印度企业加速部署 AI 智能体，现有基础设施能否支撑？

印度企业正在投资人工智能，但在业务运营中部署AI智能体带来了一项超越模型本身的挑战：现有数字基础设施能否支撑它们。

AI智能体需要从企业数据库中检索信息、与业务应用连接，并跨系统执行任务。然而，许多组织仍依赖遗留应用、碎片化的数据环境以及并非为能够跨多个系统采取行动的软件而设计的技术架构。

设想一个负责处理客户订单的智能体。它可能需要从客户关系管理（CRM）平台检索客户详情，对照企业资源规划（ERP）系统核实库存，并启动工作流的下一步。如果这些应用无法可靠地交换信息或返回相互冲突的记录，那么即使模型按预期运行，流程也可能失败。

AI雄心与基础设施就绪度之间的差距已经显而易见。Dell Technologies与Vanson Bourne合作开展的Modern Enterprise Readiness Study发现，67%的印度组织认为其当前的数据中心环境尚未准备好支持生产规模的AI工作负载。

“让AI智能体从试点走向生产的最大障碍很少是模型本身。真正的障碍在于要与数十年来演变形成的碎片化企业数据、遗留应用、安全控制和业务流程进行集成，”Tesco Technology工程总监Vishal Kappanna表示。

对企业而言，挑战不再仅仅是构建一个能够完成任务的智能体，而是要确保周边系统能够可靠、可重复且大规模地支持该任务。

遗留系统的挑战

对大多数企业而言，替换整个技术栈既不切实际也无必要。现有系统包含多年的业务逻辑，并继续支撑关键运营。因此，企业正在引入应用程序编程接口（API）、中间件和编排平台，将遗留应用与AI系统连接起来。

然而，将智能体连接到应用并不会自动使工作流变得可靠。跨多个系统运行的智能体必须应对不一致的记录、不同的访问权限以及应用之间的依赖关系。事务进行到中途发生故障时，可能需要重试、恢复机制或人工干预。

“大多数企业并不是为了启用AI智能体而替换遗留系统。他们通过编排平台对遗留系统进行封装和现代化改造，通过事件和API提取数据，并在治理层和智能体身份之后设置访问关卡——现代化改造的是接缝，而不是系统本身，”Kappanna指出。

这种方法使组织能够保留现有应用，同时暴露智能体所需的能力。但它存在局限。将较旧的系统连接到编排层并不一定能解决其底层架构的约束。某些应用可能仍需要更深入的现代化改造，以支持生产工作负载的需求。

安永全球交付服务（EY GDS）咨询AI与数据及美国商业负责人Vijay Yellapragada强调了展示智能体能力与使其在真实环境中可靠运行之间的区别。

“试点证明智能体能够执行某项任务。生产则要求证明企业能够信任智能体可重复、安全且大规模地执行该任务，”Yellapragada解释道。

这要求企业考虑到系统故障、流程异常和事务量，而这些在受控实验中可能不会出现。集成、测试和恢复机制变得与智能体本身同样重要。

碎片化数据造成另一个瓶颈

即使智能体能够连接到企业应用，其性能也取决于这些系统所含信息的质量和可访问性。

大型组织通常将数据存储在本地基础设施、云平台和分布式存储库中。记录可能在各个应用之间重复、过时或不一致，使智能体难以确定应使用哪些信息。

“最大的挑战往往不是AI模型本身，而是其背后的数据。大多数组织的数据分散在本地环境、云平台和边缘位置，其中许多从未被设计为支持大规模的AI驱动工作流，”NetApp印度及SAARC地区董事总经理兼区域副总裁Premalakshmi PR表示。

NetApp的AI Data Engine旨在帮助组织在分布式环境中发现、分类和激活数据，而无需移动或复制数据。然而，使数据可被发现并不能自动解决其准确性、一致性或对特定任务适用性的问题。

当智能体利用信息来发起行动而非仅仅生成回复时，这些局限就变得重要。在财务、客户服务或供应链系统中工作的智能体可能会依据过时记录采取行动，并将该错误带入后续步骤。

因此，企业在推进集成的同时，也需要解决数据质量和数据访问问题。如果没有可靠的信息，将更多应用连接到智能体，可能只会扩大其能够交互的系统数量，而无法让它的决策更加可靠。

基础设施必须随AI一同扩展

AI实验的基础设施需求与生产部署的需求并不相同。试点可能只涉及一小部分员工和有限的数据集。生产系统则必须容纳更多用户、更大的工作负载以及对可靠性更高的要求。

这给计算、存储和网络，以及AI应用与现有企业系统之间的连接带来了压力。组织必须确保其基础设施能够支撑这些工作负载，同时不干扰已经在运行业务的应用。

“智能体AI正在改变对企业基础设施的要求。过去为支持人员和传统应用而构建的系统，现在必须容纳能够解读信息、做出决策并在业务流程中发起行动的软件，”戴尔科技印度基础设施解决方案集团高级总监兼国家负责人Venkat Sitaram表示。

戴尔的客户部署案例展示了组织如何应对不同的基础设施需求。Lakshmikumaran & Sridharan Attorneys正利用戴尔AI Factory在本地运行内部AI助手，从而保持对其专有知识和客户数据的控制。Zoho正借助该平台开发隐私优先的多模态企业级和智能体AI能力。Omega Healthcare已通过戴尔私有云实现基础设施现代化，同时继续支持现有系统。

这些案例反映了不同的优先事项，从保持对敏感信息的控制，到开发AI能力，再到维持现有运营。它们也表明，基础设施就绪并非一次性的升级。它取决于组织需要支撑的工作负载、已经运行的系统，以及这些组件之间协同工作的有效程度。

现代化成为决定性因素

对印度企业而言，将AI智能体投入生产，部分取决于它们能在多大程度上依托现有的数字化投资。已经建立API平台和现代集成架构的组织可能具有先发优势。其他组织则可能需要提升数据质量、通过安全接口连接较旧的应用，或加强支撑其工作负载的基础设施。

任务未必是替换每一个遗留系统，而是找出既有系统在哪些方面制约了AI部署，并对技术栈中的这些部分进行现代化改造。这可能意味着改进应用之间交换信息的方式、让企业数据更易于访问，或引入支撑更大工作负载所需的基础设施。

这些需求相互关联。更强的计算能力无法弥补不可靠的集成，而如果信息不一致，获取更多数据也无济于事。智能体可能在受控试点中运行良好，但在生产环境中遇到真实业务环境的依赖关系和异常情况时却举步维艰。

随着企业扩大AI智能体的使用，决定性因素将不只是模型本身，而是其现有数字基础设施能否支撑智能体从孤立任务走向大规模互联业务流程。