北京
把应收账款的工作交给一位搞能源生产的核物理学家，这事听起来荒唐。IBM Confluent与数据业务总经理肖恩·克劳斯（Shaun Clowes）就用这个比喻，说明企业给AI喂数据时犯的错。
“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塞给它，然后说‘去把应收账款搞清楚’？”他在IBM的AI运营模型访谈系列中说，“你需要的是适合这项工作的正确上下文。”
这段话出现在IBM TechXchange 2026之前的对话里，克劳斯与theCUBE Research的戴夫·韦兰特、约翰·弗里尔讨论了实时数据、智能体专业化与生产环境治理。核心命题只有一个：受治理的上下文，正在成为生产级AI的实际要求。
从“数据是新石油”到“业务此刻的状态”
企业数据架构一直是围着存储、计算和应用需求演进的。智能体带来的新需求是：把差旅预订、行李追踪、租车这类运营系统里的信息，在还对决策有用的那一刻拼到一起。
克劳斯把这种新架构叫作“streamhouse架构”——能把企业当下的全部状态汇总起来，直接呈现给大语言模型。IBM Confluent把流处理、连接、加工、治理和查询能力凑在一起支撑这套做法。
关键差别在于不必先把所有信息集中到一处。可用数据产品的准备工作，可以放在业务信息产生的那些环境里完成。“尽可能贴近数据第一次产生的地方，”克劳斯说，“越早治理越好，越快产出高价值数据越好，然后你只需要连上所有相关的地方。”
他对“数据是新石油”这句老话做了修正：人们真正想说的是，数据在某种意义上已经存在，被人类用来做好的决策，企业由人运营，赢就赢在这里。现在的问题是，智能体需要在不等人去收集的情况下拿到运营数据。
信息可能来自石油钻井平台、邮轮或其他远程系统。企业得把这些源头连成可用的运营视图，而不能假设一个集中式方案能装下所有东西。“你应该一直问自己，我怎么知道我的业务此刻是什么状态？”他说，“因为那才是你做决策的世界。”
同一个词，不同团队不同意思
把当前、受治理的数据送出去只是一半。智能体还需要贴合自身工作的上下文。不同团队可能用同一个业务术语表达不同的东西，为智能体准备上下文，就包括把适用于它那项任务的定义先立起来。
“你可以描述，嘿，在这个业务流程里，我说的X是这个意思，”克劳斯说。由此形成的受治理指标和受治理数据集，构成模型推理的基础。
落地路径是从高价值任务开始，随着经验积累逐个改进智能体。等这些智能体能够可靠执行既定业务流程，机会就扩展到重新审视工作本身怎么组织。
“然后你可以对监督智能体说，我甚至还需要这些流程吗？我是不是该做点完全不同的事？”他说，“这套系统最好的地方是，它能在每一层学习。”
从人类辅助决策走向自主运营，改变的是企业交付信息的方式。持续工作的智能体需要访问运营数据，不能等人来收集。克劳斯给出的判断标准很朴素：始终能回答“我的业务此刻是什么状态”，才谈得上让AI进入生产。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
