Uniphore揭秘25亿美元企业AI成功之道

快速阅读: 早前有消息称，Uniphore首席执行官萨赫德夫在声明中表示，企业AI已进入工业化部署阶段，公司聚焦小型语言模型与确定性架构，在油气等领域实现合同漏损减少50%，强调客户协同与北美本地化战略。

近日，Uniphore联合创始人兼首席执行官乌梅什·萨赫德夫（Umesh Sachdev）在与施里帕蒂·阿查里亚（Shripati Acharya）的对话中指出，当前企业人工智能的发展已从概念验证（PoC）阶段迈入“工业化”部署阶段。成立于2008年的Uniphore作为全球领先的原生AI企业级SaaS公司，目前为2000余家全球企业提供覆盖语音、视频和文本的多模态AI服务。

萨赫德夫表示，大型客户近年来普遍关注一个核心问题：如何在企业内部实现AI的规模化应用？他指出，早期PoC周期通常长达六至八个月，而如今领先企业更希望各业务部门能自主引入数据、微调模型并部署专用AI智能体，以替代重复性人力工作。这一需求促使Uniphore转向构建横向平台——集中管理大语言模型选择、安全策略、防护机制与数据访问权限，同时支持各职能部门在其上灵活创新。

该公司明确不涉足基础模型、数据计算平台或向量数据库的开发，而是专注于打造一个开放且主权可控的端到端AI平台，支持公有云、私有云及本地部署。尤其在涉及敏感数据和受监管流程的场景中，这种架构更能满足企业对安全性与合规性的要求。

值得注意的是，Uniphore将技术重心放在领域专用的小型语言模型（SLMs）上。萨赫德夫解释，相比通用大模型，SLMs在确定性、成本效益和企业适配性方面更具优势：其行为更可预测；单次查询成本可降低近百倍；且能精准学习企业特有的流程、数据与政策。公司已建立“领域专用SLM工厂”，并配套可观测性、可解释性及严格防护机制。

此外，Uniphore强调“确定性”是企业AI落地的核心。其“业务AI云”采用四层架构，从数据发现与准备，到模型花园中的防护评估体系，确保输出稳定可靠。例如，若企业政策禁止涉及枪支内容，系统可在请求抵达模型前即拦截相关关键词。平台还采用单一任务的“单元智能体”，通过BPMN式工作流编排，使整体输出更具可控性与一致性。

近日，Uniphore与一家全球四大会计师事务所及一家财富世界10强油气公司合作，成功部署合同漏损优化解决方案。此前，在生成式人工智能应用之前，该项目需逾千名顾问人工审阅合同与发票，以识别年均超10亿美元的收入漏损——这一数额对该规模企业而言仅为“四舍五入误差”。

借助Uniphore平台，合作方基于小型语言模型（SLM）对油气行业合同漏损场景进行定制化微调。目前，该系统每周可处理约3.5万张发票，仅由4名人工监督。运行六个月内，客户合同漏损已减少50%。项目负责人指出，当前应用“覆盖不广，但渗透极深”，下一阶段将推动成果向全企业推广。

针对印度AI创业者，萨赫德夫强调，在技术快速迭代的背景下，传统产品管理理念难以适用。他建议创业者在不确定时“始终回归客户”，认为现阶段“客户亲密关系价值连城”。同时提醒，并非所有问题都需动用大模型与高性能算力，“不应以重武器打小目标”。

关于全球化布局，他分享关键经验：若将北美作为核心市场，则必须深度本地化。他引述前思科CEO约翰·钱伯斯的建议——“若想赢得全球市场，必先赢下北美”，并据此将公司领导团队迁至美国。他明确表示，对于任何志在打造持久AI企业的创始人而言，若北美在其业务规划中占重要地位，“远程运营难以奏效”。

整体来看，Uniphore的实践表明：企业级AI落地需聚焦可规模化的小模型、强化流程确定性、深化客户协同，并在关键市场实现物理存在。

(以上内容均由Ai生成)