从年初的AI狂热，到如今AI的降温，以及AI的理性回归，都说明了一个道理：靠情绪调动起来的夸张和炒作，与落地现实之间，存在一个巨大的接受范围。
现在的大部分AI，在我看来更像是被关在一个黑盒中的薛定谔猫。它有可能啥都能干，也可能干啥啥不行。因此，一个AI可用、还是不可用，必须给出一个可行的判定标准。
由于AI幻觉的存在，使很多看似前景广阔的应用领域，变得并不确定可用，比如大部分医疗领域。但是仅依靠降低幻觉，并不能得出一个可用的标准。
于是，AI应用领域探索采用“AI信任度”（credibility）的概念，以期找到一个公允的AI可用性判别标准。
对于基于AI构建产品，或利用AI的SaaS公司，“信任度”并不是一场哲学辩论，或者是换个角度的抬杠，而是一项关键的业务要点，也是影响公司长期成功的关键。而那种跟风求快，在AI信任度上偷工减料的公司，必将为此付出高昂的代价。
回到现实中的AI，对于消费者来说，可接受的结果范围可能相当广泛。但在ToB世界中，一致性是最重要的。比如，你使用genAI确定公司的各项业务收入，分析某一客户应该支付的款项，在类似提示下，给出的数字都应该是一致的。
实际上，AI完全的“一致性”，只是一种理想状态。而“基本一致”或“趋向一致”，在很多场合下，也是一种可以接受的范围。
这种情况下，利用AI的信任度，就可以进一步量化可接受的范围或程度。
AI的信任度，由几个关键维度决定：
可靠性：
是客户选择你的AI产品的首要考虑因素。比如系统正确预期执行的概率，或输出准确性的概率。
可解释性：
黑盒模型虽然强大，但很难被信任，因为它们的推理是不透明的。比如，如果无法解释AI医疗诊断系统是如何得出结论的，那么谁也不会相信它。
因此，应该首选那些透明度高和可解释性强的模型，帮助解释复杂模型的决策。
公平性：
有偏见的AI，不仅会损害公司的声誉，还会导致法律和道德问题。比如，基于AI的法律科技公司，必须做到最大限度的公平，否则就会遇到大麻烦。
因此，必须确保训练数据质量，它们具有代表性且没有偏见。采用技术手段检测和减少AI偏见。
安全性：
外部恶意的攻击或诱导，可能会损害你的AI，从而产生不正确的或恶意的输出。
因此，非常有必要实施强大的安全措施，比如定期审核安全协议，修补模型的安全漏洞。
隐私性：
尊重用户信息隐私，并负责任地处理数据，是对提升AI信任度最大的支持。哪怕一次破坏，也足以让公司在顷刻间崩塌。
因此，有必要积极采用隐私保护技术，并建立和遵循基本道德准则。
归根结底，未来AI企业或AI SaaS企业之间的竞争，不仅取决于构建强大系统的能力，更取决于值得信赖的系统能力。
从行业角度看，随着不断变化的监管环境，AI信任度，有望成为AI系统选择和验收的关键指标。
而建立并提高AI信任度，必将获得长期回报。因为高信任度的AI服务，更有可能被客户所采用，也能提高客户的忠诚度，消除客户的不安心理，因而更能促进客户的持续使用，从而获得更高的LTV。
注：文/戴珂，文章来源：tobesaas，本文为作者独立观点，不代表亿邦动力立场。
文章来源：tobesaas
