IBM 以 $110亿收购 Confluent,背后是一个明确的判断:企业 AI 智能体(代替人执行任务的软件)受到的制约,与其说来自模型能力,不如说来自数据是否足够新。IBM 的 Confluent 与数据业务总经理 Shaun Clowes 把 Confluent 称为 IBM 的实时、持续数据底座,也就是向企业各个系统中的 AI 模型和运营智能体输送实时信息的那一层。他的论述也解释了为什么许多企业 AI 项目在概念验证(用小规模试验检验想法是否可行)阶段表现亮眼,却在进入生产环境之前停滞不前。

IBM 为什么想要一家数据流公司

Confluent 是一个数据流平台。数据流的做法是在事件发生时持续地在系统之间传送记录,而不是按计划分批传送。Clowes 称它与 IBM 的结合自然且互补,并提到 IBM 数十年来把新兴技术转化为企业竞争优势的历史。

按他的说法,采用生成式 AI 的组织需要一些基础性资产,包括对自身数据的全面访问、安全的混合部署选项(混合指企业自有基础设施与云服务并用)以及开放的生态系统。Confluent 承担的是数据这一角色。这笔收购把实时事件流纳入 IBM 更广泛的 AI 运营模式及其面向企业客户的工作之中。其宣称的目标是把零散、孤岛化的数据变成活跃数据,用来供给 AI 模型并触发自主的业务工作流。

智能体看不见的东西

Clowes 把传统企业描述为两面结构。一面是记录系统,例如 ERP 和 CRM 软件,负责执行交易。另一面是分析系统,负责就已经发生的事情生成报告。两者之间一直靠人来衔接:员工读报告,决定要改什么,再把改动录入应用程序。

智能体打破了这种模式。Clowes 把智能体定义为操作软件的软件,持续工作、不眠不休。要把事情做好,它需要即时掌握组织当前的运营状态。大语言模型(驱动这些智能体的那类 AI 系统)赋予智能体很强的推理能力,但对于交到它手上的数据之外的一切,智能体实际上是看不见的。

十分钟前的数据已经太旧

实际后果是批处理数据行不通。Clowes 说,如果智能体依据的是十分钟或一小时前的信息,它就会做出有缺陷的决策,因为现实世界已经变了。他举了三种过时信息会让自动化操作失效的情形:

  • 客服智能体帮助一位错过转机航班的旅客
  • 保险智能体审核保单细节、风险敞口和一笔理赔
  • 银行智能体处理支付验证和账户交易

机场登机口柜台前的机器人助手为旅客指向空无一人的廊桥,而飞机正在驶离

▲ 依据过时数据行动的智能体

实时指的是状态,而不只是速度

Clowes 做了一个容易被忽略的区分。实时数据不只是低延迟(信息到达之前的时间差)的问题。它代表的是企业的鲜活状态:库存、设备、物流和人员。在物流业务中,这种状态包括正在运行的配送车队、人员分配和车辆状况。在制造工厂里,它涵盖机器的实时性能、原料余量和库存量单位。

规模让问题更加尖锐。当成千上万个智能体各自独立行动时,每一次操作都会立刻改变系统的状态。其他每一个智能体随即都需要马上知道这一变化,而这正是流式架构要完成的工作。

试点为什么在投产前停滞

Clowes 看到各行各业对 AI 的热情,也看到这种兴奋与成功的生产部署之间存在令人清醒的差距。大语言模型让企业可以租用高水平的智能,于是做出一个令人印象深刻的概念验证变得格外简单。

问题在于,原型是在实验室条件下成功的。团队模拟出理想的数据可用性,并假定各项操作能够顺畅地跨越企业内部的各种边界。当企业试图把同样的想法扩展到数百乃至数千个智能体时,就会撞上自己实际拥有的技术:遗留大型机、现代云服务、混合部署,以及一批不断增多的专用工具。

Clowes 警告说,企业可能在这里自欺,把原型容易做成当作投产也同样容易的证明。他的立场是,这些复杂性没有一样能靠愿望消除,也没有哪家企业能在一夜之间简化自己的环境。遗留系统和混合系统会与新平台长期并存。在他的论述中,可行的路径是用数据流基础设施把现有资产与现代 AI 服务连接起来。

对这一论点的一种解读是,它把瓶颈挪了位置。如果智能可以租用,那么稀缺的要素就变成了告诉智能体此刻什么为真的那套管道。

人的速度上限

Clowes 把企业 AI 的发展梳理为三个阶段,并判断其应用仍处在极早期。

阶段 运作方式 局限
聊天机器人 人与机器共同探索问题空间 仅限对话
副驾驶(Copilot) 人与 AI 智能体并肩工作,就像开发者使用 Claude Code 那样 受人的速度和注意力制约
自主流程 整条业务流程端到端运行,无需必经的人工环节 取决于实时数据和可靠的系统

他的核心论断针对的是中间一行。副驾驶把人留在工作流中,这种安排通常称为“人在回路”(human-in-the-loop),因此工作推进的速度只能与这个人反应和思考的速度一样快。Clowes 认为,这限制了副驾驶对企业运营节奏(或者说时钟速度)的提升幅度。客服岗位上仍由人工核对 AI 的输出,正说明了这一上限。

在他看来,更大的回报在于以企业级规模实现数百个关键任务流程的自动化,例如理赔处理、产品交付和人员排班,而不必在每个流程中都留一个人工瓶颈。

一名人类员工审阅着高高一摞文件,一排机器人员工拿着已完成的文件夹在等候

▲ 人工审核对 AI 工作节奏的限制

是五年,不是一夜之间

Clowes 并不认为这一转变会很快到来,他给出了几个理由。

第一,技术是分阶段扩散的。软件工程师和技术构建者率先采用智能体,并用它们来打造工具。等这些知识传播开来之后,更广泛的业务运营才会跟进。

第二,现实世界比愿景更混乱。企业的数据存储库分散各处,记录在割裂的遗留孤岛之间被创建、修改和迁移。Clowes 提醒说,这使得转型远比路线图演示所呈现的艰难。

第三,企业长期依靠人来弥合流程中的缺口和薄弱之处。用软件取代这种悄无声息的人工修补工作十分复杂。

他引用了比尔·盖茨的名言:人们高估两年内的变化,而低估十年内的变化。对于 AI,Clowes 认为较长的那个时间窗口可能会被压缩,大约五年是产生深远影响的一个合理期限。他认为大规模自主运行是必然的,同时强调通往那里的道路需要持续的基础性工作。这一时间表是他的预测,而非既定事实。

IBM 的四支柱运营模式

在亚特兰大举行的 TechXchange 大会上,IBM 展示了一套端到端的企业 AI 运营模式。Clowes 认为,孤立的模型如果没有一套围绕它、把技术潜力转化为业务成果的结构,价值有限。他概述的模式有四大支柱:

  1. 全面理解组织的数据
  2. 安全地大规模编排和执行智能体,编排指协调众多智能体及其任务
  3. 具备可观测性的智能体管理,可观测性指能够监控智能体在做什么以及为什么这样做
  4. 让智能体能够对外部企业工具采取行动的可靠系统

IBM 的目标是把这些构件一并提供,让组织能够可靠地把自主 AI 部署到生产工作流中。

从中可以得到什么

IBM 为收购 Confluent 给出的理由归结为三点。智能体推理能力强,但只能看到收到的数据。在变化迅速的业务中,几分钟前的数据可能已经是错的。而可运行的原型与生产系统之间的差距,主要是数据流动和遗留系统集成上的差距。

对于正在规划智能体项目的团队,由此得出的实际步骤是:

  • 把实时数据看作业务的完整运营状态,而不是一条消息管道。
  • 从一开始就为遗留、混合和孤岛化的系统做好规划,不要假定成功的概念验证能原封不动地进入生产。
  • 让自动化瞄准整条工作流,而不只是用聊天机器人加快单项任务。
  • 在赋予智能体自行操作工具的能力之前,先建立监控和管理方面的保障措施。
  • 把 AI 放进一个清晰的运营模式之中,涵盖数据、治理、编排和工具访问。

按 Clowes 自己的估计,完全无需人工监督的自主工作仍是一个需要数年的目标。他所描述的基础工作,即实时数据以及智能体可以安全读取并据以行动的系统,则是企业现在就可以着手的事。