事件
SAS 在成立 50 週年之際，宣布從強調「生成式 AI 能力」轉向強調「可信任 AI + 代理型 AI 治理」的新戰略。這個轉向背後隱含一個產業共識的變遷：企業對 AI 的需求已經從「能否運作」演變為「如何安全且大規模地運作」。
核心洞察
SAS 50 年的資料科學基礎與當下的戰略轉向形成了一個尖銳對比：
第一階段（1976-2020）：統計與資料管理 → 追求精準性與客觀性
第二階段（2021-2023）：生成式 AI 風潮 → 追求能力上限與創新速度
第三階段（2024-現在）：從 PoC 到規模化 → 追求可治理性與風險控制
這反映了整個企業 AI 採用的生命週期轉變。初期，企業投入 AI 項目就像賭徒進場，只要「概念驗證成功」就被視為勝利。但實際上，PoC 成功率往往達 70-80%，而真正走到生產環境的項目卻不足 15%。為什麼？
規模化的三大鴻溝
鴻溝 1：可解釋性 孤立的實驗室裡，一個黑箱模型的 95% 準確率令人欣喜。但當金融機構要用它審批貸款、醫院要用它診斷患者時，「我不知道它為什麼這樣決定」就變成了法律與倫理炸彈。SAS 強調「可信任 AI」，本質上是在說：不是「能預測」就行，而是「能解釋」才算數。
鴻溝 2：一致性與漂移 模型在訓練集上表現完美，但現實世界不是靜止的。市場變化、數據分佈偏移、季節性波動——這些都會讓模型逐漸失效。規模化需要的是「持續監測 + 自動重訓練 + 版本管理」的完整治理體系，遠超過單純的算法優化。
鴻溝 3：組織責任鏈 PoC 通常由一個小團隊完成，職責清晰。但規模化意味著跨部門協作：誰負責數據質量？誰批准模型上線？誰承擔預測失誤的後果？SAS 談到的「代理型 AI」不只是技術能力，更重要的是在多代理協作系統中定義清晰的權責邊界。
為什麼現在？
2024-2025 年是關鍵的轉折點。大量企業投入了生成式 AI 項目，但現在正面臨成本高企、效果不明、監管審查升級的三重困境。Gartner 的「幻滅期」預測在真實世界中上演：投資熱度掉頭，但生存下來的公司開始贏者通吃。
SAS 作為老牌企業軟體公司，手握金融、製造、醫療等最規制密集產業的客戶。在這些行業，「能用」遠不夠，必須「能審計、能解釋、能償賠」。這正是 SAS 的護城河所在。