这个周末刚好看到武艳军老师微信公众号分享的一篇文章，谈企业架构4A架构中再增加一个AI架构是极其不合理的。这个观点个人高度认同，实际企业架构发展了这么多年，从业务，数据，应用，技术四个维度展开是经过大量的项目实践和系统建设总结和抽象出来了，自然有其道理。武老师文章里面也专门提到了AI架构中的大模型应该融入到数据架构里面。任务模型算法也是数据。在这里我个人稍微有点保留意见，就是实际大模型算法应该是在应用架构中的平台层能力。当然对于4A架构的集成和协同，我在前面专门写过文章。我们常说的4A架构就是业务架构、数据架构、应用架构和技术架构，其实去理解4A架构的集成核心，你仍然要去参考企业架构这本书里面谈到的企业架构元模型。
大家看我今天这张图的时候也能够感觉到我其实这张图也是依托在企业架构元模型的基础上，只是做了一些调整和优化。
- 业务流程底层失败业务对象，业务对象转数据架构数据对象识别
但是我今天重点不是谈这个。而是想简单谈下在AI和大模型时代，对我们传统的企业架构和4A架构规划，究竟带来了哪些变化？所以为了更好的描述这个问题，我仍然准备从信息化，数字化到智能化三个关键的阶段来描述企业架构的描述和定义重点究竟在哪里。在信息化阶段，重点是业务流程驱动IT系统建设，最终业务流程落地到IT系统的功能点支撑，IT系统在执行过程中又产生和沉淀了持久化的数据。同时应用和数据最终落地到技术架构基础设施进行支撑。这个阶段是典型的流程驱动，人驱动系统，数据往往是流程执行后的附属品。虽然后数据可以专门走OLAP这条线进行辅助决策分析，但是数据本身并不直接支撑业务的运作。在数字化阶段，我们实际4A架构并没有太大的变化。但是增加了数据驱动业务这条关键的线。即数据不再是被动的位置。但是多个相关的数据发生管理和组合，往往就能够产生新的价值，即我们说的数据整合后可以形成新的应用或新的能力。类似数据中台的数据服务能力接口，这些新应用能够反向驱动业务，要么是这次老业务，要么是数据驱动产生新的业务运营模式。到了AI和大模型阶段，那么变成了模型驱动，但是并不是说在传统的4A架构上面增加了一个新的AI架构。AI架构的内容本身应该拆分到已有的4A架构里面。AI大模型部署所需要的算力资源要求本身属于底层的技术架构，而AI大模型技术底座应该属于应用架构。对于数据架构，最大的变化就是传统企业架构数据架构的概念要扩展，扩展到纳入更多的非结构化数据，多模态数据等。结构化数据+非结构数据才能为AI提供强大的底层知识支撑。而对于模型驱动本质是数据+算法驱动。数据来源于数据架构，而算法本身就应该在应用架构的AI平台层里面。通过算法+数据，结合底层大模型的能力，就可以衍生更多的类似AI智能体的新的应用形态。这些AI应用又可以满足新的业务场景。当我们把这个逻辑讲清楚后，大家更加容易理解为何企业的智能时代需要遵循信息化-》数字化-》智能化的发展演进路线。信息化阶段完成最基本的数据积累。数字化阶段基于数据的采集集成，加工处理实现基本的数据驱动业务能力；而到了智能化阶段，我们需要的不仅仅是数据，而是通过大模型能力将数据转换为了知识，知识是企业大量最佳实践的高度浓缩。数据本身不能产生智能，知识才能。大模型时代你优先要考虑的问题一定是如何结合我们的隐性经验将已有数据结合大模型能力转换为知识，有了知识才可能进一步衍生智能化能力。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
