规模化AI应用需重构运营模式

尽管早期的AI试点和概念验证令人兴奋，但将实验转化为能产生投资回报的生产环境，对基础设施和技术领导者而言正变得愈发困难。

迄今为止，大量讨论聚焦于新模型的开发和性能，但领导者们忽视了一个同样重要的方面：生产就绪性。当AI项目遭遇混合云限制、数据环境碎片化、延迟要求或未针对智能体设计的审查流程等技术障碍时，往往会停滞不前。

从实验转向企业级部署，会暴露出无法仅靠新模型解决的新架构现实。

重新思考IT战略

在AI驱动的世界中，业务成功取决于企业如何编排、保护、扩展AI智能体并利用其推动业务影响。AI应用应从关键任务技术基础开始——包括AI就绪的基础设施、受治理的数据和嵌入式安全——并将其集成到现代平台和应用程序中。这项工作还意味着利用AI本身，尤其是智能体AI，来实现遗留系统和流程的现代化，而不仅仅是在其上叠加智能层。

希望最大化投资回报的企业，必须将AI集成到持续运行、安全且符合监管标准的实时系统中。对于依赖本地基础设施、私有云或公有云混合环境的企业，数据分散在多个系统中。若缺乏统一战略，AI将成为又一个障碍，而非有益能力。

领先组织正利用智能体AI加速这一现代化进程，自动化集成、改善数据流，并帮助重新架构遗留环境以实现扩展。但要成功扩展AI，它们必须承担起领导者不能忽视的流程：运营模式重构。

AI必须以与其他关键任务工作负载相同的纪律嵌入企业架构。智能体AI必须在系统运行时动态管理、优化和现代化系统。系统必须“永远在线”，抵御网络威胁，与现有IT服务管理流程集成，满足不断变化的合规要求，并高效扩展以保持运营和成本竞争力。治理也必须可操作化；当治理仅存在于政策文件中时，它就会失效。

治理必须系统化推进，包括生产部署前的明确审批流程、针对智能体的基于角色的访问控制，以及用于监控AI输出的运行时日志记录。策略即代码等方法有助于将治理直接构建到这些流程中，并确保一致地执行防护措施。

一旦AI开始影响决策、工作流程和客户互动，组织必须明确其输出的所有权、验证流程以及出现问题时的人工干预协议。

变革管理的时机

在各行业中，一个一致的模式正在显现：当组织试图将AI叠加到现有流程而不重新思考工作结构时，最初的自动化收益会迅速消退。效率提高了，但结构性瓶颈依然存在。决策所有权仍不明确，导致新的风险和结构性不确定性。

在与不同行业的企业领导者交流中，显而易见的是，在AI规模化竞赛中领先的公司正在重新设计工作流程，而不仅仅是优化它们。它们超越了任务自动化，重新考虑职能部门如何协作、如何分配责任，以及在人机并行的环境中如何衡量价值。

这就是组织变革管理成为核心技术学科的地方。要使AI在生产环境中可靠运行，团队必须重新定义角色。基础设施团队必须理解新的AI工作负载要求。安全团队必须适应提示注入和模型操纵等新威胁。业务领导者还必须与技术及非技术团队合作，明确人类判断在哪些环节凌驾于自动化输出之上，以及AI如何在整个企业中持续治理。

AI就绪最终归结为劳动力就绪——事实上，根据Kyndryl的数据，只有29%的领导者认为其员工队伍已准备好成功利用AI。当组织从零开始设计新的AI赋能工作方式时，它们会为员工配备与智能系统有效协作所需的技能。

随着这些能力的增长，员工越来越期望了解AI系统如何影响其工作和决策。对领导者而言，这意味着AI应用不能纯粹被视为自上而下的技术推广。与AI共同创造新工作方式的组织，将获得更强的采用率、更好的问责制和更持久的业务影响。

对于技术领导者，这意味着将AI转型的范围扩展到基础设施和控制之外。它要求同时协调人员、流程和技术的变革。在实践中，这意味着在组织内部“东西向”协作——连接业务职能以重新设计工作完成方式。

AI的工业化不能在垂直孤岛中实现，因为AI本身跨越职能。智能体AI驱动的现代化进一步加速了这一转变，要求组织重新思考系统和团队如何共同演进。成功将取决于企业能否重新设计自身以与之并行运作。