IBM：AI 轉型的核心目標是消除人工環節，而非優化人機交互

過去 100 年間，IBM 見證了無數技術潮流的興衰沉浮。最終勝出的，往往是那些能提供多元選擇的技術。

編譯｜牛透社 Alex；編輯｜燕子

在近日舉行的 “2025 VB 全球科技轉型峰會” 上，IBM 人工智能平臺副總裁阿曼德·魯伊斯深入闡釋了這家藍色巨擘對生成式 AI 的思考，以及企業用戶實際部署該技術的現狀。

魯伊斯的核心觀點是：現階段的關鍵并非選擇單一的大語言模型（LLM）供應商或技術。

越來越多的企業客戶正在系統性摒棄單一供應商的 AI 策略，轉而采用針對不同應用場景精準匹配多模型的技術路線。

IBM 雖然擁有Granite 系列開源 AI 模型，但并未將其定位為全能解決方案，甚至不認為它適合所有工作負載。

這種企業需求趨勢正推動 IBM 轉型，即不再以基礎模型競爭者自居，而是如魯伊斯所言，成為 AI 工作負載的管控平臺（control tower）。

魯伊斯說："當我面對客戶時，發現他們正在動用所有可用資源，真的是無所不用。在編程場景，他們青睞 Anthropic；而在邏輯推理等用例中，他們偏好 OpenAI 的 GPT-3；至于大語言模型定制化需求，比如基于自有數據進行微調時，客戶往往選擇我們的 Granite 系列，或 Mistral 的小型模型，甚至 Llama......關鍵在于為具體用例匹配最合適的 LLM。而我們的角色，就是幫助他們完成這些技術選型建議。"

多模型智能網關戰略

為應對這一市場現狀，IBM 推出了全新模型網關解決方案—— 通過單一 API 接口，企業可在不同大語言模型間靈活切換，同時確保所有部署的可觀測性與統一治理。

這一技術架構使客戶能夠在敏感用例場景下，通過自有推理基礎設施運行開源模型；同時針對非核心業務應用，仍可靈活調用 AWS Bedrock 或 Google Cloud Gemini 等公有云 API 服務。

魯伊斯表示，該網關為客戶提供了統一的接入層，通過單一 API 即可在不同大語言模型間自由切換，并實現全流程的可觀測性與治理。

這一策略與廠商慣用的 "鎖定客戶至專屬生態系統" 的做法截然相反。

采取多供應商模型選擇策略的并非只有 IBM。

近幾個月來，市場上已涌現出多個模型路由工具，其設計目標都是將工作負載智能分配至最合適的模型。

智能體協同協議，成為關鍵基礎設施

除多模型管理外，IBM 正通過開放協議攻克智能體間通信這一新興技術挑戰。

該公司開發的ACP（智能體通信協議）已捐贈給 Linux 基金會，此舉直接對標谷歌本周剛提交的Agent 2 Agent（A2A）協議—— 兩大科技巨頭不約而同選擇將各自協議開源，標志著智能體交互標準化進程進入關鍵階段。

魯伊斯指出，這兩項協議的核心目標都是實現智能體間的無縫通信，同時減少定制化開發工作。

他預測，盡管目前 A2A 與 ACP 協議在技術實現上存在差異，但最終這些技術路線將會走向融合。

這類智能體協同協議為 AI 系統提供了標準化交互框架，使不同平臺和廠商的技術架構能夠實現互操作。

當考慮到企業級應用規模時，其技術重要性就顯而易見，部分 IBM 客戶在試點項目中已部署超 100 個智能體。

若缺乏標準化通信協議，每個智能體間的交互都需要定制開發，這將造成難以持續的集成負擔。

AI 驅動的流程與業務革新

魯伊斯在談及 AI 對企業的影響時強調，其價值遠不止于聊天機器人。

"如果只是做聊天機器人，或者單純想用 AI 節省成本，那根本算不上真正的 AI 應用"，他指出，"AI 的真正意義在于徹底重構工作流程和業務運作方式。"

人工智能應用與轉型的核心差異，在于技術對業務流程的改造深度。

以 IBM 人力資源部為例，過去員工通過聊天機器人獲取 HR 信息，如今專業智能體可自主處理薪酬、招聘、晉升等常規咨詢，系統自動對接相關數據庫，僅在必要時轉接人工，這標志著運營模式發生了根本性變革。

魯伊斯解釋道："過去我需要頻繁聯系 HR 同事處理各類事務，現在通過 HR 智能體就能完成大部分工作。根據問題類型 —— 無論是薪酬核算、離職辦理、招聘錄用還是晉升調崗，系統都會自動對接不同的人力資源內部子系統，這些子系統就像由專門的智能體分別掌管。"

這標志著從 "人機交互" 到 "計算機中介的工作流自動化"的根本性架構變革。

其核心轉變在于，不再是員工學習使用 AI 工具，而是 AI 系統掌握端到端全業務流程的自主執行能力。

技術層面的啟示在于，企業必須超越簡單的 API 集成和提示詞工程，轉向深度業務流程數字化改造，通過系統級賦能，使 AI 智能體能夠自主完成多環節工作流。

企業 AI 投資的戰略要義

IBM 的實際部署數據揭示了企業 AI 戰略必須實現的幾大關鍵轉變：

1. 摒棄 "聊天機器人優先" 思維：企業應當識別完整的可改造工作流，而非簡單地在現有系統上疊加對話界面。核心目標是消除人工環節，而非優化人機交互。

2. 構建多模型彈性架構：與綁定單一 AI 供應商相反，企業需要能根據用例需求靈活切換模型的集成平臺，同時確保治理標準的一致性。

3. 投資通信標準：企業應優先選擇支持 MCP、ACP 和 A2A 等新興協議的 AI 工具，而非采用會導致供應商鎖定的專有集成方案。

魯伊斯強調，構建空間巨大，每個人都需學習 AI —— 尤其是業務領導者必須成為 “AI 優先” 的領導者，深入理解這些概念。

說明：文章為牛透社原創，未經允許謝絕轉載。