“AI 实验的时代已经结束。”在2025年Think大会的开场致辞中，IBM董事长兼首席执行官Arvind Krishna抛出这一句有力的宣言。这不仅是对企业AI发展阶段的判断，也昭示了AI技术从试验走向核心业务重构的新起点。
这一转折点由两大因素驱动：一是技术的持续进步推动AI更容易、更高效地落地；二是企业的现实需求——降本增效——推动AI真正服务于核心业务流程。从“试验AI”到“重塑业务”，企业要实现的是深层次的创新，而非浅层次的工具替代。
“互联网谈到AI有时候被神化或者妖魔化了，但是在企业级AI落地过程中一定是一步一步来的过程。”IBM大中华区技术销售总经理、首席技术官翟峰在接受笔者的采访时表示，企业级AI的发展正处于一个关键转折点——过去，企业更多聚焦在搭建知识库、开发智能助手或客服这类场景，但随着技术能力的成熟，AI正在从边缘逐步渗透到企业核心业务流程，企业面临真正的挑战是，如何将AI深度嵌入到生产、制造这些企业运营的核心区域，从而实现业务自动化甚至流程重塑。
IBM大中华区技术销售总经理、首席技术官翟峰
在这一过程中，企业级AI落地的关键要素逐渐清晰。IBM一贯的观点，企业级AI落地最重要的因素是数据，这是核心生产力，没有数据一切都是空谈。没有高质量的数据，AI再强大也无法提供有意义的输出。企业需要持续进行“灵魂三问”——是否拥有高质量的数据？是否真正用起来了？是否产生了应有的价值？
其次是模型。模型不在于大，而在于贴合场景。“小而美”的轻量模型与领域专家模型将成为主流。在一个企业内部，不同的业务领域需要多个小模型协同运行，多模态和多模型并存将是常态。
安全和治理能力同样至关重要。数据安全、模型安全、应用安全，以及在整个流程中如何进行有效监管，将成为AI在企业内部可信落地的基础。
与此同时，智能体（Agent）的角色日益凸显。一个优秀的智能体不仅能理解人的意图，制定行动计划，还必须具备执行能力。尤其在企业场景中，这意味着它必须能够打通系统、下达指令、联动业务流程。
“要让智能体真正发挥作用，背后的系统集成能力不可或缺。企业的信息系统高度碎片化，AI若要完成从理解到执行的闭环，就必须先解决底层系统的互联互通。在AI逐步深入企业流程的过程中，混合IT环境成为常态，数据和应用分布在云上、云下、边缘甚至设备端。”翟峰认为，必须借助混合云架构，通过简单统一的API接口将底层能力开放出来，让智能体可以真正“发号施令”、推动业务执行。
当越来越多的应用、智能体被开发，企业也越来愈需要快速交付、部署和上线，企业的基础架构的灵活度、敏捷度、自动化变得越来越重要。因此IBM强调一个新的观念，就是软件定义基础设施——以更自动化的方式管理复杂多变的算力、存储等资源，使基础架构能根据业务变化灵活扩展或收缩，从而实现真正的降本增效。
围绕数据、模型、安全治理和智能体这四个核心，IBM不仅致力于构建技术底座，也在加快推动智能体生态的发展。通过提供可即用、可定制的智能体模板，让企业快速上手、快速迭代，真正把AI能力转化为业务生产力。AI在企业级场景中的价值，正是通过这种从“底座到应用”的系统工程被一步步兑现出来的。
“构建”智能体不难，场景和数据是关键切入点
回顾人工智能的发展路径，当前的技术焦点正从传统的AI助手向更具自主能力的“AI智能体”演进。然而，AI助手与AI智能体之间存在本质差异：助手依赖于预先训练的数据模型，推理过程相对简单；而真正的智能体则具备在运行中根据实际环境自主做出决策的能力，推理更复杂、也更贴近“智能”的本质。
“构建一个高效的AI智能体，需整合三大核心能力：后端的企业级自动化能力，无论是API，还是MCP的方式；前端的对话让智能体能够自然地与用户交互；以及自主思考能力。”IBM大中华区科技事业部数据与人工智能资深技术专家吴敏达表示，只有将这三大要素融合，AI智能体才能真正落地并展现其实际价值。
IBM大中华区科技事业部数据与人工智能资深技术专家吴敏达
在生成式AI快速发展的背景下，企业构建一个“智能体”并不难，但要真正实现智能体的规模化部署与价值释放，却面临诸多挑战。
一方面，智能体技术生态碎片化。市面上存在大量开源框架和第三方工具，企业在实际部署中往往需要组合多种方案，导致系统集成复杂，尤其在与开放系统或外部接口对接时难度较高。
另一方面，智能体虽然理论上可应用于多个业务场景，但企业往往难以快速识别出高ROI的切入点。而一旦进入实际部署阶段，从开发、上线到运维优化，智能体的持续演进又对管理提出更高要求，类似AIOps的“AgentOps”机制仍在探索中。
针对这些痛点，IBM在2025年Think大会上正式发布了其智能体战略，提出四大核心举措：第一，智能体编排器，多智能体、多工具监控器等，有助于执行复杂的任务；第二，开放生态整合，对技术演进加速的趋势，IBM致力于打造一个可持续、可拓展的智能体生态，支持快速集成开源能力，并提供智能体的预构建模型，提升落地效率；第三，IBM平台支持无代码、低代码及专业代码多种方式构建智能体，帮助不同背景的用户参与其中。同时支持从无代码向代码模式的转换，提升灵活性与可扩展性；第四，AI智能体运维，发现、管理、监控和优化AI智能体。
此外，IBM还首次发布了三类面向企业业务场景的预构建智能体，涵盖人力资源、销售和采购领域。其中，人力资源智能体已正式上线，销售和采购智能体将于6月开放使用。
“国内客户使用的时候，可以把这些智能体作为模板，根据自己实际的需求调整它，快速建构企业自身的智能体。”吴敏达说。
随着AI智能体的发展，企业对于数据的要求会越来越迫切。Gartner的统计数据显示，到 2026 年，那些没有通过AI 就绪数据实践来启用和支持其 AI 用例的组织，其超过 60% 的 AI 项目会因为无法满足业务 SLA 并被放弃。
其中还有一个很重要的点在于企业内部的数据有90%的是非结构化的，为此，IBM将非结构化数据的处理能力作为watsonx.data平台升级的重点，推动数据资产的全面利用。
从IBM watsonx.data的产品逻辑架构来看，整体设计分为五个层次：在底层与所有watsonx系列产品一致，支持跨多云、本地的灵活部署，适应不同企业的IT环境；存储层以对象存储为主，支持主流云厂商的对象存储，同时兼容本地化部署；开源数据格式层，无论是表格数据还是文档、日志、图片等，平台都能统一接入，并通过统一元数据系统进行管理与治理。这是目前行业中极具挑战的一环，也是IBM重点攻坚的技术难点；在数据引擎层，多样化处理引擎支持，从早期支持的Presto、Spark、Db2 Warehouse，扩展到向量数据库Milvus、新收购的DataStax等多种引擎，一份数据支持多种查询方式，实现灵活访问；在统一元数据治理层，新增集成数据经纬，通过统一元数据治理生成语义理解能力。用户可基于自然语言提问。
吴敏达认为，watsonx.data能够使企业解锁非结构化企业数据中的关键业务信息。例如，支持多种文档源接入：包括用户上传文档，也支持连接企业常见的文档库，如Box、SharePoint、FileNet等。
值得一提的是，IBM的watsonx.data在RAG（检索增强生成）方案中的独特优化相比传统RAG流程，准确率提升40%。“在文档向量化前，通过watsonx.data integration模块先提取实体（Entity）和值（Value），再进行向量化处理，在大模型查询时，除了返回相似向量片段，还能额外提供相关的实体和值信息，通过实体和值的辅助使得我的准确率提高。”
watsonx.data integration是全方位数据集成的工具，不仅兼容传统结构化数据的处理工具（如DataStage、CDC、Data Replication等），还集成了StreamSets（流处理）与Databand（可观测性）等能力。更重要的是，它将非结构化数据的处理正式纳入统一平台，支持多源异构数据的整合，帮助企业完成从“原材料”到“可用数据”的第一步转化。
在数据提取完放到watsonx.data后，watsonx.data intelligence负责的是把数据落地完以后，有统一的数据治理的能力，通过构建语义层、数据血缘分析与权限管理，为AI问答、BI报表等上层应用提供准确、可控的数据支撑。无论用户是通过自然语言查询一个RAG知识库，还是通过传统的SQL查询报表，watsonx.data intelligence都能确保其背后基于同一数据逻辑和权限模型，保障数据使用的一致性与合规性。
整体来看，这三大产品各司其职、相互协同，构建起一个面向AI时代的数据底座：watsonx.data integration负责集成；watsonx.data相当于数据仓库；watsonx.data intelligence产生相关的语义层，打通AI和BI（business intelligence，商业智能）。借助这一完整的数据治理闭环，企业不仅能提升非结构化数据的使用效率，更能真正释放数据资产在AI与BI场景下的最大价值。
AI+自动化，实现智能体的高效执行和运营
当前企业面临的现实状况是：平均拥有上千个应用系统，存在时间长短不一、技术架构各异。企业的IT环境越发复杂，技术栈不再是单一的，而是一个“越来越多、越来越杂”的生态。而当企业试图构建AI智能体，真正让其“动起来”，即从理解、分析走向执行，问题随之而来：怎么打通现有系统？怎么落地执行？这一步是AI在企业中能否产生实际业务价值的关键步骤。
“如果让AI一个个去学这些交互、熟悉这些接口，那训练和部署成本是巨大的。”IBM大中华区科技事业部自动化资深技术专家张诚表示，IBM并不否认Agent的潜力，但真正实现Agent的高效执行，首先要解决的是企业已有系统的深度集成问题——这不是“AI自己解决自己的问题”，而是AI要借助一整套集成能力与系统打交道。
IBM大中华区科技事业部自动化资深技术专家张诚
为此，IBM在本次大会上推出了“IBM Hybrid Integration”平台。这一平台的底层逻辑是，“AI是大脑，但要真正干活，需要有触手，这些触手就是集成能力。”这套能力既覆盖云上的SaaS服务，如SAP、ServiceNow、Workday，也能深入传统本地系统，甚至连接到工控层，如SCADA、OPC、Modbus等工业协议系统。
IBM在本地集成方面有多年深厚积累，这次通过收购在云端集成领域经验丰富的webMethods，使得“云上云下打通”的能力得以进一步提升。最终，这个平台的目标是帮助企业构建一个具有业务敏捷性与灵活性的智能中枢——通过AI赋能的集成，让AI不仅能思考，还能行动。
与此同时，在企业大规模部署AI Agent的过程中，实现多Agent链路的可视化与可控运维，成为一个必须解决的现实问题。AI Agent本质上是一个应用，它在执行任务时往往要调用其他系统的操作，这就形成了一条复杂的链路。而当企业内部可能同时运行数百个Agent时，任何一个环节出错都可能影响整个任务的稳定性和准确性。
实际中，Agent可能遇到的故障层出不穷：如网络波动导致连接中断、Java程序内存溢出引发应用宕机、数据库日志报错、底层服务器CPU或磁盘资源耗尽等。这些问题跨越了应用层、数据层、网络层和硬件层。要保障Agent链路的稳定，关键在于实现全链路、全栈的监控与智能诊断能力。
IBM通过旗下一系列IT自动化产品，构建了一个贯穿底层到应用的智能运维体系：SevOne 专注于底层网络监控，能够采集并分析网络性能数据，快速识别网络相关问题；Instana 提供对应用的全量数据分析，区别于传统采样方式，确保每一次调用、每一条链路都被完整记录，便于问题溯源；Concert 作为统一的AI运维平台，聚合网络、应用、数据库、安全等各类错误信息，辅以AI能力进行根因分析、故障定位与自动修复建议。
这一整套体系不仅能够实时发现Agent链路中的问题，还能通过AI辅助的方式提供修复建议，比如系统补丁升级、安全漏洞修复、证书更新等运维动作。
另外，当企业部署AI客服后，遇到“响应变慢”的情况，表面上是客户体验问题，本质上却往往是底层资源不足或管理不当所致。
这时，关键的应对策略就是自动化的弹性资源管理。也就是说，当AI系统识别到资源紧张时，能够自动申请更多资源，实现弹性伸缩，确保AI客服性能稳定。同时，在系统负载降低后，能够自动释放多余资源，避免无谓的资源占用与成本浪费。
“这一过程不仅要求基础设施具备弹性调度能力，更要求调度动作合规、安全、可控。包括自动部署新应用、权限管控、操作审计、网络配置等，都需要有完整的自动化治理流程。”张诚说。
在这一场景下，IBM强调以AI为核心的IT自动化能力。例如，刚刚收购并整合为旗下子品牌的 HashiCorp，就是IBM在这一领域的重要布局。HashiCorp旗下的开源产品如 Terraform、Vault和Consul等，在全球及中国企业中广泛使用，尤其在云原生、弹性计算等自动化管理领域形成行业影响力。
总结来看，IBM通过自身自动化软件体系，配合 HashiCorp 这一底层基础设施自动化平台，构建了一个从上到下的AI驱动自动化能力。IBM还强调平台的低代码、无代码特性，使得资源调整与自动化操作不再依赖专业运维团队，进一步降低了企业的技术门槛和人力成本。
在云资源支出平均有27%被浪费的当下，IBM希望通过AI+自动化，帮助企业从根源上找到并削减资源浪费，从而实现更高效、弹性的AI应用支撑体系。
让AI走进应用场景实践
在企业数字化转型的过程中，IBM大中华区科技事业部车库创新团队经理张珣用一个生动的比喻形容当前的挑战：就像在一辆高速行驶的汽车上换轮胎——企业既不能停下脚步，又要确保安全，还要追求更快、更稳的发展节奏。面对这种多重压力，IBM提出的转型路径并非一蹴而就，而是强调“小步快跑”的策略——在局部试点中积累经验，逐步构建智能运营的“数字底座”，最终实现创新驱动的转型升级。
以制造业为例，制造业的数字化转型，被视为“一把手工程”，必须覆盖从产品研发到客户服务的全生命周期。IBM依托watsonx平台与强大的IT和运营底座，正在推动制造企业实现“研产供销服”各环节的智能化升级。
IBM大中华区科技事业部车库创新团队经理张珣
在研发阶段，AI正成为产品原型和工艺设计的智能引擎。通过对大量CAD制造数据的训练，IBM watsonx可自动生成符合行业标准的设计草案，并持续优化模型直至达成性能和规范的最优解。
同时，借助工业数据库与AI算法融合，企业能快速评估材料与工艺的质量影响，减少试错成本。此外，结合IBM高性能计算平台LSF，企业可在虚拟环境中开展智能仿真测试，验证产品在多场景下的可靠性。研发知识库的构建也实现了企业内部的大规模知识共享。
在智能制造领域，生产环节聚焦于AI质量检测和预测性维护。通过IBM Maximo对设备进行实时监控，IBM watsonx分析历史与实时数据以提前发现潜在故障，助力企业提前干预、减少停机损失。
在供应链管理方面，IBM强调“决策智能”。借助运筹优化技术，企业可以实现人力、物资和财力资源的最优配置，提升系统整体效益。动态应对原材料波动和市场不确定性的能力，正成为供应链韧性的关键。
销售与市场预测方面，IBM watsonx支持对销售行为的深度分析和趋势预测，同时能根据市场波动动态调整采购策略，实现更精细化的销售和采购计划。而在客服领域，IBM通过构建大型智能客服系统响应客户查询，提升服务效率与客户满意度。
在这一系列智能场景背后，是IBM构建的强大“数字运营底座”: 控制塔实现决策智能管理，内嵌IBM或其他智能体，可模拟复杂业务场景并生成响应方案；Instana可观测平台为企业提供全栈AI驱动监控与智能根因分析；安全运营平台保障多系统数据联动下的安全合规性。
IBM还进一步总结了四大高ROI场景：首先是，研发管理的ELM + watsonx一体化方案。ELM负责生命周期管理，而watsonx提供智能分析能力，识别跨部门冲突、优化需求配置，曾助某车企将评审效率提升35%；在虚拟验证方面，该方案也帮助某半导体企业将原型验证周期缩短60%。同时，结合ELM bug库与时序模型的缺陷预测，提前三周识别高风险模块。
其次，智能设备管理。包括实时监控、AI维修助手、根因分析、备件需求预测及自动触发采购流程，各环节均由独立Agent驱动、串联执行。
再次，产销协同与供应链韧性提升。IBM Planning Analytics结合智能体分析预测不确定性，优化采购、库存与生产节奏，提升响应速度与资源利用效率。
最后是，全面预算管理。通过预构建的财务、采购等智能体，结合企业ERP/CRM系统，实现预算控制与成本预测，帮助企业在市场波动中稳健经营。
“某车企其原有的备件库存管理高度依赖人工操作，面对多达6万个SKU、手动询价与比对PDF文件的繁琐流程，运营效率低、成本高。”张珣透露，IBM通过构建AI驱动的备件库存优化系统，从消耗预测、阈值分析到自动报价与采购流程集成，实现全流程智能化。在模型不断迭代优化下，不仅减少了库存积压，也避免了关键部件短缺，帮助该企业实现超800万元的成本节约目标。
写在最后
IBM展现出越来越务实的姿态，聚焦混合云与AI能力建设，并致力于通过技术平台与生态完善，加速企业级AI的真正落地。相比社交媒体上那些“神化”的AI应用，IBM强调，企业级AI的部署是一项系统工程，需要面对数据治理、系统对接、业务流程重构、基础设施适配等诸多挑战，这更像是一场马拉松，而非一蹴而就的飞跃。
在这场长期建设中，IBM通过其全栈能力构筑了一整套企业AI落地框架。从底层的混合云架构与主机系统，到中层的软件平台和智能体工具，再到上层的业务开发与集成能力，IBM试图帮助企业在复杂的IT环境中实现AI与业务的融合。
此外，IBM始终将开源视为技术创新与企业级落地之间的重要桥梁。从早期在Java和Eclipse时代的深度参与，到如今在AI和混合云领域的持续投入，IBM不仅是开源社区的积极贡献者，也是长期的践行者。在AI方面，IBM开源了自研的部分Granite模型，在混合云领域则通过红帽这一全球最大的开源贡献者不断扩大影响。
“AI的未来属于开放生态。”翟峰强调，开源不仅代表着灵活与创新，也为企业带来更多可能。IBM在将开源技术融入产品时，会对其进行企业级的安全加固与扩展性优化，确保客户在享受创新成果的同时，也能满足安全与可控的业务要求。
在推动AI“最后一公里”业务落地过程中，IBM咨询的行业深度与客户理解成为关键优势。依托咨询团队对行业与场景的深入洞察，结合自身技术能力，IBM能够帮助客户真正实现AI从工具向价值的转化，为企业创造可衡量的业务成果。这正是IBM在开源、平台与服务能力融合中持续发力的核心所在。
