萨蒂亚·纳德拉警告说，前沿人工智能需要生态系统，这重新定义了围绕所有权、机构记忆、更廉价模型、工作流控制和真正企业价值的人工智能竞赛。
萨蒂亚·纳德拉认为没有生态系统的前沿是不稳定的，这挑战了仅凭最强模型定义人工智能成功的观点。他的信息指向一个更广泛的人工智能堆栈，公司保持对其学习系统、机构记忆、工作流和数据的控制。对于NexusAI用户来说，实际的启示很明确：选择人工智能工具应着眼于构建持久的生态系统，而不仅仅是订阅当前最强的前沿模型。
萨蒂亚·纳德拉最新的人工智能信息反驳了最简单版本的前沿模型竞赛。他认为，模型只有在被围绕着为用户、公司和行业保留价值的生态系统包围时，才会变得经济稳定，而不是将最强大的模型视为整个战略。
这很重要，因为当前的人工智能市场主要由少数前沿模型提供商塑造。如果公司完全依赖吸收其数据、工作流和专业知识的外部模型，他们就有可能成为那些从他们学习但不一定帮助他们保持长期优势的智能系统的客户。
对于人工智能工具购买者来说，这比模型炒作更有用。获胜的人工智能堆栈不仅仅是一个模型。它是模型、数据、记忆、工作流工具、治理、代理、集成和人类专业知识的组合，使组织能够随着时间的推移不断改进。
纳德拉的信息将人工智能优势重新定义为围绕模型构建的生态系统：数据、记忆、工作流、治理和机构学习。
公司应避免在未构建内部智能和工作流记忆的情况下，将其知识优势交给外部人工智能平台。
前沿模型、更廉价模型、专业工具和代理应匹配到合适的任务，而非强制所有工作流通过一个模型。
前沿人工智能竞赛促使公司提出一个狭隘的问题：哪个模型最好？纳德拉的观点将问题转向所有权和持久性。如果模型只是引擎，业务仍需围绕它构建车辆：数据管道、接口、记忆、权限、代理、用户反馈和特定领域的工作流。
这对企业人工智能尤为重要。公司并非仅通过连接员工到外部助手就变得更有能力。只有当人工智能捕获机构学习、改进决策、强化运营并在组织内部积累知识时，公司才会变得更有能力。
纳德拉的警告本质上是关于价值捕获。如果每家公司都将其知识发送到少数外部人工智能系统，这些系统可能成为主要的学习者，而使用它们的企业则失去差异化。即时的生产力提升可能是真实的，但长期的战略控制会变弱。
这就是为什么公司应认真考虑其数据、工作流和学习模式的存放位置。强大的人工智能生态系统应帮助企业构建专有智能，而不是将其文档、工单、会议、客户互动和代码变成他人平台的通用燃料。
微软最近围绕低成本模型和用户控制的定位符合同一观点。并非每个工作流都需要最昂贵的前沿模型。许多企业任务需要可靠、经济、安全且集成的人工智能，能够在规模上运行，而不将每次交互都变成高成本的推理事件。
这创造了一个更实用的工具选择框架。对于复杂推理、高风险综合和复杂代理任务，使用前沿模型。对于重复工作、路由、摘要、内部搜索、格式化、提取和工作流自动化，使用更廉价或专业化模型。生态系统决定哪个模型适合哪里。
人工智能代理提高了风险，因为它们不仅仅回答问题。它们可以检查文件、调用工具、更新系统、编写代码、分析文档和协调长期任务。一旦代理成为日常运营的一部分，周围的生态系统决定它们是否有用、安全且负责任。
强大的代理生态系统需要身份、权限、记忆、可观察性、评估、成本控制和人工审批环节。没有这些层，即使是强大的前沿模型在实际工作中也可能难以信任。
对于创始人、开发者和业务用户来说，教训是按生态系统适配选择人工智能工具。工具应连接到您已有的工作，保护您的知识，支持您的治理需求，并随着时间推移改善团队的操作系统。
最佳的人工智能策略不是模型极端主义，而是构建一个模型、代理、数据、工作流和人员相互强化的堆栈。这是租用智能和构建一个会学习的组织之间的区别。
人工智能生态系统指的是模型周围的层次：公司数据、工作流工具、记忆、代理、集成、治理、用户反馈和领域专业知识。这些层将模型转变为持久的业务系统。
如果公司仅依赖外部前沿模型，可能会获得短期生产力提升，但会失去对机构知识、工作流学习和长期差异化的控制。
他们应根据生态系统适配度评估人工智能工具：数据控制、工作流集成、模型灵活性、代理安全、成本结构、治理以及工具是否帮助组织持续学习。
