Virtualitics 用 OpenAI 把政府 AI 做硬

我拆 Virtualitics 跟 OpenAI 的合作，重點不是模型，而是怎麼把 frontier model 塞進政府可審、可控、可部署的 agent 架構。

我盯政府 AI vendor 這套玩法很久了，越看越火大。大家嘴上都說自己在做 mission-ready 系統，實際上很多產品就是一個 demo 外面包了徽章。模型很會講，workflow 很空；輸出很漂亮，控制很薄。你一問誰能批准、錯了怎麼辦、上高安全網路會怎樣，答案就開始飄。這種東西拿去賣政府，我真的覺得有點在唬爛。

所以這次 Virtualitics 跟 OpenAI 的合作，Nextgov/FCW 的報導一出來，我反而覺得它很誠實。它沒有假裝「換上更強模型」就能解決一切，而是直接把重點放在：模型只是零件，真正在賣的是 wrapper、guardrails、資料脈絡、部署路徑，還有讓政府買家敢點頭的信任故事。

他們賣的不是模型，是政府敢簽字的版本

“This partnership with OpenAI is taking their frontier reasoning models and installing them into the AI agents we’re building.”

這句是 Virtualitics CPO Aakash Indurkhya 說的，重點其實很直白：他們不是要拿 OpenAI 來取代自己的平台，而是把 frontier reasoning model 塞進既有的 agent stack 裡。

翻譯一下就是，OpenAI 不是產品本體，它只是推理層的零件。真正值錢的是 Virtualitics 已經有的工作流、客戶關係、領域知識，還有那套能讓政府客戶放心的交付方式。這跟很多 AI 新創一上來就喊「我們有最強模型」完全不是一回事。

我之前跟一些做公共部門分析工具的團隊聊過，他們常卡在一個很尷尬的位置：系統能吐出很有用的洞察，但客戶下一句就是「那我能不能拿它進正式流程？」這時候很多 vendor 就開始閃躲，因為他們只會生成，不會把生成結果變成可操作的決策。

Virtualitics 這次比較像是先有一個能被採購、被審核、被維運的系統，再把 OpenAI 當成更強的 reasoning engine 補進去。這種順序比較對。不是先追模型名氣，而是先把決策鏈條講清楚。

實操寫法很簡單：如果你在做政府或受監管市場，別先講模型品牌。先講 decision path。模型在哪一段進來、能碰什麼資料、不能碰什麼、誰能 override、錯了怎麼停。你講不清楚這條鏈，產品就還不夠硬。

“Best-of-breed” 這句話，前提是你真的把髒活做完了

Michael Amori said the partnership “lets us pair our readiness expertise with best-of-breed models, while maintaining the trust, transparency and rigor our customers require.”

我對「best-of-breed」這種話一向很感冒。很多人講這句只是想顯得很懂，實際上什麼都沒說。但放在這裡，它其實有具體意思：Virtualitics 承認 model 本身不是產品，產品是 readiness expertise、治理、輸出品質的組合。

也就是說，他們賭的是自己已經有 domain layer。對國防或受監管產業來說，domain layer 才是重點。一般模型可以寫得像樣，但它不會自己知道哪個維修風險該優先、哪個資源配置可接受、哪個建議應該給指揮官、哪個只該給 planner 看。

我看過不少團隊，花幾個月想讓通用模型「理解」專業場景，結果根本走錯方向。真正有效的是把環境包起來：整理過的資料、政策限制、角色權限、audit trail、還有工作流專用的 prompts 或 tools。這些東西很無聊，但很有用。

Virtualitics 講 transparency 和 rigor，我聽到的不是漂亮話，而是他們知道政府買家問的不是「它會不會做」，而是「我以後能不能交代」。這才是公共部門 AI 的核心問題。

• 把 source data 顯示出來。
• 把 reasoning inputs 或 decision basis 顯示出來。
• 把誰批准了 action 留下來。
• 把 low confidence 時系統怎麼反應寫清楚。

實操寫法：如果你要賣 AI 給政府，先把 narrative 從 intelligence 改成 auditability。聽起來不性感，但 procurement、legal、security 真正在乎的就是這個。你不能 trace、不能 constrain、不能 review，最後只會卡在 pilot 地獄。

預測維修是 AI 從嘴砲變成工作流的地方

Virtualitics said its platform is used by the U.S. Marine Corps for predictive maintenance and assessing risk around machine components breaking, tying those data sets to resourcing.

這段是整篇最落地的地方，我也最信這段。predictive maintenance 不是 vibes-based demo，它有輸入、有故障模式、有後果。零件壞了就是有人得決定要不要延後、要不要換、要不要重分資源，這是很真實的工作流。

翻譯一下就是，OpenAI 的模型在這裡不是 source of truth，它只是幫既有系統把已經有的資料想得更好。模型負責推理，平台負責把推理接到實際操作上。

我做過不少 analytics 產品，最常看到的情況就是：平常大家對 AI 沒興趣，直到你把模型輸出跟 dollars、readiness、downtime 接起來，老闆眼睛才會亮。因為這時候它不是玩具了，是預算問題。

但這裡也有坑。預測維修要能用，前提是 data plumbing 不能爛。維修紀錄亂、資產資料不一致、情境資料缺一堆，模型就只會變成一個很有自信的錯誤翻譯機。

所以真正該學的不是「把 OpenAI 接進維修系統」，而是「把 frontier reasoning 包在成熟資料管線和真實 operational decision 外面」。這才是能從 pilot 走到續約的差別。

實操寫法：先挑一個有明確後果的 workflow，像維修、案件分流、補助審核、排程、詐欺偵測都行。然後定義使用者到底在做哪個決策。模型只該輔助這個決策，不要妄想整個流程都被 AI 取代。

安全等級不是附錄，是產品路線圖本身

Existing Virtualitics customers will have access to OpenAI’s capabilities as they become available to government customers at increasingly higher security networks.

這句話很關鍵，因為它直接告訴我：這次合作的核心其實是 deployment maturity。所謂 higher security networks 不是裝飾詞，它代表系統能放哪裡、看得到哪些資料、要經過哪些批准，全部都是 adoption gate。

翻譯一下就是，這不是把 frontier model 丟進去就結束。你得一層一層過安全邊界，每過一層，能做的事都會變。

我看過太多 vendor 在這裡翻車。先做一個很漂亮的 cloud demo，等客戶問 enclave、authority to operate、data handling、network segmentation，整個產品團隊就開始裝作 compliance 是旁支任務。不是，compliance 就是產品。

文章也提到 OpenAI 已經透過 Pentagon contracts、OneGov discounts、USAi platform 進入 public sector buying conversation。這很重要，因為它代表這次合作不是在真空裡發生。OpenAI 本來就已經在聯邦採購語境裡了，Virtualitics 只是把它包進自己的 domain-specific offering。

• 先畫出你的 deployment tiers。
• 每一層能支援哪些 model capabilities 要寫死。
• 每一層可碰哪些資料、記錄什麼 log、誰能 override 都要列清楚。
• 不要承諾只有單一環境才能跑的能力。

實操寫法：在產品文件裡直接做一張 security-tier matrix。每個 tier 寫 feature、data access、logging、human approval point、model limitation。這張表很土，但它能救你很多次 sales call。

政府買家要的是脈絡，不是漂亮答案

OpenAI’s Andrew Keene said, “Our collaboration with Virtualitics allows for richer, context-specific results supporting effective use of AI where readiness and accuracy matter most.”

這句我反而覺得少見地正常。沒有那種大詞亂飛，重點很清楚：richer、context-specific results。這就是問題核心。frontier model 很廣，但政府 use case 很窄，沒有 context，輸出再像樣也只是表面工整。

翻譯一下就是，context 才是差異點。模型負責 reasoning，平台負責 mission data、workflow constraints、user framing。這也是為什麼這種合作一直會出現：模型公司拿到真實工作流的分發，平台公司拿到更強的推理能力，不用自己從零造一個 frontier model。

我一直覺得很多 AI 文案都太懶。大家愛講「我們的模型懂你的 business」，其實很多時候只是把幾份文件餵進去而已。政府買家沒那麼好騙，他們要的是 mission priorities、data provenance、operational consequences 這些東西有沒有被真的吃進系統。

還有一個細節很重要：context-specific 的答案通常比 generic answer 更安全。generic answer 很會講，但也很容易講錯；context-aware answer 可能比較窄，卻更可操作。對政府來說，這通常是比較好的交換。

實操寫法：不要叫模型自己「變聰明」。先把它需要的 mission context 餵好，像 structured data、policy docs、role context、operational constraints。然後看輸出是不是能被使用者解釋。解釋不了，信任就起不來。

這案子其實在講市場怎麼分工

Virtualitics is the latest company to partner with a frontier AI firm to enhance its existing software suite.

這句話把整個市場趨勢講得很清楚。前沿模型公司往政府裡擠，domain vendor 去找它們合作，而真正的產品越來越像是 general reasoning 跟 mission-specific workflow 中間那層 integration。

翻譯一下就是，未來不會是誰的模型名氣最大誰就贏。會贏的是那些能回答四個很煩人的問題，而且回答得不閃躲：模型跑在哪裡、能看什麼資料、誰能推翻它、怎麼證明它有照規矩做。

我知道這聽起來很 boring，但政府採購本來就很 boring。boring 的意思是有文件、有支援、有審核痕跡，系統可以過 review，不會每次都靠大家假裝風險不存在。

Virtualitics 顯然懂這件事。它沒有假裝 OpenAI 會單獨解決問題，而是試著把 frontier reasoning、既有平台、現成政府客戶、信任關係一起打包。這比單純在首頁貼一個 model logo 認真太多了。

實操寫法：如果你是 vendor，別再賣「AI」這個空泛字眼。你要賣的是 operational outcome、治理模型、部署路徑三件事綁在一起。你如果是 buyer，就要求對方拿 integration story，不要只拿 marketing story。真相通常藏在前者，不在後者。

可抄的模板

# 政府 AI 合作說明模板

## 我們在組合什麼
我們把 frontier model provider 跟一個已經服務受監管或 mission-critical 客戶的 domain platform 組在一起。

## 為什麼這件事有用
模型補強 reasoning 和 generation。
平台提供 workflow context、治理機制、操作控制。

## 客戶會拿到什麼
- 跟 mission data 綁定的 context-aware 輸出
- 角色權限與 approval workflow
- audit trail 與 traceability
- 對應安全需求的部署選項

## 先從哪裡開始
先挑一個有明確 operational consequence 的 workflow：
- predictive maintenance
- case triage
- risk scoring
- scheduling
- resource allocation

## 我們不承諾什麼
- 不宣稱模型可以取代 human approval
- 不宣稱同一個 feature 在所有環境都能跑
- 不宣稱 generic model quality 就夠了，不需要 domain controls

## Security-tier matrix
| 環境 | 可用能力 | 資料存取 | Logging | Human override |
|---|---|---|---|---|
| Low sensitivity | Basic reasoning, summarization | Limited | Standard | Required |
| Moderate sensitivity | Retrieval + workflow actions | Scoped | Enhanced | Required |
| High sensitivity | Restricted model set | Strictly scoped | Full audit | Mandatory |

## 對買家講的話
我們不是在賣 model。我們是在賣一個受治理的 decision system，讓 frontier reasoning 在 mission-specific workflow 裡運作。

## launch 前要回答的問題
1. 模型到底在支援哪個決策？
2. 它用哪些資料來源？
3. 誰可以批准或推翻結果？
4. 之後怎麼 audit output？
5. 哪些 security tier 支援這個功能？

## 一句話版本
我們把 frontier reasoning 放進有治理、有審核、有部署邊界的工作流，而不是把模型當成整個產品。

這份模板是我根據 Virtualitics 這個案例整理出來的可抄版本，不是他們內部文件。原始報導來自 Nextgov/FCW；公司與產品背景可看 Virtualitics 和 OpenAI。我寫的拆解是原創，模板是衍生整理，但你可以直接拿去改成自己的版本。