在过去两年的大部分时间里，企业人工智能的讨论都始于模型。各组织机构争论应该使用哪个基础模型、如何对其进行微调以及哪个编排框架能够带来最佳结果。
这种讨论正在发生变化。随着基础模型的功能越来越强大、易于访问且在不同供应商之间可以互换，许多组织机构发现模型性能不再是人工智能成果的主要制约因素。相反，瓶颈已经转移到了流程的更早期：即最初为人工智能系统提供数据的文档层。
在与金融服务、医疗保健和电信行业的首席信息官 (CIO) 和首席数据官 (CDO) 的交流中，同样的观察反复出现。挑战不再在于模型如何推理。而在于模型推理的内容。
模型不再是企业级 AI 推理的瓶颈。文档理解层才是。这种观点反映了企业人工智能架构中价值和风险所在位置的结构性转变。
真正的问题：非结构化数据与文档智能
在受监管的企业环境中，大多数关键数据并非存储在清晰、结构化的仓库表中。它们以非结构化格式存在：PDF、扫描的文件、索赔清单、合同、财务报表、实验室报告和费率表。这些数据正是人工智能系统的主要输入。
文档智能是指将这些非结构化数据转化为适用于 AI 模型的结构化、可用输入的过程。当这一步骤失败时，其后果会波及整个 AI 管道。
故障模式往往看似简单，实则不然。表格读取错误或单元格合并导致提取的数据格式错误。这种提取会产生有缺陷的嵌入，从而在检索过程中返回错误的上下文。模型随后会根据一个明显错误的输入生成一个看似可靠的答案。
此时，即使是最先进的模型也无法弥补潜在的错误。模型性能的提升并不能纠正模型运行之前就已经存在的结构性问题。实际上，文档处理流程的质量往往决定了人工智能系统的准确率上限。
当解析错误演变为业务风险时
文档解析质量差的影响会直接体现在业务成果上。这些影响是具体的、可衡量的，但在执行层面却往往被低估。这使得文档智能不仅仅是一个技术挑战。对许多组织而言，它已成为一个运营和财务挑战。
解析错误发生时往往难以察觉。相反，它们会沿着工作流程、决策和业务流程向下累积。等到问题显现时，补救成本通常远远高于预防成本。
金融服务
在金融服务领域，基金管理人资本账户报表中的一个误读值可能会引发承保或准备金模型中的下游错误。这些错误可能涉及监管问题，并导致耗资数百万美元的补救措施。
医疗保健
医疗机构仍然严重依赖人工文档提取来处理索赔、汇款通知和临床文档。这部分是由于数据的结构复杂性，部分是由于对受保护健康信息的严格要求。
人工文档提取一直是医疗数据运营预算中最大的支出项目之一。
电信
在电信行业，供应商互连计费和服务级别协议 (SLA) 通常包含复杂的费率表，很少有系统能够大规模地准确读取这些费率表。即使是微小的误差，在运营商规模下也可能导致数亿美元的损失。
这些行业的模式是一致的。文档理解不准确并非技术上的不便。这是一个会悄然累积的损益问题。
权衡取舍：准确性与数据主权
除了准确性问题之外，受监管企业还面临着第二个特有的限制：人工智能处理的发生地点。
过去几年，大多数企业级人工智能推理堆栈已稳步迁移到受控的客户环境——虚拟私有云 (VPC)。内部部署基础设施或主权云区域。模型、向量存储、编排层和可观测性现在与底层数据一样，都处于相同的治理控制之下。文档解析一直是个被迫的例外。
历史上，最准确的文档处理选项只能通过 SaaS API 提供，这使得受监管的客户不得不在准确性和主权之间做出选择：
将企业中最敏感的文档路由到第三方 API 以提高准确性，或者
将数据保留在企业边界内，并接受在最重要的工作流程中存在明显的准确性差距。
合规、法律和风险团队长期以来一直将这两种选择视为妥协方案。因此，许多组织一直在努力平衡两个同等重要的优先事项：既要确保业务关键型工作流程所需的准确性，又要对敏感数据的处理地点保持控制。
直到最近，还没有明确的途径可以同时实现这两个目标。
日趋成熟的企业文档智能类别
好消息是，这种权衡取舍正在逐渐消失。整个行业都在更加严格地评估文档智能系统，特别是针对那些历来难以处理传统解析方法的复杂表格和高度结构化的业务文档。
与此同时，新一代文档智能提供商正在使在客户可控的环境中实现高解析准确率成为可能。最近，Pulse 团队开源了 PulseBench-Tab，这是一个专门针对受监管企业实际运行的文档类型而构建的表格解析前沿基准测试工具。
该基准测试包含 1820 个人工标注的表格，这些表格取材于真实的财务文件、政府报告、公司披露和监管文件，涵盖 9 种语言和 4 种文字，其中许多表格包含合并或跨单元格以及复杂的结构，这些结构通常会使传统的解析系统失效。
重要的是，该基准测试引入了 T-LAG，这是一种统一的评分方法，可以同时衡量文本和结构的准确性。这确保了系统不会因为提取近似文本而暗中破坏表格结构，从而获得奖励。
该基准测试的结果表明，现在无需第三方 SaaS 端点即可实现文档解析的前沿准确率，从而为企业 AI 流程带来更高水平的可靠性。
九家供应商接受了独立且公开的评估，该方法受益于标普全球企业数据组织成员的学术贡献。在该基准测试中，Pulse 在所有 1820 个样本上实现了 0.9347 的 T-LAG 得分，显著领先于排名第二的供应商（0.8155）。
将文档智能引入企业级 AI 堆栈
这一进展开启了企业 AI 的新架构——文档智能与数据管道的其他部分在同一环境中运行。随着文档智能能够在受控的企业环境中部署，企业能够将文档处理纳入与 AI 堆栈其他部分相同的运营和治理边界。
结合 AI 驱动的湖仓式架构，这创建了一种更统一的结构化和非结构化数据管理方法，从数据摄取到推理，都实现了一致的安全性、血缘关系、可观测性和治理控制。
Pulse 等解决方案展示了这种架构在实践中的样子，使企业能够在无需将敏感数据移出企业环境的情况下解析和构建复杂文档。
最终形成了一个完全集成的管道，可以：
- 解析非结构化文档
- 将它们转换为结构化数据
- 嵌入并检索相关上下文
- 使用 AI 模型生成输出
所有操作均在同一受控环境中完成。
对于首席信息官 (CIO) 而言，这意味着在整个 AI 工作流程中建立统一的治理边界，而不是面对零散且互不连接的环境进行安全防护、审计和管理。
对于首席财务官而言，这可以将文档处理从一项经常性的外部服务成本转变为一项基于现有基础设施的内部能力，而该基础设施已支持更广泛的人工智能和数据计划。
更重要的是，它改变了企业应该将投资重点放在哪里。随着模型变得越来越容易获取，竞争优势正转向支撑这些模型的数据管道的质量、治理和可靠性。
这对受监管行业意味着什么？
对于在受监管行业制定 AI 战略的高管而言，文档智能的改进会对运营指标产生显著影响。
金融服务
金融服务团队可以将 10-K 分析和申报、基金管理记录、账簿处理、理赔计划和精算报告完全保留在其受监管的环境中，并且结构准确性足够高，下游代理可以放心地使用输出结果，从而减轻人工审核的压力和时间。
此前用于手动对账的人力可以重新分配到更高价值的分析工作中。
医疗保健
医疗机构可以将临床试验数据提取、实验室检测结果导入和福利说明 (EOB) 处理等文档密集型工作流程自动化，并整合到与结构化 PHI 相同的环境中。这显著降低了医疗数据运营中最大的成本支出之一，同时加快了收入周期和临床研究工作流程。
电信
电信运营商能够准确解读互联协议和计费结构，达到所需的详细程度，从而弥补以往隐藏在复杂费率表中的收入损失。
在每种情况下，改进的文档智能都会直接转化为可衡量的业务价值。
未来：主权 AI 技术栈
企业级 AI 的重心正在转移。随着模型能力的不断融合，持久的竞争优势正在向下转移一层，进入数据到推理的管道——具体而言，就是组织处理和管理非结构化数据的效率。
文档智能如今设定了准确性和投资回报率的上限。与此同时，在受监管的行业中，数据主权是不可妥协的：AI 必须在数据所在之处运行。这就是 Cloudera 的 “AI 和数据无处不在”的愿景的适用之处：在混合云和多云环境中部署 AI，保持数据原位，并实施一致的治理。
结合 Pulse，受监管的企业可以实现原生 AI，从而保护其上构建的每个工作流的准确性、控制力和底层投资回报率。这正是我们的客户一直渴望的自主 AI 堆栈，现在它触手可及。
