IBM：AI 转型的核心目标是消除人工环节，而非优化人机交互

推荐语

IBM揭示AI转型真谛：不是优化人机协作，而是彻底消除人工环节，实现业务流程自动化革命。

核心内容：
1. IBM提出多模型智能网关战略，打破单一供应商锁定
2. 开放智能体通信协议(ACP)推动行业标准化进程
3. 企业AI部署从API集成转向深度业务流程改造

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

过去 100 年间，IBM 见证了无数技术潮流的兴衰沉浮。最终胜出的，往往是那些能提供多元选择的技术。

在近日举行的 “2025 VB 全球科技转型峰会” 上，IBM 人工智能平台副总裁阿曼德·鲁伊斯深入阐释了这家蓝色巨擘对生成式 AI 的思考，以及企业用户实际部署该技术的现状。

鲁伊斯的核心观点是：现阶段的关键并非选择单一的大语言模型（LLM）供应商或技术。

越来越多的企业客户正在系统性摒弃单一供应商的 AI 策略，转而采用针对不同应用场景精准匹配多模型的技术路线。

IBM 虽然拥有 Granite 系列开源 AI 模型，但并未将其定位为全能解决方案，甚至不认为它适合所有工作负载。

这种企业需求趋势正推动 IBM 转型，即不再以基础模型竞争者自居，而是如鲁伊斯所言，成为 AI 工作负载的管控平台（control tower）。

鲁伊斯说："当我面对客户时，发现他们正在动用所有可用资源，真的是无所不用。在编程场景，他们青睐 Anthropic；而在逻辑推理等用例中，他们偏好 OpenAI 的 GPT-3；至于大语言模型定制化需求，比如基于自有数据进行微调时，客户往往选择我们的 Granite 系列，或 Mistral 的小型模型，甚至 Llama......关键在于为具体用例匹配最合适的 LLM。而我们的角色，就是帮助他们完成这些技术选型建议。"

多模型智能网关战略

为应对这一市场现状，IBM 推出了全新模型网关解决方案 —— 通过单一 API 接口，企业可在不同大语言模型间灵活切换，同时确保所有部署的可观测性与统一治理。

这一技术架构使客户能够在敏感用例场景下，通过自有推理基础设施运行开源模型；同时针对非核心业务应用，仍可灵活调用 AWS Bedrock 或 Google Cloud Gemini 等公有云 API 服务。

鲁伊斯表示，该网关为客户提供了统一的接入层，通过单一 API 即可在不同大语言模型间自由切换，并实现全流程的可观测性与治理。

这一策略与厂商惯用的 "锁定客户至专属生态系统" 的做法截然相反。

采取多供应商模型选择策略的并非只有 IBM。

近几个月来，市场上已涌现出多个模型路由工具，其设计目标都是将工作负载智能分配至最合适的模型。

智能体协同协议

成为关键基础设施

除多模型管理外，IBM 正通过开放协议攻克智能体间通信这一新兴技术挑战。

该公司开发的 ACP（智能体通信协议）已捐赠给 Linux 基金会，此举直接对标谷歌本周刚提交的 Agent 2 Agent（A2A）协议 —— 两大科技巨头不约而同选择将各自协议开源，标志着智能体交互标准化进程进入关键阶段。

鲁伊斯指出，这两项协议的核心目标都是实现智能体间的无缝通信，同时减少定制化开发工作。

他预测，尽管目前 A2A 与 ACP 协议在技术实现上存在差异，但最终这些技术路线将会走向融合。

这类智能体协同协议为 AI 系统提供了标准化交互框架，使不同平台和厂商的技术架构能够实现互操作。

当考虑到企业级应用规模时，其技术重要性就显而易见，部分 IBM 客户在试点项目中已部署超 100 个智能体。

若缺乏标准化通信协议，每个智能体间的交互都需要定制开发，这将造成难以持续的集成负担。

AI 驱动的流程与业务革新

鲁伊斯在谈及 AI 对企业的影响时强调，其价值远不止于聊天机器人。

"如果只是做聊天机器人，或者单纯想用 AI 节省成本，那根本算不上真正的 AI 应用"，他指出，"AI 的真正意义在于彻底重构工作流程和业务运作方式。"

人工智能应用与转型的核心差异，在于技术对业务流程的改造深度。

以 IBM 人力资源部为例，过去员工通过聊天机器人获取 HR 信息，如今专业智能体可自主处理薪酬、招聘、晋升等常规咨询，系统自动对接相关数据库，仅在必要时转接人工，这标志着运营模式发生了根本性变革。

鲁伊斯解释道："过去我需要频繁联系 HR 同事处理各类事务，现在通过 HR 智能体就能完成大部分工作。根据问题类型 —— 无论是薪酬核算、离职办理、招聘录用还是晋升调岗，系统都会自动对接不同的人力资源内部子系统，这些子系统就像由专门的智能体分别掌管。"

这标志着从 "人机交互" 到 "计算机中介的工作流自动化" 的根本性架构变革。

其核心转变在于，不再是员工学习使用 AI 工具，而是 AI 系统掌握端到端全业务流程的自主执行能力。

技术层面的启示在于，企业必须超越简单的 API 集成和提示词工程，转向深度业务流程数字化改造，通过系统级赋能，使 AI 智能体能够自主完成多环节工作流。

企业 AI 投资的战略要义

IBM 的实际部署数据揭示了企业 AI 战略必须实现的几大关键转变：

1. 摒弃 "聊天机器人优先" 思维：企业应当识别完整的可改造工作流，而非简单地在现有系统上叠加对话界面。核心目标是消除人工环节，而非优化人机交互。

2. 构建多模型弹性架构：与绑定单一 AI 供应商相反，企业需要能根据用例需求灵活切换模型的集成平台，同时确保治理标准的一致性。

3. 投资通信标准：企业应优先选择支持 MCP、ACP 和 A2A 等新兴协议的 AI 工具，而非采用会导致供应商锁定的专有集成方案。

鲁伊斯强调，构建空间巨大，每个人都需学习 AI —— 尤其是业务领导者必须成为 “AI 优先” 的领导者，深入理解这些概念。