当科技巨头们正在为通用人工智能模型展开疯狂的竞赛时，另一场更为安静的革命正在工厂的中心发生。它在任何地方都有同样非常具体的面孔：能够利用数以万计的技术文档在几秒钟内为团队提供可靠响应的系统。这场革命与算法的原始力量无关，而是与难以复制的无形资产有关：数十年来耐心积累的丰富的业务数据和知识。对于行业领导者来说，现在的挑战是要从媒体的幻象中走出来，因为生成式人工智能将于 2022 年底向公众普及。在通用缩写“AI”的背后隐藏着成熟度截然不同的技术，在投资时混淆这些技术将存在风险。因为在这个行业中，人工智能并不是什么新鲜事：当前的颠覆并不是诞生，而是数字连续体的加速，该行业已经在其中航行了二十多年。为了做出正确的决定，您需要一个指南针。
这个指南针的前两个基点已经牢牢地扎根于产品和生产线的核心。这些家族并不是无懈可击的，它们通常组合在同一个系统中，但区分它们可以帮助您做出决定。首先是基于物理定律和明确规则的确定性系统。严格来说，它们比人工智能更加自动化，但它们构成了其他一切的基础。他们实时控制焊接、加工、注塑、工艺化学等工艺的调节，通过即时调整参数来保证产品质量，而不管操作员是谁。然后是监督学习，这是一种强大且谨慎的性能杠杆，可推动预测性维护和机器视觉。它的优势在于统计测量和验证的误差幅度。它用于检测生产中的异常情况并使用售后服务的反馈来预测重复出现的缺陷。
这个指南针的第三个家族是生成式人工智能，它是最引人注目的，但也是最年轻的。其本质需要谨慎：这些模型并不计算真理，而是探索合理性。尽管他们被证明是优秀的综合者，但他们往往会在信息缺乏时立即进行发明。如今，在大多数情况下，生成式人工智能仍然太不稳定，无法置于关键实时决策循环的核心。它应有的地位仍然是在外围、界面和编排中。这就是第四种方法发挥作用的地方，可以说是业界最有前途的方法：混合和代理系统。它不仅仅是一个独特的技术家族，更是一种让生成为其他服务服务的架构：生成人工智能并不扮演大脑的角色，而是扮演指挥的角色。它指导用户并连接执行后台工作的确定性工具、计算器或数据库。这正是当今工厂中部署的 RAG 系统的原理。
这个项目揭示了真正的价值所在。它不在于选择这种或那种时尚模式，而在于幕后的工作：增加产品、记录其流程、调整其信息流、将历史数据转换为当今和未来人工智能结构化和可理解的语料库。这是真正的挑战。对于工业管理者来说，现在的决定可以归结为三个问题：使用哪种人工智能：确定性、监督式、生成式还是混合式？用于什么用途，关键的还是外围的？位于价值链的哪个位置？
没有人知道哪种方法将在十年内占据主导地位，这正是为什么将一切都押在当前技术水平上是不明智的。唯一确定的是，所有这些都无一例外地都需要由记录的、结构化的业务数据提供。决定胜负的是这个基础，而不是这个或那个模型。今天投资知识遗产的实业家并不是在技术上下注：他正在为现在和未来的所有世代的人工智能奠定基础。
