据TechRadar于9月29日发布的文章，企业人工智能的竞争优势正在从模型本身转向围绕模型的系统。文章作者为Rackspace首席AI官，他认为企业日益关心的问题已不是“该用哪个模型”，而是“如何把AI变成可靠工作”。
过去几年，企业AI讨论由模型主导。每周都有新基准、新排行榜，或关于哪个模型更聪明的争论。许多组织依据模型性能的边际提升做技术决策，假设模型本身就是竞争优势的主要来源。文章认为，这一假设正迅速过时。基础模型持续改进的同时，能力也在趋同；与此同时，规模化部署AI的成本，比挤占基准性能的边际收益更令企业关切。因此，焦点正转向模型之外的一切：让AI在真实商业环境中变得有用、可治理且经济可行的系统。
文章将这一支撑体系称为harness。单个模型强大但不完整，要交付商业价值，它需要上下文、企业工具与数据访问、记忆、控制与护栏。这些元素共同构成脚手架，把通用模型转化为能执行有用工作的系统，并决定AI系统的效果。两个组织可能部署同一底层模型，却取得截然不同的结果：一个可能遭遇不一致、高成本和糟糕产出，另一个可能产生可靠、可衡量的业务价值。差异通常在模型周围的harness质量，而非模型本身。随着模型商品化，许多组织将获得相同领先AI能力，区别在于能否高效、安全地运营这些能力，从智能创造转向智能应用。
与harness相关的另一个概念是循环。许多组织仍把AI交互视为孤立的提示与响应，但企业工作很少如此运行。真实业务流程包含目标、验证、纠正和完成标准，循环定义的是受治理的工作单元。系统不只是生成答案，而是执行任务、对照目标验证进展、必要时纠正错误，并在结果达成时停止。这一区别影响巨大。当AI系统通过循环而非一次性提示运行，会产生运营轨迹和绩效记录。这些轨迹可用于评估结果、改进工作流、优化未来执行。随着时间推移，这会形成通过使用提高效果的学习系统，而不必持续人工干预。企业因此不再只部署孤立AI工具，而是在构建可重复的学习系统。
随着AI采用扩大，组织还面对另一现实：很少有单一harness。多数企业跨多个职能、业务单元和监管环境运营，每个领域可能需要不同工具、数据源、工作流和治理要求。为软件开发优化的harness，不太可能同样用于金融、医疗、客服或合规。这带来编排挑战。编排层充当企业AI的交通控制器，把任务路由到正确harness，决定何时需要人工监督，并协调跨多个系统的工作。组织不再把AI当作独立能力，而是通过编排将其作为企业级运营平台管理。这在受监管行业尤其重要，因为工作流常跨越组织边界并要求强问责。随着AI深入关键运营，编排将成为定义性的架构要求，而非技术事后考虑。
如果编排决定工作去哪里，治理决定工作能否安全发生，保证则决定能否信任工作按预期完成。文章称，许多组织最初把AI治理与保证视为合规工作，而非核心运营要求。有效的治理与保证涵盖政策执行等内容。