公共部门规模化应用AI的三项实践经验

在 Snowflake Summit 的公共部门专题讨论中，多位机构负责人分享了 AI 从试点走向生产环境的实践。共同观点是，模型部署并不是起点，组织需要先完善数据基础、治理架构和跨部门协同，才能让 AI 产生与机构使命相匹配的实际成果。

佛罗里达大学在探索 AI 应用时发现，只有约 10% 至 15% 的数据完成了语义定义，导致 AI 生成的洞察不完整、可靠性不足。团队随后结合 NaviGator AI 和 Snowflake 组件，建立了可批量生成自然语言定义的流程。若完全依赖人工，相关工作预计需要 83 周。如今，学校已构建基础语义层，并推出运行在 Snowflake 上的对话式分析产品 Navigator Insights，通过 MCP 服务器提供 Cortex Analyst 和搜索能力，工作人员可以用自然语言分析影响学生的数据趋势。

这一案例表明，数据治理、安全性和互操作性不能等到 AI 项目上线后再补齐。数据质量问题不会被 AI 自动掩盖，反而可能被进一步放大，因此统一的数据定义和可管理的数据基础，是生产级应用的前置条件。

Leidos 首席数据与分析官 Alan Sim 表示，企业需要从相互孤立的一次性试点，转向面向整体业务的 AI 应用。Leidos 已将 AI 用于网络安全、退伍军人福利和物流，但当前难点不再是单纯搭建技术能力，而是争取组织支持，并让 AI 计划与管理层优先事项一致。面对不断增加的工具需求，团队开始先询问要解决什么问题，而不是直接选择工具；有些场景适合自动化或流程再造，并不一定需要智能体。OpenAI 政府业务负责人 Joe Larson 也指出，将前沿模型与机构自身的数据基础设施结合，才能形成更完整、架构更完善的系统。

公共部门还必须把 AI 项目与可衡量的使命成果绑定，而不能只看模型指标。通用动力任务系统曾处理数千份格式、布局和术语各异的供应商 PDF 文件，基于训练的方法未能解决一致性问题。团队改用 Snowflake Cortex AI 的零样本提示技术后，系统在近期投入生产时将准确率从 50% 提升至 85%。真正需要关注的是，这一变化是否改善了任务交付的速度、准确性和成本，而不只是模型本身的表现。

综合这些案例，AI 规模化落地可以归纳为三步：部署模型前先建立统一并受到治理的数据基础；扩大试点前先明确符合企业级要求的应用场景；评估投资回报前先确认项目能够推动机构使命目标。当前 AI 技术能力已相对成熟，公共部门下一步更需要检验自身的数据、治理和组织协同是否已经准备就绪。