通用型AI變決策大雷包？採混合式架構兼顧日常業務與專業應用
Should Your Business Use a Generalist or Specialized AI Model?
HBR Staff/Getty Images
通用型AI很可能會讓企業陷入「數據主義」的迷思，以為愈多數據搭配愈強大的演算法，將獲得最佳決策；然而，未能正確判別資訊輕重，唯恐在特定領域引發違規問題，甚至損及企業本身的信任度。本文建議，企業應採混合式架構，運用大模型處理廣泛的日常業務，同時在高風險領域獲得專業的決策邏輯。
談到AI，大家普遍認為模型愈大，效果愈好。我們為醫療保險公司與醫療保險計畫的第三方管理機構提供服務時，發現這個觀點在多數情況下確實成立，但是當AI應用從通用任務轉向專業領域時，就不見得適用了。
我們曾為事前授權流程開發生成式AI系統。這是健康保險公司用來判斷醫師建議的治療是否符合保險給付範圍的審核程序。本文將分享高階管理人員在評估專業領域的AI方案投資時，該如何在通用型或專業型AI模型之間做選擇。
當規模帶來最大價值
知名的生成式AI服務（如ChatGPT、Claude、Gemini）都是以大型語言模型（LLM）和其他AI技術為基礎。這些模型是由無數領域的文本和圖像訓練而成，因此幾乎能回答任何你想像得到的問題。雖然企業領導人可能很想直接依賴這些通用模型來處理所有事務，關鍵是認清模型的廣泛能力在哪些情況下能創造最大的競爭優勢和營運優勢。
簡單來說，這些系統之所以能在許多的企業應用中表現出色，正是因為它們「不」專精。它們的價值來自於能夠廣泛整合跨領域的資訊、找出意想不到的關聯，並處理各種商業溝通。舉例來說，它們可以同時參考法律判例、技術規格、顧客心理等多方面的資訊。
如果企業想要提升內容團隊的創意與...
安柏．尼甘 Amber Nigam
醫療科技新創公司Basys.ai的創辦人暨執行長，該公司專注於精進醫療資源管理流程，最初是在梅約醫療中心（Mayo Clinic）育成，並獲得禮來藥廠（Eli Lilly）的投資。此前他曾共同創辦教育科技公司Kydots.ai，致力於協助學生的職涯發展。尼甘目前在麻省理工學院共同教授醫療方面的數據科學課程並輔導新創團隊。
約翰．葛拉瑟 John Glaser
哈佛醫學院駐校高階主管。他曾任群醫照護系統（Partners Healthcare，現為麻省總醫院暨布萊根婦女醫院〔Mass Brigham〕）的資訊長、塞納公司（Cerner）資深副總裁、西門子醫療服務（Siemens Health Services）執行長。他是HL7諮詢委員會（HL7 Advisory Council）的共同主席，並在國家品質保證委員會（National Committee for Quality Assurance）擔任董事。
