Transcription
大家都在谈论智能体（AI），但大多数企业并未做好准备。我是迈克尔·克里格斯曼（Michael Cricggsman），今天在 CXO Talk 第 93 期节目中，Snowflake 的产品执行副总裁克里斯蒂安·克莱纳曼（Christian Kleinerman）将分享关于数据就绪性、治理、AI 经济学和劳动力影响的真实情况。>> 我们是提供 AI 数据云的公司。这意味着什么？AI 数据云有两个重要的方向。一是，我们希望帮助组织管理数据的整个生命周期，从数据诞生或创建的那一刻起，无论是传感器、应用程序还是设备，一直到转换和丰富，最重要的是通过数据分析和消费。如何从中获得真正的洞察？在 Snowflake，我的职责是领导产品团队，包括产品管理、产品设计、技术写作、数据科学等多个职能部门。我已经在公司工作了 8 年，非常开心，也非常为我们所做的事情感到自豪。>> 克里斯蒂安，今天我们谈论的是 AI 智能体。企业级的 AI 智能体能够可靠地完成什么？>> AI 在企业中真正闪耀并具有潜力的时刻，是当您将企业的上下文提供给这些最先进的模型时，这样我就可以向聊天机器人提问，而它提供的不是互联网上的通用知识，而是基于我公司、我的客户、我的产品等知识。我认为最有趣的用例正源于此。我可以将其分为两类。一类是“读取”型用例，我只想检索知识。我的组织拥有大量文件、大量机构信息，直到现在都难以获取。AI 在检索正确信息方面表现出色。因此，您会看到内部协助、客户支持或客户体验协助。所有这些我们都在努力以有益的方式检索信息。另一类用例我认为更新颖，但也在发生，而且是非常好的用例，那就是当这些智能体能够开始采取行动时。它们可以开始调用 API，可能关闭一个服务报告工单，可能起草并发送回复给客户，可能构建一个演示。可能性很多，但最有趣的是，我认为 AI 和模型的技术水平远远超出了我们面前的应用和潜力。现在，让我们花点时间了解 Emmeritus，是它让 CXO Talk 得以实现。如果您是一位正在应对变革或推动增长的商业领袖，请探索 Emmeritus 的高管教育项目，Emmeritus 是全球领导者。他们提供与顶尖大学合作开发的课程，专为像您一样的决策者设计。总有一门课程适合您的目标，无论是 AI 和数字化转型，还是战略和领导力。请访问 www.emeritus.org 找到您的课程。这是一个非常有趣的观点。您说技术水平超出了企业吸收的能力。您能详细说明一下吗？这是一个关键问题。这些 AI 模型能够完成很多事情，这取决于您提供给它们的上下文。因此，我提供的信息越多，例如关于我们客户的信息，它们就可以开始进行推理，了解客户发生了什么，这是更传统的描述性、回顾性分析，但还有更多的事情我可以开始考虑，例如在与客户互动方面，我应该做什么？行业中的其他人正在做什么？提出有趣的问题并进行推理，在很多方面，这对我们今天来说是不可思议的，而这些模型已经准备好去做。因此，我坚信应用和用例的水平仍在许多领域被探索，并且仍在向前推进，甚至在模型进一步发展之前。>> 导致这种差距的局限性是什么？我们看到项目失败或被终止的大多数场景都涉及两种类型的问题。问题一：结果或行动的正确性。AI 的承诺是惊人的，只要您能信任 AI 的结果，一切都很美好，但我们听说过这样的情况：一家公司推出了一款助手，内部客服代表开始给出错误的答案，这是不可接受的。我认为这起着重要作用。另一个方面是访问正确数量的数据或正确的上下文，当我说“正确”时，我指的是安全和隐私方面。我们听说过一些组织在过去一年或两年内尝试推出自己的解决方案，结果却向本不应有权访问这些信息的人提供了信息，这就引出了安全和隐私问题。我认为，如果存在能够提供正确结果并强制执行现有治理和安全策略的解决方案，那么 AI 就会大放异彩，当然，这正是我们在过去 18-24 个月里在 SOIC 所做的很多工作。>> 技术能力与企业利用能力之间的差距的驱动因素是什么？我认为，在许多领域，组织尚未准备好以结构化和有组织的方式向 AI 模型提供上下文和数据。我与许多客户和其他组织进行的典型对话是：当您提问“告诉我关于客户 XYZ 的信息”时，您知道在哪里可以找到答案和信息吗？您的组织中的客户，因为如果数据分散在各种地方，而且没有人真正知道在哪里，那么任何 AI 模型都将更难理解。而我们在 Snowflake 和行业中的其他参与者所做的技术，是创建一个我们称之为“语义视图”，它是业务术语与某些业务术语或某些业务问题的答案所在之处之间的翻译器。这种数据治理、数据组织和数据质量是组织能够利用 AI 结果的先决条件。组织无法充分利用其能力的这种差距，主要是由于数据质量差或不足，还是其他原因？>> 对于数据驱动的场景，答案在很大程度上是肯定的。我们现在与组织进行的 most 常见的对话是：我如何加速我的数据质量工作、数据合理化工作，以便我的数据能够为 AI 做好准备？这涉及多种因素。也许仅仅是消除数据集之间的界限或孤岛。有时，问题很简单，例如我没有数据的规范真相来源。如果我有五个不同的客户列表版本，AI 就很难弄清楚哪个是您的官方答案。然后最后一个是安全问题。我是否有关于谁可以访问什么的明确政策，以及如何让 AI 实现这一点？因此，我认为这是真实的。数据治理、数据质量是利用企业中数据驱动解决方案的重要先决条件。还有一些我们尚未讨论的用例。例如编码助手，可以帮助企业应用程序开发等。但至少对于我们花费大部分时间的大多数用例，即让组织从数据中获取价值，是的，简短的回答是关于数据质量和数据治理。>> 您看到了哪些非常实用的用例？我将按相反的顺序进行，因为我刚刚提到了编码助手，而且我完全着迷于如今代码生成可以为我们任何人提供的用例。您可能在想，但编码助手只适用于开发人员和工程师，但我们看到各种职能部门都在利用编码助手。我将告诉您一些让我非常兴奋的事情。我们的许多解决方案工程师，也就是 Snowflake 中那些与客户打交道的专业技术人员，他们可以为我们每个客户或潜在客户感兴趣的每一次对话构建定制的演示。这简直是闻所未闻的。我从事企业和数据库工作已有 25 年了。长期以来，我们只有一个标准的演示，通常是关于自行车店之类的。无论听众是谁，您都会带着您的自行车店演示。但不必如此。对我来说，更容易说：“亲爱的编码助手，我即将与一家消费品公司会面。根据过去四次财报或财报，他们的重点是这些，以及我们如何在此背景下展示技术的价值，然后编码助手就可以生成一个示例、一个演示或一个样本，以便使用。”>> 现在，让我们快速听听 Emmeritus 的介绍，是它让 CXO Talk 得以实现。如果您是一位正在应对变革或推动增长的商业领袖，请探索 Emmeritus 的高管教育项目，Emmeritus 是全球领导者。他们提供与顶尖大学合作开发的课程，专为像您一样的决策者设计。总有一门课程适合您的目标，无论是 AI 和数字化转型，还是战略和领导力。请访问 www.emeritus.org 找到您的课程。编码助手正在为远超我所说的传统应用程序开发人员或软件工程师的职能部门创造价值。我再举一个类似的例子。我组织中的产品经理现在不再仅仅等待工程团队去创建产品或早期模型或早期功能原型。他们自己动手，因为组织中的几乎任何人都可以轻松地指导编码智能体构建解决方案。这就是编码方面。我们完全兴奋的另一类用例是解锁数据价值。我们在过去大约 20 年里看到的趋势是数据民主化。我们希望公司中越来越多的人能够访问数据。20 年前的商业智能，数据不是问题。数据是每个人为日常决策提供信息的机遇。我认为 AI 正在实质性地、戏剧性地扩展用例集。我们在 Snowflake 上推出了一项名为 Snowflake Intelligence 的功能，我们认为这是公司能够利用数据做更多事情的下一个层次。>> 我们有一个来自 Twitter 的问题，来自 Arcelon Khan，他说，他的问题很有挑衅性，但我还是会问。他说：“当组织意识到他们用 AI 做的最好的事情就是聊天机器人时，AI 泡沫会破裂吗？”我认为我们谈论的是能力的低估。真的。>> 我们已经看到了远超聊天机器人的用例。聊天机器人是 AI 的概念，源于我描述的第一类用例，即更多的是“只读”能力。它们只是想检索数据，我认为这有很多机会。但现在我们看到智能体能够采取行动，我认为这与聊天机器人非常不同。是的，在许多情况下，界面是对话式的，但这并不意味着它是聊天机器人。如果任何听众使用过任何编码助手，如 Cloud Code 或 Cursor，我们也在 Snowflake 引入了 Cortex Code，您很快就会意识到这远不止是聊天机器人。我不是问一个问题然后得到一个答案，而是更多地发出一个命令，也许一个小时后，有时是四个小时后，我得到了针对我指定的问题或提示的解决方案，这些任务通常需要人类数天或数周才能完成。因此，我想说，现在智能体能够自主采取行动、跟进事项、进行推理，我们看到的是人类能力的有效增强，我认为这是我们时代前所未有的。几周前，我与一家组织进行了交谈，他们有一个数据团队。他们有许多传统的分析师，但他们也用智能体增强了它，实际上有一个智能体，他们称之为智能体，他们认为它是团队的一员。当一个请求发送到 Slack 频道时，团队的每个成员都会收到并回答问题。智能体是其中的一部分，信不信由你，它极大地提高了生产力，非常善于帮助他人。我们在 Snowflake 也这样做。我们与员工日常使用的工具进行了许多集成，而且它远远超出了聊天机器人。因此，我认为潜力远高于我们今天许多人所见的。我认为，人们经常会经历“啊哈”时刻，即“是的，很有趣，我可以问问题，我可以得到答案，而且一半的时间是对的，一半是错的。”我们正在迅速超越这一点，一旦我们看到基于 AI 的技术、智能体做出决策、采取行动、代表我们做出改变，那真是令人兴奋。>> 克里斯蒂安，外面有很多炒作。商业领袖如何评估供应商关于自主性、推理能力和复杂工作流程能力的声明？当涉及到 AI 智能体时，商业领袖如何看到什么是真实的？现在，>> 如果我们都关注很多外面的说法，那真是令人眼花缭乱。因为很多听起来相似，重叠，很复杂。我对每个人的建议是去尝试这项技术。这个 AI 和智能体时代的魅力在于，大多数产品只需要几个提示就可以让某人尝试。我认为，与其说“我将对 AI 解决方案进行三个月的概念验证”，不如说“我们花一个小时来使用一个产品，看看它们有多好或不好”。我们正在定期这样做，评估新的模型、新的产品、模型的新的应用，并且很快您就能看到它们所做的与最先进的技术相比是否实质性地更好，还是只是在 AI 模型之上又加了一个快速的包装。因此，我的建议是，因为很难区分噪音，所以去尝试。我们生活在一个英语使用者可以很大程度上使用大多数基于 AI 的产品的世界里。所以，在我看来，这就是前进的道路。>> 所以，基本上您是说，您必须自己进行实证测试。您不能仅仅依靠供应商的营销来确定什么是真实的，以及什么将在您的特定环境和用例中起作用。>> 正确。而且，在许多年里，这一点对于企业技术的某些方面来说都是真实的。只是个人电脑的成本在大幅下降。我从事这项工作的时间足够长，我记得如果我想为一个设备、数据库设备进行概念验证，您会排队，他们会告诉您，好吧，您获得设备的时间是八个月后，然后您可以使用一周。在这个时代，这听起来完全疯狂。他们产品的情况就是去尝试一下。通常是当场进行的，一个小时后您就能很好地了解它是什么。还有一件事是传统上发生的，我认为它对 AI 不太有效，那就是基准测试曾经试图模拟或建模客户用例，然后您可以说，这个供应商在这个基准测试上更好，所以也许我会跳过概念验证。我认为，尽管有大量的基准测试在不断发展，供应商也在相互超越，但我认为没有什么能替代利用或尝试产品来满足您组织的需求。>> 您提出了一个关于实验的非常有趣的观点。这是企业 AI 的根本不同之处吗？它是否允许您尝试这个，尝试那个，并进行极快的迭代？>> 100%。理想情况下，过去所有企业技术和 SaaS 应用程序都应该是这样的，但它更难。快速评估 SaaS 应用或快速评估我提到的设备作为用例，但传统数据库技术，成本很高。AI 的独特之处在于，在许多用例中，创建和测试试点所需的时间已经比我刚才提到的其他技术低了一个数量级，这为我们打开了这样一个门：我不需要去阅读供应商的声明并以此为基础，我只需要尝试一下。我们经常听到客户说，我们在 Snowflake 世界巡演中，我们将我们的信息带到许多城市，我直接听到客户说，我刚刚测试了您的技术和另外两个供应商，这是我们喜欢的，这太棒了，以前的阻力太大了，现在阻力大大降低了。我不会低估成本为零，但成本如此之低，以至于尝试三四种技术在一天或两天内是完全可以接受的。>> 因此，对于管理和领导 AI 部署的人来说，必须发生真正的思维转变。当涉及到智能体时，这种方法如何应用于智能体世界？智能体是 AI 的最佳体现，即 AI 模型，但它们能够通过一些上下文进行推理并调用一些工具或采取一些行动。因此，我认为在这一点上，智能体是我所说的 AI 模型最佳的实例化，并且它实质性地改变了尝试其中一个解决方案所需的努力。还有许多互操作性协议正在出现。MCP 正在获得大量关注。我认为如今我与客户的每一次对话都会提到，您如何接入 MCP 生态系统，以及我是否可以成为更广泛的智能体策略的一部分。智能体到智能体协议也发生了同样的事情，我认为互操作性将越来越多地出现。但是，公司应该更容易再次尝试这些技术，我希望谨慎地说不是零成本，但成本非常低，以至于尝试三四种技术在一天或两天内是可以接受的。这正在改变可能性，我鼓励公司改变他们对技术评估的看法。>> 今天智能体在技术上是否存在局限性，数据限制等等，我们在哪些边界上进入了可能危险的尖端？>> 我们不知道边界，这有点像我早些时候的评论，技术水平可能超出了我们的应用。大多数公司采取更缓慢、更谨慎的方法是针对我之前提到的两个问题：一是结果的正确性，二是安全、隐私和合规性保证。结果的正确性不仅适用于智能体或聊天机器人是否给了我错误的答案。我们谈论智能体采取行动越多，那么该行动也必须正确就越重要。例如，可能最后完全由 AI 自动化的操作将是银行转账或电汇，因为您想确保这些事情 100% 正确。但与此同时，在消费领域有各种各样的用例。所有例子都是预订餐厅。但在企业领域，它更简单。就像关闭一个支持工单，或者为我即将进行的审查生成一组问题，或者为董事会会议生成一组见解。并非风险不高，但它们比一些更关键的任务的风险要低。>> 您能否谈谈可能导致智能体部署出现问题的与数据和治理相关的差距？您之前已经提到过这一点，但请深入探讨数据。在我看来，这是公司今天利用 AI 的最大障碍。这归结为，如果一家公司的数据状态没有得到很好的组织，或者没有广泛可访问，那么 AI 就几乎无能为力。我喜欢说 AI 是一种增压的、超级强大的技术，但它不是魔法。如果您有两个数据集，例如客户列表，并且它们不一致，一个出色的 AI 解决方案可能会告诉您，嗯，我找到了两个列表，根据这个列表，迈克尔是客户。根据这个列表，迈克尔不是客户。它们无法做出判断。因此，我认为清理数据，拥有一个单一的真相来源，这在企业数据系统中是“圣杯”，就像对于任何问题都应该只有一个答案，或者至少是事实上的，这种严谨性非常重要，因为所有 AI 系统所做的就是基于这些数据进行推理和检索，但如果数据混乱，没有人能帮助您。我通常会打个比方，如果您问您公司里最好的分析师一个问题，这位最好的分析师是否知道去哪里，知道该做什么？那么 AI 就有一条路可走。如果最好的分析师说：“不，我只需要开很多会，因为所有的知识都在人们的脑子里。”那将使 AI 更难做到。有一些有希望的 AI 工作试图从数据中推断出一些知识，但这会增加额外的“非确定性”和潜在风险。我们现在在 Twitter 上有一个来自 Arcelon Khan 的问题，非常具体地关于存在于人们头脑中的机构知识，以及由此产生的许多影响，包括 Arcelon 提出的问题：如果人们分享这些信息，他们是否会觉得我们不需要他们？>> 在大多数技术变革中，都会出现一些阻力，我认为现实是，这项技术可以做的很多事情是提高生产力。是的，也许可以减少对部落知识和人们头脑中知识的依赖，但它也使个人能够从事额外的、更高价值的任务。我忘了是谁说的了。有人公开说过，现在我几乎在每次有机会时都会重复这句话：我认为个人不应该担心被 AI 取代。他们应该担心被知道如何使用 AI 的人取代，因为这是更真实的事情。是的，依赖机构知识或我脑子里的部落知识是不好的。现在，我可能会在一天中的任何时候被叫到，您可以说这对独立性和工作稳定性有利，但这对公司或个人来说都不是长期的好事。>> 那么，组织应该如何管理和治理所有这些非结构化数据，这些数据甚至不在人们的头脑中，例如文档、图像、音频？组织应该如何处理？行业有一个广泛的趋势，在 Snowflake，我们正在引领其中许多趋势，那就是我们如何捕捉所谓的语义模型、语义视图和本体论中的业务知识，这些知识通常嵌入在工具中或嵌入在人们的头脑中，但如何将其编码，使其可供 AI 使用？这正在发生。我们启动了一个跨公司联盟，以实现语义模型的互操作性。我们对许多参与其中的公司感到非常兴奋，这一切都是关于如何获取公司知识并将其编码，以便您可以更有意图地将其提供给 AI。因此，我想补充这一点，以回应关于人们头脑中的知识或嵌入式工具的评论。现在，让我转向您关于非结构化数据的问题，您的前提是准确的。非结构化数据，您甚至不必知道它是在某人的头脑中还是其他什么。不，非结构化数据的现实是，组织拥有的绝大多数数据。据估计，它们占 90%、85%、95%。具体数字并不重要，但我认为我们大多数人都同意，绝大多数数据都在文档、日志、电子邮件以及所有这些上下文中，这些上下文直到 AI 出现之前都很难检索或一直很难检索。在 AI 的世界里，仍然存在一些问题，您需要提供正确的索引，并且需要弄清楚您是否要进行这种语义搜索，近似搜索，正确性和引用的重要性如何？但 AI 对非结构化数据所做的，就像一夜之间打开了灯。想象一下，我们周围有所有这些数据，但如果房间里很黑，您甚至不知道数据就在那里。现在您睁开眼睛，哦，作为一家公司，我们有很多东西可以学习。AI 对非结构化数据所做的令人难以置信。>> 我们有一个来自 Sai Panamuru 的重要问题，他来自 LinkedIn，他说：“为什么这么多项目停留在概念验证阶段？”在我看来，我们在大约 12 到 18 个月前看到的大部分情况是，人们普遍认为 AI 非常强大，很容易让我卷起袖子自己构建解决方案。我将构建我的客户支持智能体。我将构建与我的数据库对话的智能体。这并不难。许多初步的尝试都产生了很好的结果，例如孤立地，我确切地知道我正在处理的问题，也许是数据库中的五个表，一切都很好。而我们所看到的，我认为去年一年肯定如此，那就是当您尝试将这些概念验证或这些自发努力投入生产时，您就会遇到现实的交集，而现实是残酷的。现实是：“哦，是的，您用五个表进行了测试，但我们有十万个表，而且它们在概念验证中没有被清晰地命名，在生产系统中，它们被称为表一、表二、表三，而无法知道里面有什么。”所以，现实是在不同的规模上运作的。它更混乱。回到这个数据质量的概念。数据组织、可发现性和可理解性很重要。我提到的另一件事是解决方案的正确性和可信度，这阻止了许多试点项目投入生产，并关闭了已经投入生产的项目，因为同样，概念验证听起来很棒，但实际系统每四次就提供一次错误答案，我不知道，但如果每天服务一千名客户，那听起来有很多不满意的客户。我认为这就是“自己动手”型解决方案的摩擦所在，这就是为什么我们自己以及 Snowflake 和行业中的其他公司看到了我们像 Snowflake Intelligence 这样的解决方案的巨大动力和普及度，因为这比看起来要难，而现在客户已经准备好说：“我想将其投入生产，我不想自己动手。”>> 这种智能体 AI 的利用率问题也意味着当出现错误时，这些错误的放大效应会增长。我们有一个来自 Twitter 的 Elizabeth Shaw 的问题，她说模型和算法有漂移或被污染的倾向，而智能体 AI 会导致混乱。公司应该如何解决这些问题，谁应该负责？这些趋势和问题在传统的机器学习技术中就已经存在并可见，例如当有人创建推荐引擎时，再次使用预测性 ML，就出现了如何进行评估、如何监控漂移以及如何确保您没有过度拟合模型等学科。其中一些技术就是如何治理、监控和维护非确定性技术，例如过去，当一切都是 100% 确定性的时候，您的余额大于零或不大于零，这很容易，这不会漂移，但随着我们进入更复杂的解决方案，ML 是开端，并且涌现了许多最佳实践，关于如何将 ML 治理到生产中。现在它们已经超速运转，因为 AI，顾名思义，即使有所有相同的输入，它也会产生可变的结果。我认为同样的模式正在出现，以治理生产中的 AI 解决方案。在 Snowflake，我们使我们的客户能够记录响应、跟踪评估，并能够看到预期的结果正在交付客户需要的答案。因此，我想说机器学习已经有了先例。我们需要作为行业做得更多，以帮助组织应对并自信地将本质上是可变和适应上下文的解决方案投入生产。>> 那么，关于技术本质上是非确定性的这一点，商业和技术领导者应该如何衡量价值、衡量回报，而成本、消费模式、生产力提升仍然不确定？这与安装 ERP 系统不同，后者您知道有定义的订单流程。>> 在所有情况下，基准或评估都必须是您获得了什么回报与您投入了什么之间的函数。我举个例子。一些消费级移动应用程序试图在应用程序的关键路径中进行一些 LLM 调用，只是为了显示一个稍微好一点的推荐，这是昂贵的，因为推荐质量的提升远远没有接近 AI 的成本。因此，我认为这没有什么不同，预测性和非预测性技术，您投入了什么，以及增量是否大于您获得的收益。所以，这更多的是特殊情况。在许多情况下，我们听到的是生产力提升，员工的生产力提升，通常是数量级的。一个分析师可能需要 5 小时才能完成的用例，智能体可以在 5 分钟内完成。其中的投资回报如此之大，以至于 AI 公司有足够的空间赚钱，包括所有中间平台，公司仍然能获得正投资回报。所以，这并不是说“是的，让我们随意收费，让公司支付尽可能多的费用”，但根据它与什么进行基准测试，在许多情况下，投资回报如此之大，以至于实际上有很多理由对此感到乐观，并且回到之前的问题，它的前提是泡沫，不，我认为这里有很多真实的生产力。>> 您刚才的评论非同寻常，即投资回报可能如此之大，我认为这直接触及了目前在 AI 领域进行的巨额投资的核心。但我们有一个来自 Twitter 的非常有趣的问题，来自 My Seer，克里斯蒂安，我将请您快速回答接下来的问题，因为我们很快就会没时间了。Miles Seer 说，这项研究表明，许多数据不成熟、未整理，并且没有语义层。这是每个软件公司的市场限制因素。Snowflake 在这方面做了什么？>> 数据质量和数据清洁阻碍了公司利用 AI。我们已经推出了功能，可以帮助从多个来源提取语义信息，无论是现有的 BI 工具还是查询日志。因此，我们正在帮助组织提取这些知识，并且我们正在与大量第三方公司、初创公司合作，这些公司致力于从数据中推断一些语义。所以，这仍然是行业的一个进展中的工作，但正在发生的事情非常令人兴奋。非常非常快，Sai Penamuru 回来了，他来自他之前的问题，他说：“您能推荐一些关键解决方案或建议来帮助将 AI 从概念验证（PC）转移到生产吗？而且要非常快。”>> 这个问题太笼统了，因为它取决于 AI 和解决方案是什么。但如果您想与结构化数据对话，我将推荐 Snowflake Intelligence。我们有一个来自 Twitter 的 Arcelon Khan 的问题。各位，请继续提问。我们还有几分钟时间。我们将尝试快速完成这些问题。Arcelon Khan 现在想将对话转向工作场所的影响。他说，绩效评估混合了客观和主观意见。当 AI 介入时，它更加客观。AI 是否应该用于招聘和解雇？我真正感兴趣的是智能体 AI 对工作的影响。>> 我会将 AI 用于与人相关的事务视为助手，而不是决策者。有两个原因。一是 AI 的结果仍然取决于您提供给 AI 的输入的质量。并且在策划和选择这些输入时存在主观性。另一件事是，我们还确定 AI 产生的响应存在一些可变性。因此，我认为可以利用它，也许用于比较。我们昨晚在总结一个面试反馈，但只是总结，而不是取代决策者。>> 您的客户对智能体 AI 对工作和劳动力影响的担忧有多大兴趣？每个人都有机会利用他们的数据做更多的事情，这应该转化为更快的业务成果，更好的业务成功，而这最终会带来繁荣。工作岗位将会演变。工作岗位已经在演变。但我倾向于乐观的一面，这是一个生产力游戏，一个巨大的生产力游戏。但人们会适应，工作岗位会适应，如果公司利用 AI，它们会做得更好。您对高级商业和技术领导者在管理这个快速变化时期，特别是在智能体 AI 方面有什么建议？>> 不要进行大规模的 AI 推广。当您听到“我们将购买十万个 XYZ 解决方案许可证并将其推出”时，您甚至不知道它是否有效。我认为更好的方法是，就像我之前说的，评估技术的成本相当低。我建议找到较小的用例，将其投入生产。如果效果很好，就扩大规模。我认为我们都应该采取这种模式。技术发展非常快。如果您四个月前尝试过某件事但没有成功，那么今天它可能就成功了。所以，请保持这种持续评估、试用、小规模推广并根据成功进行扩展的状态。>> 因此，持续迭代，持续尝试新事物，因为一切都在变化。采用有效的，将有效的投入生产，并丢弃无效的，基本上。>> 正确。就是这样。>> 好的。到此为止，我们时间到了。非常感谢 Snowflake 的执行副总裁克里斯蒂安·克莱纳曼。克里斯蒂安，非常感谢您与我们同在并抽出宝贵时间。我非常感激您。>> 不，同样，迈克尔，非常感谢您邀请我，我期待着下次再做。>> 感谢所有观看的观众，感谢您提出这些精彩的问题。在您离开之前，请订阅 CXO Talk 的新闻通讯，以便我们及时向您更新即将举行的节目。各位，希望您新年快乐。我们的下一期节目将在 1 月初播出，下次再见。大家保重。