IBM：企業級AI落地是場馬拉松，破局關鍵在“最後一公里”集成
編者按：生成式AI的狂飆正快速重構企業業務想象力，這是既定趨勢，但卻並非易事。時至今日，除了最淺層的助理功能，AI該如何深度嵌入業務流程，在最核心的場景發揮作用，依然沒有一條通用路徑。近期，21世紀經濟報道記者就企業級AI應用話題，相繼採訪了IBM、微軟、Gartner中國區相關負責人，試圖探尋企業AI應用的關鍵點，如何發揮業務數據的真實價值，讓AI真正觸及業務核心、驅動價值創造。
21世紀經濟報道記者孔海麗 北京報道
“AI 實驗的時代已經結束。企業競爭優勢取決於量身定製的AI應用和可量化的業務成果。”這是IBM董事長兼首席執行官 Arvind Krishna近期在微軟Think大會的開場詞，也是市場的共同認知。
日前，IBM大中華區技術銷售總經理、首席技術官翟峰在與包括21世紀經濟報道記者的訪談中表示，AI嘗試階段過去了，接下來最重要的是，它開始慢慢進入到企業最核心的場景、最核心的業務領域，幫助企業實現降本增效的終極目標。
企業級AI進入落地期
當前，AI技術已從實驗室走向產業核心戰場。據IBM商業價值研究院（IBV）最新全球CEO調研報告，未來兩年企業對AI技術的投資將翻兩倍以上，超半數CEO正積極部署AI智能體（AI Agent）。然而大規模投資伴隨的是技術碎片化——僅有25%的AI項目實現預期投資回報率。
“互聯網談到AI有時被神化或妖魔化了。在企業級AI落地過程中，一定是一步一步來的過程。這是一個轉折點，尤其在現在生成式AI、大模型越來越多之後，很多企業都在做嘗試。”翟峰指出，對於企業來講，AI能力如何融入IT自動化與業務流程重塑，這件事情變得越來越重要。
以製造業爲例，當前AI應用多集中在研發端，比如知識庫、代碼生成和服務端如智能客服等，但在生產製造等核心環節的價值釋放，仍顯不足。
更嚴峻的是技術環境的複雜性。IBM預測，到2028年全球新增應用將超10億個，碎片化IT環境成爲增長阻力。IBM大中華區科技事業部自動化資深技術專家張誠揭示現狀：“中等規模企業平均運行上千個應用，涉及多個異構系統，接口標準千差萬別。”當AI智能體需要調度這些系統執行任務時，“最後一公里”的集成成爲最大瓶頸。
翟峰表示，企業級AI落地最重要的因素在於數據、專有垂直小模型和安全治理，在這些基礎上，再通過智能體發揮價值。
智能體正從對話工具到生產力引擎
破局的關鍵，在於AI智能體的進化。與傳統AI助手不同，智能體具備自主決策能力——它能理解指令、規劃路徑並執行復雜操作。IBM大中華區科技事業部數據與AI資深技術專家吳敏達演示了一個典型案例：銷售智能體可自主協調調研、CRM查詢、訂單生成等任務，通過多工具協作完成銷售預測全流程。
“智能體正從對話工具轉變爲生產力工具。”翟峰強調。IBM的案例可提供一些參考，其自行研發的人力資源智能體處理了94%的員工查詢，年節省成本超500萬美元；銷售智能體每週爲員工節省9小時；採購智能體將合同週期縮短70%。
智能體發揮威力的前提是打通企業“神經網絡”。IBM Think大會發布的watsonx Orchestrate平臺圍繞企業級AI智能體的痛點展開工作，提供無代碼/低代碼工具，可以幫助企業在五分鐘內構建起專業領域的AI Agent，實現了多智能體協同編排與性能監控，解決“開發容易運維難”問題。該平臺是開放生態，集成了Adobe、AWS、微軟等80餘個企業級應用，用戶無需擔心被單一供應商鎖定。
解決落地前的核心問題
要讓智能體真正“起飛”，還需解決兩大基礎問題。
就緒數據是非結構化數據的激活。企業90%的數據是非結構化文檔，但傳統檢索增強生成（RAG）準確率有限。Gartner的統計數據顯示，到2026年，那些沒有通過AI就緒數據實踐來啓用和支持其AI用例的組織，其超過60%的AI項目會因爲無法滿足業務SLA而被放棄。
據吳敏達介紹，IBM的方法論是通過“實體-值提取”技術，在向量化前解析文檔關鍵信息，使準確率提升40%。並且通過統一語義層，將結構化和非結構化數據治理融合，爲智能體提供高質量“燃料”。
自動化則是智能體的執行骨架。“當智能體需要觸發SAP系統更新或向供應商發送EDI文件時，集成能力決定成敗。”張誠表示。IBM去年收購的WebMethods技術已融入Hybrid Integration平臺，實現跨雲應用調度。
智能體規模化部署後的運維挑戰在於平臺自動化。IBM通過Instana實現全鏈路監控，Concert進行AI驅動的根因分析，HashiCorp完成基礎設施彈性伸縮，形成運維閉環。
面對AI大模型的狂熱，IBM也強調了理性主張。
“企業不需要全知全能的龐大模型，而是靈活、安全、高效的中小模型。”翟峰強調。最新開源的Granite 3.2模型參數不足10M，但能在金融預測、庫存規劃等場景精準發力。這種“小而美”原則也是IBM對AI智能體落地路徑的觀點，他們建議剛開始接觸智能體的客戶從低複雜度或低準確率要求的場景入手，逐步過渡到高複雜度和高準確率的場景。