Microsoft发现与量子副总裁David Carmona探讨了AI在研发领域的变革潜力。他认为真正的价值不在于增量效率提升，而在于推动全新科学发现和跨行业突破。AI正在重塑端到端研发工作流程，从假设生成、模拟协调到规模化实验。Carmona提出四项建议：制定综合战略以平衡短期AI应用与长期突破性发现；全员拥抱AI而非集中在卓越中心；民主化AI工具让每位研发人员都能使用；建立集中治理机制。在受监管环境中，信任是AI采用的关键门槛——可解释性、可追溯性和人类在环治理是基础。
Ylan Kazi是北达科他州蓝十字蓝盾的首席数据与AI官，他在本期节目中分享医疗保健AI的风险与回报平衡之道。他指出受监管行业在采用AI时面临独特挑战，过度规避风险可能适得其反，因为延误采用同样带来机会成本。他强调应将AI风险与日常风险（如驾驶）类比，通过治理与护栏而非过度约束来推进创新。成功采用需要跨职能团队（法律、财务、前线员工、构建者共同参与），从低风险用例开始实验，逐步建立标准化流程，最终改善患者体验。
本期节目邀请了南加州大学的Daniel Lidar教授和Quantum Elements公司CEO Izhar Medalsy，共同探讨量子计算为何正在成为企业战略的重要组成部分。嘉宾们深入浅出地解释了量子比特、量子模拟等核心概念，并分享了量子计算在多个领域的实际应用：利用量子模拟进行高精度材料与药物设计、优化金融投资组合组合，以及部署后量子加密技术保护数据中心安全。这期节目旨在帮助企业管理者理解量子技术的真实价值与落地场景，区分炒作与实际潜力。
本期节目邀请到 Prudential Insurance 副总裁 Nina Edwards，探讨企业如何安全有效地采用 AI。她分享了平衡创新与合规的策略，包括缓解版权和数据风险、以及大规模构建防御性 AI 实践。节目还涵盖了多项实用工作流改进：创建可观测的沙盒环境、采用红绿灯治理框架、以及实施结构化授权方案。Nina 解释了这些措施如何降低风险、提升实验信心，并在业务和营销部门带来可衡量的投资回报。
本期节目邀请了Accurate公司北美首席精算师Thomas Holmes，探讨保险公司如何将AI模型从实验阶段推进到企业级部署。Accurate为全球40多个国家的300多家非寿险公司提供定价和准备金软件平台。Holmes指出，监管机构与公司内部利益相关者实际上追求相同目标——理解模型的运作方式、原因以及确保其正确执行，因此建立"翻译层"变得尤为重要，即把精算模型转化为IT系统可执行的格式，以及领导层可理解的表述。在高风险领域如保险定价，AI的成功不在于 sophistication（复杂程度)，而在于稳定性和可解释性，因为无法解释的费率调整会导致客户流失。Holmes强调应建立"单一事实来源"，让精算定价逻辑在整个流程中保持一致，避免因多次转手而产生的错误和重复工作。此外，他建议采用基于行业经验的"Opinionated Framework"（规范化框架），为AI应用设置明确的护栏和治理流程。至于自建与采购的权衡，应聚焦于那些能带来真正竞争优势的专有能力，而非重复开发市场已有解决方案。
本期节目邀请到Amgen全球数字健康技术创新负责人Emma Vitalini，探讨AI赋能的分散式临床试验技术如何重塑患者招募、知情同意与研究执行。Emma指出，当前临床试验面临招募延迟、多样性差距和全球可扩展性等核心挑战，而AI技术能够从非结构化患者数据中快速筛选有效信息，通过可穿戴设备与远程监控降低筛选失败率，并帮助识别最具潜力的试验点。数字孪生作为前沿方向，已被EMA和FDA指南推荐用于剂量建模与减少患者群体规模。Emma建议领导者从小规模低风险高价值用例起步，尽早让合规与法务团队参与，并通过准确性、返工减少和运营时间节省来衡量AI项目的实际成效。
本期嘉宾是UJet CEO Vasily Triant，探讨呼叫中心从被动服务向主动数据驱动体验的转型。绝大多数呼叫中心仍然是被动响应模式——只有在客户报告问题后才行动，这不仅消耗资源、延长解决时间，还导致客户不满。企业逐渐意识到客户生命周期价值比呼叫中心成本更重要，因此主动服务变得日益关键。数据是驱动这些体验的核心，但数据孤岛仍是主要障碍。Triant指出，在这场转型中，最重要的角色是客服副总裁或首席客户官，而非AI本身——AI只是整个技术栈的一部分，无法单独完成转变。AI的最高ROI来自简化客服流程，增强人类判断力，而非取代人工。AI如同"同理心的眼镜"，增强而非替代人类决策，最终将呼叫中心从成本中心转变为战略客户枢纽。
贝尔梅德是一家为医疗机构提供灭菌和感染控制解决方案的公司。本期节目中，区域服务总监 Rommel Ong 分享了 AI 在现场服务领域的应用。当前行业最大挑战是技术人员短缺，同时技术不断更新也增加了培训难度。该公司通过 Teams 等聊天系统捕获"部落知识"，让技术人员的问题解决方案得以积累和检索。为提升客户满意度，他们采用 Net Promoter Score 调查收集真实反馈，并逐步部署远程监控和预测性分析技术，使工程师能够提前诊断设备问题，减少现场拜访次数。招聘方面，如今技术岗位需要 50% 客户服务能力与 50% 技术能力并重。
本期节目对话了 Akur8 的 Thomas Holmes，探讨保险定价现代化。Excel 表面透明灵活，实则不透明且缺乏灵活性。AI 在精算领域面临质疑，通用算法难以处理保险特有的复杂数据和现实考量。Thomas 指出，现代化需要"有观点的 AI 框架"，设置防护栏而非完全放手。许多保险公司盲目追随潮流，缺乏清晰问题定义导致失败。正确做法是增量式现代化，先取得小规模胜利，同时确保数据基础稳固——AI 是输入输出机器，数据正确才能发挥价值。无须推翻现有流程，保留有效部分，围绕它创新即可。
根据 MIT 研究，约 75% 至 95% 的企业 AI 试点项目在生产环境中失败，症结不在于数据本身，而在于缺乏将数据与业务逻辑连接的"上下文"。Atlan 调研揭示了三大上下文缺口：数据发现（CIO 不知道数据在哪）、业务含义（LLM 需要理解企业特定定义，如"TAM"指"总可寻址市场"而非互联网定义）、数据治理（控制 AI 应用对薪资等敏感数据的访问）。解决方案是构建"上下文层"，它不同于传统语义层，需要动态变化并嵌入反馈循环，使每次人机交互都能将上下文编码回系统。关键洞察是：AI 时代需要业务人员担任"上下文工程师"，因为领域专业知识在业务而非 IT 部门。ROI 案例显示，Workday 通过上下文层将 AI 准确性提升超过 5 倍，Virgin Media O2 成功上线 6000 名员工并获得超过 100 万次平台浏览。实施路径是从具体用例入手，围绕用例构建可复用的上下文，而非做成多年期的治理项目。