NTT DATA AIVista：打通企业级智能体落地的‘最后一公里’

在 VB Transform 2026大会上，NTT DATA AIVista首席执行官Bratin Saha与VentureBeat首席执行官兼主编Matt Marshall展开对话，探讨前沿模型在受监管生产环境中落地应用的“最后一公里”挑战——在此场景中，可靠性、上下文理解、安全护栏（guardrails）与安全性共同决定AI能否为企业创造实际价值。此次对话聚焦于当下所有正大举投资AI的企业所面临的核心问题：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，’Saha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、工作流及安全护栏之中。

Saha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AI项目在实施阶段失败，原因在于集成效果差、领域专业化能力不足、治理机制缺失以及成果责任归属不明确。‘最后一公里’的专业化改造，能将一个能力强大的基础模型，转变为由特定领域工作流、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

Saha表示，前沿模型在许多现实保险工作流中远未达到生产级精度，但通过‘最后一公里’专业化改造，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。

Saha表示，最大收益来自对整个AI系统进行专业化改造，而不仅限于基础模型本身。

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

‘最大的投入产出比来自专业化改造，以及随之而来的这些专业化安全护栏，’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供AI消费

运行模型集成（ensemble of models），以避免成本失控

添加专业化安全护栏，用于校验模型输出，并在模型出错时强制其重新执行。

代理型AI（agentic AI）‘最后一公里’实际所需条件

以上所有环节均不涉及微调（fine-tuning）。VentureBeat最新企业调查显示，微调在企业模型选型优先级中排名垫底。

相反，‘最后一公里’聚焦于企业独有的领域知识及未正式记录的工作流——这些信息若公之于众，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，’Saha表示。

最终，企业级AI关乎将某项工作流从A点迁移至B点，而非单纯部署一项技术；而NTT的优势恰恰在于将AI专家与领域专家配对协作。

‘唯一的原因在于，我们亲自去与一线工作人员交流，问他们：‘你们实际是如何开展工作的？’’他表示。这种专业知识随后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取得成功，需同时满足三大要素。

‘你需要技术、需要领域专业知识、还需要变革管理专业知识，’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，Saha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，你并非在部署一项技术，’他表示。‘你是在承接一项既有的工作流，并将其从A点迁移至B点。’价值产生于被迁移的工作流本身，而非协助完成迁移的模型。

这重新定义了资金应投向何处。

‘技术并非瓶颈，’Saha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，以及将这三者协同推进的纪律性。仅针对模型本身的投入，将使大部分回报落空。

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。

‘我们首先从嵌入工作流入手，因为这更易于开展变革管理，’他表示，并指出，运行关键任务的企业客户绝不会允许供应商在流程中途推翻一套已正常运行的机制。‘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？而这才是真正带来最大投入产出比之处。’

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，亦有助于维持模型的可替换性，并使企业得以充分利用日益成熟的开源权重（open-weight）与开源模型。Saha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倾向采用开源权重，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，而对企业“部落知识”的捕获则始终为定制化环节。Saha指出，NTT DATA作为全球最大的保险第三方管理机构（third-party administrator）之一，这一地位为其获取此类专业知识提供了天然优势。

‘将这种历经二十年积累的知识与信任关系加以转化的能力，极难被即时复制；我确信，这正是我们所拥有的持久优势之一，’他表示。