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。

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。