AI行业已经非常擅长向企业推销“更多”：更多模型、更多智能体、更多自动化、更多工具。但每增加一样东西，也意味着企业多了一项需要理解、治理、维护，并最终需要修复的东西。
Jonathan Chew采取的却是完全相反的做法。
他自称是一名“AI极简主义者（AI Minimalist）”，曾在10个国家的企业中领导AI转型，两度获得AI及创新奖项，并推动Tune.Ai获得“AI Project of the Year”认可。Jonathan Chew拥有AI与机器学习理学硕士（MSc in AI and Machine Learning）以及EMBA学历，其工作领域涵盖上下文工程（context engineering）、AI治理、智能体系统，以及将AI应用从原型阶段推进至实际生产环境。
这些经历让他得出了一个刻意与当下潮流背道而驰的结论：最令人印象深刻的AI系统，并不一定是功能最多的系统。很多时候，真正优秀的系统，是能够在明确边界内解决一个定义清晰的问题，并且即使最初构建它的人已经离开，企业依然能够理解和维护它。
在这次与NewInAsia的对话中，Jonathan解释了为什么不断扩张的AI技术栈可能反而成为企业的负担、为什么企业专有的上下文可能比底层使用的模型更具价值，以及为什么看起来“无聊”的AI，最终可能才是企业真正应该追求的AI。
亮点
AI工具越多，意味着你需要承担的问题也越多
问：你称自己为“AI极简主义者（AI Minimalist）”，但与此同时，企业却被鼓励在各个领域采用更多AI。你认为企业今天正在增加哪些东西，而未来可能会后悔不得不维护它们？
答： 目前，企业正在快速增加三类东西。
第一，是功能重叠的订阅服务：三个工具各自都能完成同一项工作的80%，但没有一个被真正熟练掌握，而所有订阅却都在不断续费。
第二，是建立在从未被任何人正式记录下来的业务流程之上的自动化。当我们把一个混乱的流程自动化时，得到的只是一个运转得更快的混乱流程——而现在，这套自动化还变成了整个流程中不可或缺的一环。
在AI时代，这个问题被进一步放大。
你采用的每一种工具都有一项在产品演示中永远不会出现的持有成本：许可证、安全审查、培训、团队不断切换工具所产生的效率成本，以及一种潜在情况——最终只有某一个人，或者极少数几个人，悄悄成为整个公司唯一知道这套东西如何运作的人。
企业未来真正会后悔的，是一味专注于获取更多工具，却没有首先投入那些困难而“无聊”的工作，以明确的意图和判断力去设计工作究竟应该如何开展。
他的获奖AI，并不是技术最先进的AI
问：你的项目曾获得多个AI及创新奖项，包括Tune.Ai的“AI Project of the Year”。这些项目让你对真正有意义的AI创新来源有了怎样的认识？是更好的技术、更好的问题选择，还是完全不同的因素？
答： 获奖的那些项目，没有一个是我们当时能够打造出的技术最先进的项目。
它们真正的共同点，是选对了一个并不光鲜的问题：这个问题经常发生、确实令人困扰、可以衡量，而且有一个真正希望把它解决掉的负责人。然后，我们会毫不留情地缩小项目范围，直到这个系统简单到可以用一句话解释清楚——也简单到能够被持续维护。
我有一个可能稍具争议的观点：模型其实是整个系统中差异化程度最低的部分。
每个人都可以通过订阅获得同样的前沿智能，也都可以付费使用相同的API。
但创新并不等于“能够使用”。创新真正来自判断力——也就是围绕AI可以在哪里采取行动、它应该以什么信息作为依据，以及哪些环节必须让人类继续参与而作出的一系列决策。
到目前为止，我已经亲眼经历了三轮科技浪潮——dot-com、移动互联网和AI——而相同的规律一直在重复出现。
最终的赢家，很少是拥有最先进技术的团队。真正胜出的，是那些选择了人们确实存在的问题，并真正推出了人们愿意使用的产品的团队。
模型是租来的，上下文才真正属于企业
问：你的专业领域之一是上下文工程，也就是AI知道什么、记住什么，以及企业可以信任它做什么。随着基础模型的能力不断增强，企业自己的专有上下文是否可能成为比所使用的模型本身更重要的竞争优势？
答： 它已经是了。
模型是租来的。上下文才是自己的。
基础模型正在逐渐成为一种公共基础设施。每个季度，它们都会变得更强，同时彼此之间的差异也越来越小。任何一个广泛可用的模型能够为你带来的优势，你的竞争对手同样可以获得。
但有一样东西，没有人能够租到——那就是你的公司知道什么。
你的决策历史。你的定价逻辑。你与客户沟通时使用的语气。你的标准作业程序（SOP），以及为什么要这样做。甚至包括某一次错误的判断，以及这次错误后来如何演变成了一条规则。
这些就是上下文。而上下文工程，就是决定你的AI知道什么、记住什么，以及可以被信任去做什么的一门学科。
在企业内部，真正的瓶颈几乎从来都不是模型能力不足。真正的问题是，公司的知识往往存在于员工的脑海里、散落在不同的电子邮箱中，以及隐藏在从未被记录下来的工作习惯里。那些从来没有被写下来的知识，AI自然无法利用。
因此，我所做的一些最有价值的AI工作，看起来往往非常像是在“整理文档”：让系统真正以企业的实际文件作为依据，使每一个答案都能够追溯到具体来源，而不是依靠猜测。
关键就在于这种不断累积的复利效应。
一个更好的提示词，可能只帮你解决一次问题。但上下文能够不断累积：每记录下一项SOP、每定义一道防护边界、每保存一次决策，都会让下一个AI系统的构建成本更低，也让企业能够更安全地信任它。
而且，这些资产还可以迁移——当一个更好的模型出现时，你只需要更换引擎，同时保留那些真正让系统属于你的东西。
模型是引擎。上下文则是你对道路的了解。
而引擎，到处都可以买到。
智能体AI不会消除管理，它会暴露管理水平
问：你经常与正在推进AI转型并迈向智能体系统的企业领导者合作。关于智能体AI，你最常需要纠正的误解是什么？
答： 最大的误解，是认为智能体就是能够自主工作的员工——并且认为企业可以在一个季度之内建立起一支“智能体员工队伍”。
人们对AI在缺乏完整理解和循序渐进实施步骤的情况下究竟能够做到什么，抱有过高的期待。
技术很少是真正的瓶颈。智能体AI实际上是在把“授权委派”工业化。
它不会消除管理；相反，它会暴露管理的质量。
如果我们连一项任务都无法向一个有能力的人类员工交代清楚——包括任务范围、上下文、边界，以及什么才算完成——那么我们同样不可能把这项任务清楚地交给一个智能体。
把模糊的任务交给一个人，可能只会产生一次糟糕的结果。把模糊的任务交给智能体，则可能让糟糕的结果以规模化的方式不断产生，而且它还会表现得非常自信。
真正有效的方式，是有边界的授权。
范围要窄。防护规则必须明确——智能体绝对不能做什么，往往比它能够做什么更加重要。交接节点也必须清楚，让每个人都知道智能体在哪里停止工作、人类从哪里开始接手。
同时，还必须有一个明确指定的人对最终结果负责，因为责任不会因为使用了软件就转移给软件。
第一个误解中还隐藏着第二个误解：智能体越多，创造的价值就越大。
多智能体集群（multi-agent swarms）在演示时往往非常精彩，但进入实际生产环境之后，却可能悄无声息地失败，因为每增加一个智能体，系统出现问题的可能方式也会随之增加。
如果再加上过度膨胀的上下文和工具，潜在故障点还会进一步增加。
如果它只有在状态最好的一天才能正常工作，那它依然只是一个Demo
问：在为10个国家的企业实施AI之后，你现在认为，一个令人印象深刻的AI Demo与一个真正值得信任、能够承担实际工作的AI系统之间，最明确的分界线是什么？
答： Demo是在它表现最好的一天、沿着最理想的路径接受评价的。而真正的系统，则要在它表现最糟糕的一天接受检验——包括各种边缘情况，以及规模化之后的问题。
每一个AI系统最终都会犯错。AI技术本质上具有概率性，这与过去基于规则、具有确定性的应用程序不同。
因此，信任不能只取决于准确率。真正重要的是：失败是否能够被发现、是否被限制在可控范围内，以及是否能够恢复。
用户能否判断某个输出可能并不可靠？系统给出的说法是否能够追溯到用户可以自行检查的来源？是否存在转交给人类处理的升级路径？系统出现故障之后，是否有人能在一天之内发现——还是直到三个星期后收到客户投诉，企业才知道出了问题？
在10个国家进行实际实施之后，我看到的规律到处都一样。
Demo是围绕“理想路径”构建的：开发者自己的电脑、开发者自己的提示词，以及干净整齐的示例数据。
但真正的工作环境面对的是混乱的输入、第二个使用者、各种边缘情况，以及一个从来没有接受过相关培训的新员工。
Demo追求的是“哇”的效果。系统追求的则是“无聊”——可预测、可重复、可检查。
在这个行业里，“无聊”其实是一种赞美。
我通常会从三个问题开始评估：
- 团队里技术能力最弱的人，能否在系统开发者不在场的情况下正常使用它？
- 当系统失败时，谁会发现？又需要多长时间才能发现？
- 如果构建这个系统的人明天辞职，这套系统能否顺利完成交接并继续运行？
如果对最后一个问题的真实答案是“不能”，那么你拥有的并不是一个AI系统。
你拥有的只是一个存在人员依赖的Demo。
因此，我对AI系统成功的定义并不光鲜：它只是每个星期，安静地把时间还给使用它的人。最终，人们甚至不再注意到这个系统的存在，因为它就是能够正常运作。
最后的思考：在AI领域，“无聊”或许才是最高的赞美
Jonathan的观点最终挑战了一个关于AI应用十分常见的假设：能力越强，就应该意味着系统越复杂。
相反，真正的优势或许来自克制——选择一个真正值得解决的问题，沉淀能够让解决方案发挥价值的上下文，明确AI能够做什么、不能做什么，并确保系统即使遭遇失败或人员交接，依然能够继续运行。
随着每个人获取先进模型都变得越来越容易，这些决策反而越来越难被复制。
技术可以租用。但一家企业对于如何应用技术的理解，却无法被租来。
而一个AI系统真正成功的最有力证明，或许并不是人们一直在谈论它。
而是人们最终完全不再注意到它的存在——因为它只是每个星期都在安静地把时间还给他们。
亮点
Read the English article here.
