IBM 将受治理上下文置于生产级 AI 的核心

对于需要在企业内部做出决策的人工智能智能体而言，受治理的上下文正成为一项实际需求。随着企业不再局限于个人生产力工具，这些智能体需要能够反映其所使用系统内不断变化状况的信息。

IBM 公司的方法将这一数据基础与将 AI 投入生产的更广泛挑战联系起来。IBM 的 Confluent 与数据业务总经理 Shaun Clowes（如图）表示，大语言模型的推理能力取决于其可获得的信息，因此数据交付成为一个运营层面的问题。

“你不会把应收账款的工作交给一位从事能源生产业务的核物理学家，”他说。“那么，你为什么要拿一个非常非常聪明的模型，把关于你业务的所有可能信息都给它，然后说‘去搞清楚应收账款’？你需要为这项工作提供正确的上下文。”

Clowes 在 theCUBE（SiliconANGLE Media 的直播工作室）的独家直播中，与 theCUBE Research 的 Dave Vellante 和 John Furrier 就 IBM 的“AI 运营模式”访谈系列进行了交流。在 IBM TechXchange 2026 之前，他们讨论了实时数据、智能体专业化和生产治理。（* 下方披露。）

将受治理的上下文构建到数据流中

企业数据架构一直围绕不断变化的存储、计算和应用需求而演进。Clowes 表示，智能体带来了一种需求：在信息仍与决策相关时，将来自旅行预订、行李追踪和租车等运营系统的信息整合起来。

“现在我们需要一种新型架构，一种能够汇集我们业务当前所有状态并直接呈现给 LLM 的架构，”他说。“我们称之为 streamhouse 架构。”

IBM Confluent 将流处理、连接、处理、治理和查询能力结合起来以支持这种方法。Clowes 解释说，该平台不要求先将所有信息集中化，而是支持在业务信息产生的各个环境中准备可用的数据产品。

“我们的观点是，你实际上可以把所有这些都移到非常非常接近数据最初产生的地方，尽可能接近，”他说。“越早治理越好。越快产出高价值数据越好。然后你只需要连接到所有相关的地方。”

为专业化智能体留出推理空间

交付当前的、受治理的数据只是挑战的一部分。智能体还需要针对其正在执行的工作量身定制的上下文。不同团队可能用同一个业务术语表达不同的含义。因此，Clowes 表示，为智能体准备上下文涉及确立适用于其任务的定义。

“你可以描述，‘嘿，在这个业务流程中，我指的是 X，’”他说。“然后，你可以拥有这些受治理的指标和受治理的数据集，它们实际上代表了模型进行推理所依据的基础。”

企业可以从高价值任务开始，并随着经验积累改进各个智能体。Clowes 解释说，一旦这些智能体能够可靠地执行既定业务流程，机会就会扩展到审视工作本身是如何组织的。

“然后你可以对监督智能体说，‘我甚至需要这些流程吗？我是不是应该做点完全不同的事情？’”他说。“整个系统最棒的地方在于它可以在每一层学习。”

在生产环境中提供业务上下文

随着智能体承担更多责任，获取当前业务信息变得越来越重要。从人工辅助决策转向自主运营，改变了企业交付信息的方式。Clowes 解释说，持续工作的智能体需要访问运营数据，而无需等待人员去收集。

“人们过去常说数据是新的石油，但他们真正的意思是，数据在某种意义上已经存在，并被人类用来做出好的决策，”他说。“企业由人类运营……[而]这就是你取胜的方式。”

信息可能源自石油钻井平台、游轮或其他远程系统。Clowes 表示，企业必须将这些来源连接成可用的运营视图，而不能假设某一个集中式解决方案会包含一切。

“你应该始终问自己，‘我如何才能知道我的业务现在的状态？’”他说。“因为那才是你做出决策的世界。那也是人类会做出决策的世界。”

以下是完整的视频采访，属于 SiliconANGLE 和 theCUBE 对 IBM“AI 运营模式”访谈系列报道的一部分：

（* 披露：theCUBE 是 IBM“AI 运营模式”访谈系列活动 的付费媒体合作伙伴。无论是 theCUBE 活动报道的赞助商 IBM，还是其他赞助商，均不对 theCUBE 或 SiliconANGLE 上的内容拥有编辑控制权。）

图片：SiliconANGLE