尽管系统设计先进，许多公司报告AI准确率低至75%。在金融机构、政府机构和医院等高风险场景中，25%的错误率不仅是低效的，更是危险的。因此，越来越多组织正推动超越通用AI模型，投资于领域特定、语义丰富的系统，以促进跨行业协作和信息共享。

通用AI在复杂领域的局限

高德纳数据显示，62%的CFO和58%的CEO认为AI将在未来三年显著影响其行业。然而，他们的乐观情绪与实施挑战并存——尤其是在受监管或技术复杂的领域。

通用AI模型（包括大语言模型）虽然强大，但缺乏专业领域所需的深度知识。这通常意味着这些模型高度依赖表面级关键词匹配和宽泛的训练数据。然而，在电信、医疗和制造等技术领域——其中分层系统、专业术语和细微工作流是标准配置——这种语义缺陷成为重大短板。

为弥补这一差距，英伟达等公司正支持基于专有领域数据训练定制化大语言模型。这一关键步骤使企业能够突破长期存在的AI障碍，获取高质量、可用的训练数据。

通过协作缩小语义差距

世界经济论坛的3C框架（组合、融合、复合效应）指出，新兴技术在深度集成 across 系统和行业时创造最大价值。当不同技术被整合时，这种集成会改变运营并在生态系统中产生指数级影响。

因此，要使AI在技术领域真正可靠，它必须成为更广泛协作演进的一部分——不仅是独立工具，而是更智能互联基础设施的组件。一些企业已形成战略合作伙伴关系，展示开放生态系统和共享基础设施如何加速企业AI转型。通过汇集专业知识、数据和平台，这些联盟帮助缩小语义差距，开发出更准确、可解释、可扩展且符合现实复杂性的AI系统。

实施这些策略不仅降低风险，还提升性能。专注于较少高优先级AI项目（尤其是行业定制化项目）的公司，预计可获得比同行高两倍以上的投资回报率。此外，世界经济论坛指出，AI与自动化和量子计算等技术的融合正在重塑价值链并产生指数级回报。例如，部署领域特定生成式AI的医疗公司已在运营效率和患者结局方面看到改善。

不准确的代价

对某些行业而言，确保知识深度和数据可靠性不仅是可取的——更是必需的。波士顿咨询集团2024年关于AI风险管理的报告强调，在医疗、银行和保险等行业，AI导致的错误可能引发违规、误诊或财务损失。

在这些容错率极低的领域，信任和准确性不容妥协。不准确的输出会削弱利益相关者信心、延迟投资回报并增加法律成本。

AI的未来不在于广泛无约束的使用——而在于精确性。随着各行业加深对AI的依赖，语义感知和领域特定系统的重要性日益明显。通过投资定制模型、调整跨职能战略和参与协作生态系统来引领这一变革的企业，将释放AI的全部潜力。下一个前沿不是做得更多——而是做得正确。

Chris Bennett是Unisys全球AI与机器学习实践副总裁