发帖
雷达卡
AI技术的迅猛发展正给企业带来前所未有的挑战。许多组织发现，为了适应不断升级的AI能力与动态调整的战略方向，必须频繁地重构其AI基础设施。这种持续的技术迭代已成为常态。
据AI数据质量服务商Cleanlab的一项调研显示，在受监管的企业中，高达70%每三个月至少会更换部分AI技术栈；而在非受监管企业中，这一比例为41%。此外，约四分之一的受监管和非受监管公司每半年就会进行一次更新。该调查覆盖了超过1800名软件工程领域的领导者，反映出企业在应对快速变化的AI生态以及将智能体推进至生产环境过程中所面临的普遍困境。
Cleanlab首席执行官Curtis Northcutt指出，调查结果揭示出企业在AI演进速度与实际落地之间存在显著脱节。“企业级智能体远未达到预期水平，”他表示，“尽管市场上有数百家初创公司试图向企业出售智能体组件，但大多数都未能成功。”
目前，仅有5%的受访者表示已在生产环境中部署智能体，或计划短期内上线。基于工程师对技术难题的反馈，Cleanlab进一步估计，真正将智能体从试点阶段推向规模化应用的企业占比可能不足1%。
即便尚未实现全面投产，大量组织仍每隔数月便重新构建其智能体技术架构。这一现象不仅体现了AI领域发展的高速度，也暴露出企业对当前智能体输出结果缺乏信心。技术栈的变更范围广泛，包括底层模型版本升级、由闭源转向开源模型，或是更换用于存储智能体数据的数据库系统。值得注意的是，单个组件的替换常常引发下游一系列连锁反应。
语音AI平台Cozmo AI的联合创始人兼CTO Nuha Hashem同样观察到此类频繁更替的趋势。她认为，Cleanlab的调研结果与其公司在受监管行业客户中的实际经验高度吻合。
“很多团队每个季度都在更换技术栈的部分模块，因为最初的系统往往是临时拼凑而成——在测试环境中表现良好，但在真实生产场景下却截然不同，”她解释道，“即便是库文件或路由规则的微小变动，也可能彻底改变智能体处理任务的方式，从而迫使团队再次重建整个系统。”
尽管AI技术本身的快速进步是驱动频繁重构的重要因素，但问题的根源还在于模型调用方式的设计缺陷。Hashem强调：“深层症结在于，许多智能体系统依赖的是模型内部隐含的行为逻辑，而非明确可定义的规则。一旦模型更新，这些行为可能发生偏移。只有当团队为智能体设定了清晰的操作步骤与验证机制时，技术栈才能在持续演进中保持稳定。”
与此同时，企业对现有AI基础设施组件的整体满意度偏低。Cleanlab调查了用户在智能体编排、快速推理、可观测性等方面的实际体验。结果显示，在五个主要组件中，仅有约三分之一的受访者对任一组件表示满意，而接近40%的人正在积极寻找替代方案。
尤其值得关注的是，仅28%的受访者对其现有的智能体安全与防护措施感到满意，这进一步印证了企业对智能体输出结果的信任危机。
尽管这份报告描绘了一幅略显悲观的现状图景，多位AI专家仍认为其结论具有现实依据。Laivly（一家专注于AI驱动客户体验的公司）CEO Jeff Fettes表示，并不意外于企业频繁重建智能体栈的现象，他在实践中也看到了类似趋势。
“那些在AI应用上更为成功的组织，关键区别在于其强大的迭代能力，”他指出，“我们看到的是，这些企业没有固守传统模式，而是努力追赶AI技术本身的发展节奏。”
对于多数主流IT平台，首席信息官通常会经历漫长的评估与部署周期。然而，AI技术的飞速进步已经打破了这一传统节奏。“过去，IT部门会制定长期规划，完成技术栈迁移后便可维持多年稳定运行，”Fettes说，“如今，他们往往才走完一小段流程，技术就已经大幅跃进，不得不推倒重来。”
他补充道，许多客户随着技术演进而主动终止正在进行的AI试点项目。“这就导致一种局面：大量公司被迫放弃已投入资源的用例。我们都清楚，自己的技术可能在极短时间内就被淘汰。”
面对这一现实，Tapforce（一家应用开发公司）联合创始人兼CTO Artur Balabanskyy表示，企业每几个月重构AI栈的现象普遍存在，且主要由技术持续演进所驱动。
“当下有效的解决方案，未来可能变得不再最优，”他说，“如果组织不能主动跟进并定期刷新其技术栈，就可能在性能、安全性与可靠性方面逐渐落后。”
不过，Balabanskyy也强调，持续的重构并不必然导致混乱。他建议CIO采用分层化策略管理智能体技术栈，引入严格的版本控制、持续监控机制以及模块化部署架构。
“模块化设计使管理者能够在必要时局部替换组件，而不必推翻整个系统，”他解释道，“同时，健全的防护机制、自动化测试流程以及完善的可观测性体系，是确保生产环境在技术演进中依然稳定可靠的关键。”
Northcutt则建议IT领导者在部署前建立一套严谨的前置流程，明确界定智能体应达成的具体目标和行为边界，以此提升系统的可控性与可预测性。
"人们常说'让AI来做客户支持'，这其实是一个非常宏观的说法，"他表示。"更实际的第一步应该是：我们如何精准界定AI的介入点？我们期待它表现出怎样的能力？具体要完成哪些任务？以及它将调用和使用哪些工具？"
调查显示，智能体在企业中的大规模部署仍需较长时间。Northcutt预测，目前仅有约1%的企业在生产环境中部署了智能体，这一比例到2027年可能增长至3%或4%，而真正实现生产级智能体应用的企业预计在2030年达到30%。
尽管他坚信智能体未来将带来显著价值，但他也提醒支持者应避免过度宣传。"当前我们可以利用AI来提升工作效率，但所谓'所有企业流程都将被AI自动化'、'每个产品都会嵌入智能体'这样的愿景，还需要时间逐步实现，"他指出。"如果我们能保持理性，设定切实可行的目标，那么当前大量投入的资金才有可能真正转化为长期回报。"
Q&A
Q1：为什么企业需要频繁重构AI技术栈？
A：根本原因在于AI技术迭代速度极快，企业必须持续跟进新技术并调整战略方向。调查发现，70%受监管企业每三个月至少会更换部分AI技术组件，这不仅体现了技术演进的迅猛节奏，也暴露出企业对现有智能体成果稳定性的信心不足。
Q2：企业智能体的部署情况如何？
A：当前整体部署进展缓慢。调研显示，仅有5%的受访者已在生产环境部署智能体或计划短期内上线；其中，真正跨越试点阶段的企业估计仅占1%。行业普遍预期，到2030年，约30%的企业将实现成熟的生产级智能体部署。
Q3：如何减少AI技术栈频繁重建带来的混乱？
A：专家建议采用分层架构策略，包括实施严格的版本控制、持续系统监控以及模块化部署方式。通过模块化设计，企业可在不影响整体系统的情况下替换个别组件。同时，建立完善的防护机制、自动化测试流程与系统可观测性体系，是保障AI系统稳定运行的关键措施。
京公网安备 11010802022788号
