AI应用于业务影响实现•密切关注成本，并尝试识别最有可能满足您的需求同时在投资中产生回报的方法。运行AI模型可能很昂贵，尤其是在将员工薪酬等费用考虑在内的情况下。控制支出需要积极的财务监控（即FinOps），并考虑诸如小型语言模型等因素。•需意识到围绕人工智能的多元期望。研究表明，人们可能因文化背景不同而以不同方式接触人工智能，有些追求高度控制，另一些则优先考虑情感连接。这些差异，连同语境或情境的变化，在规划与实施人工智能时均需被理解与认可。•避免所谓的“替代迷思”——即认为人工智能可以直接替代人类的想法。相反，应构建并实施增强角色的系统，以提高团队的生产力和参与度，同时承认人类判断和监督的持续重要性。•监控人工智能监管和未来政策发展，特别是这些发展与隐私法的交叉点，这可能对可用于人工智能项目的数据资源产生巨大影响。美国多个州以及从加拿大到印度和日本的多个国家，都计划加强或推出立法，围绕人工智能的使用和发展设置限制措施。•AI伴侣的潜在增长，旨在提供情感支持、友谊甚至亲密关系。虽然这些AI伴侣可能有助于对抗孤独和孤立，但它们也可能对人际互动产生令人担忧的影响，要求企业在引入具有伴侣类特征的AI时需谨慎考虑。•关于在使用人工智能时产生的负面后果的法律责任和问责问题。随着诸如人工智能误导客户等相关法律挑战的出现，欧盟等当局正采取措施使组织更加有责。 10 加强数据价值链利用数据平台和人工智能保持竞争力和可持续变革的能力需要有意设计具备紧密集中的集中化与去中心化能力的。一些组织正在规避从建立基于共识的“单一信息源”到形成整合的“情境化真理”。支撑高性能数据平台的核心原则保持不变——去中心化和联邦数据所有权——但该领域的最新趋势和机遇正带来组织需要做好准备应对的挑战。特别是生成式人工智能（GenAI）的兴起及其对非结构化数据的重要性，要求团队重新思考数据管理和处理的方式。将非结构化数据视为一等公民而非结构化数据的次级亲属，已变得至关重要。随着企业对人工智能的采用加速，人们对数据作为差异化因素和竞争优势来源的认识日益提高。在快速和规模化上利用数据的能力，以及真正实现数据驱动，已成为一个新兴的优先事项。将数据视为产品是达成这一目标的最有效手段之一