AI 正快速融入企業(yè)關(guān)鍵業(yè)務(wù)領(lǐng)域，但支撐其落地運(yùn)行的 IT 體系尚未完全做好準(zhǔn)備。IBM 調(diào)研數(shù)據(jù)顯示，77%的受訪高管希望加快 AI 應(yīng)用落地節(jié)奏，而僅有25%認(rèn)為現(xiàn)有 IT 基礎(chǔ)設(shè)施能夠支撐 AI 的規(guī)?；涞亍?/p>

這一“就緒度缺口”表明，AI 帶來(lái)的變革并非單一技術(shù)升級(jí)，而是對(duì)企業(yè)整體 IT體系的系統(tǒng)性重構(gòu)。在 IBM 技術(shù)服務(wù)部看來(lái)，AI 正在融入企業(yè)運(yùn)營(yíng)模型，推動(dòng) IT 運(yùn)維從傳統(tǒng)后端支持職能，向支撐業(yè)務(wù)創(chuàng)新的關(guān)鍵能力演進(jìn)。

運(yùn)維模式重構(gòu)：從響應(yīng)式腳本進(jìn)化為智能體驅(qū)動(dòng)的運(yùn)維

長(zhǎng)期以來(lái)，企業(yè) IT 運(yùn)維以“故障響應(yīng)”為核心。隨著企業(yè) IT 系統(tǒng)復(fù)雜度持續(xù)攀升，運(yùn)維模式正從傳統(tǒng)自動(dòng)化腳本向“自主智能體 AI（Agentic AI）”演進(jìn)。

這一轉(zhuǎn)變的核心在于運(yùn)維邏輯的升級(jí)：基于 IBM watsonx 平臺(tái)，AI 不再僅執(zhí)行預(yù)設(shè)規(guī)則，而是具備一定的自主推理能力，能夠拆解業(yè)務(wù)目標(biāo)并規(guī)劃端到端運(yùn)維任務(wù)的執(zhí)行路徑。通過(guò)多智能體協(xié)同，企業(yè)運(yùn)維體系可實(shí)現(xiàn)從狀態(tài)感知到?jīng)Q策執(zhí)行的閉環(huán)管理。在部分場(chǎng)景下，系統(tǒng)可自主完成根因分析并實(shí)現(xiàn)故障自愈，平均修復(fù)時(shí)間可縮短最高 80%。

目前，基于 IBMTLS Support Insights 平臺(tái)，公司已在全球?yàn)槌^(guò) 3000 家客戶管理超過(guò) 400 萬(wàn)個(gè) IT 資產(chǎn)。在 IBM 相關(guān)實(shí)踐中，91%的 Call Home 設(shè)備告警請(qǐng)求已實(shí)現(xiàn)自動(dòng)化響應(yīng)和處置，從而緩解運(yùn)維壓力并提升系統(tǒng)穩(wěn)定性。

技術(shù)底座演進(jìn)：應(yīng)對(duì) AI 規(guī)?；A(chǔ)設(shè)施約束

AI 規(guī)?；涞貙?duì)基礎(chǔ)設(shè)施提出系統(tǒng)性挑戰(zhàn)，其算力、運(yùn)力與存力的協(xié)同表現(xiàn)，以及安全與混合云架構(gòu)設(shè)計(jì)，直接影響基礎(chǔ)設(shè)施對(duì)業(yè)務(wù)目標(biāo)的支撐能力。

作為支撐算力集群效能的關(guān)鍵基礎(chǔ)設(shè)施，IDC 報(bào)告指出，在生成式 AI 訓(xùn)練場(chǎng)景中，網(wǎng)絡(luò)投入已占基礎(chǔ)設(shè)施總成本的約 44%。在運(yùn)力層面，AI 工作負(fù)載高度依賴(lài)海量“東西向流量”以及 GPU 間穩(wěn)定的低延遲通信，訓(xùn)練、推理、微調(diào)等核心場(chǎng)景對(duì)帶寬需求呈指數(shù)級(jí)增長(zhǎng)，網(wǎng)絡(luò)接口正從 400G、800G 向更高速率演進(jìn)。以千卡級(jí) GPU 集群為例，計(jì)算網(wǎng)絡(luò)與管理網(wǎng)絡(luò)的疊加導(dǎo)致單個(gè)集群的線路規(guī)模激增（高達(dá)數(shù)千條），迫使布線方式從傳統(tǒng)直接跳線向更易于維護(hù)的結(jié)構(gòu)化布線轉(zhuǎn)型。

在存力層面，大模型應(yīng)用對(duì)數(shù)據(jù)吞吐、訪問(wèn)延遲與帶寬穩(wěn)定性提出了更高要求。為支撐海量運(yùn)維數(shù)據(jù)的實(shí)時(shí)處理與模型分析，企業(yè)正在探索存算分離與存算協(xié)同相結(jié)合的架構(gòu)模式。在此過(guò)程中，NVMe over Fabric 等高速存儲(chǔ)網(wǎng)絡(luò)技術(shù)，可在一定程度上提升遠(yuǎn)程數(shù)據(jù)訪問(wèn)效率。在實(shí)際落地中，仍需結(jié)合本地高速存儲(chǔ)與數(shù)據(jù)分層策略，以降低對(duì)網(wǎng)絡(luò)路徑的依賴(lài)。整體來(lái)看，面向 AI 負(fù)載的存儲(chǔ)體系正呈現(xiàn)出熱數(shù)據(jù)全閃化、分層存儲(chǔ)與高帶寬互聯(lián)協(xié)同演進(jìn)的趨勢(shì)，從而緩解“算力等待數(shù)據(jù)”的問(wèn)題，支撐 AI 運(yùn)維場(chǎng)景的高效運(yùn)行。

此外，在算力效能層面，面對(duì)能耗壓力，企業(yè)需要通過(guò) AI 驅(qū)動(dòng)的容量規(guī)劃與動(dòng)態(tài)資源調(diào)度，精細(xì)化調(diào)節(jié) NPU/GPU 服務(wù)器功耗并優(yōu)化負(fù)載分布。在特定優(yōu)化場(chǎng)景中，資源利用率可由約 65%提升至約 89%，在滿足業(yè)務(wù)峰值需求的同時(shí)提升整體算力效率。

在電力方面，智能風(fēng)控、智能客服等大規(guī)模 AI 應(yīng)用落地，對(duì)算力需求持續(xù)攀升，但傳統(tǒng)數(shù)據(jù)中心在供電密度與部署周期上難以適配 AI 發(fā)展節(jié)奏。高性能GPU 集群，推動(dòng)單機(jī)柜功率從傳統(tǒng)的 5–10 千瓦快速提升至 30 千瓦以上，甚至在高密度部署場(chǎng)景中達(dá)到更高水平，使得大規(guī)模部署面臨供電與散熱改造的現(xiàn)實(shí)約束。同時(shí)，能耗成本持續(xù)上升，疊加電力資源與 PUE 優(yōu)化壓力，進(jìn)一步加劇數(shù)據(jù)中心的運(yùn)營(yíng)負(fù)擔(dān)。

人機(jī)協(xié)同：以業(yè)務(wù)洞察引導(dǎo) AI 增強(qiáng)，而非替代

在轉(zhuǎn)型過(guò)程中，IBM 強(qiáng)調(diào) AI 的核心價(jià)值在于增強(qiáng)專(zhuān)業(yè)能力，而非簡(jiǎn)單替代人力。AI 擅長(zhǎng)處理海量數(shù)據(jù)與重復(fù)性任務(wù)，而人類(lèi)專(zhuān)家的核心價(jià)值在于對(duì)業(yè)務(wù)場(chǎng)景的理解與決策能力。

調(diào)研顯示，64%的 CEO 認(rèn)為，AI 的成功更依賴(lài)人的采納，而非技術(shù)本身，這反映出組織與流程因素在 AI 落地過(guò)程中的關(guān)鍵作用。在實(shí)際落地中，這通常體現(xiàn)為將 AI 能力嵌入一線工作流程。例如，在 IBM 內(nèi)部“零號(hào)客戶（ClientZero）”實(shí)踐中，通過(guò)坐席助手（Agent Assist）提供實(shí)時(shí)建議，初級(jí)工程師可借助 AI 完成專(zhuān)家級(jí)任務(wù)，在緩解技能短缺的同時(shí)，將問(wèn)題解決時(shí)間縮短約32%。

這一協(xié)作模式的關(guān)鍵在于“釋放與重塑”：AI 減少重復(fù)性勞動(dòng)，使運(yùn)維人員從“救火式”工作中轉(zhuǎn)向更具業(yè)務(wù)價(jià)值的領(lǐng)域。企業(yè)轉(zhuǎn)型效果在很大程度上取決于員工技能升級(jí)與人機(jī)協(xié)同能力的提升。

以全生命周期方法構(gòu)建“AI 就緒”的 IT 體系

企業(yè)需從局部單點(diǎn)優(yōu)化轉(zhuǎn)向體系化的“集成數(shù)據(jù)中心（IntegratedDataCenter）”建設(shè)。這不僅是技術(shù)堆棧的升級(jí)，更是基于“AI 優(yōu)先（AI-First）”理念對(duì) IT 體系的整體重塑，覆蓋基礎(chǔ)設(shè)施規(guī)劃設(shè)計(jì)、部署實(shí)施、運(yùn)維優(yōu)化以及汰新下線的全生命周期管理。

在基礎(chǔ)設(shè)施層面，企業(yè)可通過(guò) AI 驅(qū)動(dòng)的容量規(guī)劃，精準(zhǔn)匹配算力、網(wǎng)絡(luò)和存儲(chǔ)需求，從而降低資源浪費(fèi)和總體擁有成本。在運(yùn)行階段，AI 驅(qū)動(dòng)的預(yù)防性維護(hù)可在部分場(chǎng)景下提前約 7 至 24 小時(shí)預(yù)測(cè)硬件瓶頸或潛在故障，實(shí)現(xiàn)從事后響應(yīng)向事前預(yù)防的轉(zhuǎn)變。在安全與合規(guī)層面，推進(jìn)“安全左移”策略，在規(guī)劃初期即引入自動(dòng)化治理機(jī)制。

IBM Support Insights（ISI）可對(duì)全球超過(guò) 400 萬(wàn)個(gè)資產(chǎn)及 150 萬(wàn)個(gè)活躍漏洞進(jìn)行實(shí)時(shí)監(jiān)測(cè)，使運(yùn)維視野從單一可用性擴(kuò)展至全生命周期的合規(guī)與安全管理，從而在受控環(huán)境下充分釋放 AI 算力價(jià)值。

運(yùn)維能力成為企業(yè)長(zhǎng)期競(jìng)爭(zhēng)力的重要組成部分

總體來(lái)看，AI 正在推動(dòng)企業(yè) IT 體系持續(xù)演進(jìn)。運(yùn)維能力不再只是保障系統(tǒng)運(yùn)行的支持職能，而正逐步成為企業(yè)數(shù)字化能力的重要組成部分。數(shù)據(jù)中心運(yùn)維要求對(duì)基礎(chǔ)設(shè)施故障進(jìn)行快速發(fā)現(xiàn)與快速解決，避免引起大規(guī)模應(yīng)用系統(tǒng)異常。

構(gòu)建“1-5-10”安全可控智能閉環(huán)，面對(duì) AI 負(fù)載帶來(lái)的系統(tǒng)復(fù)雜性，運(yùn)維體系正致力于實(shí)現(xiàn)“1 分鐘感知異常、5 分鐘定位根因、10 分鐘閉環(huán)修復(fù)”的目標(biāo)。通過(guò) AI 智能體與標(biāo)準(zhǔn)化協(xié)議（如 MCP 等）實(shí)時(shí)感知系統(tǒng)狀態(tài)，系統(tǒng)能夠利用上下文推理迅速收斂根因；隨后調(diào)用預(yù)設(shè)的“授權(quán)動(dòng)作庫(kù)”（Skill），在安全權(quán)限內(nèi)執(zhí)行自主修復(fù)。這一從“分鐘級(jí)感知”到“確定性自愈”的跨越，正推動(dòng) IT運(yùn)維從傳統(tǒng)支持職能向企業(yè)數(shù)字化核心競(jìng)爭(zhēng)力加速演進(jìn)。

在這一過(guò)程中，IBM 技術(shù)服務(wù)部作為全生命周期合作伙伴，致力于將 AI 能力與業(yè)務(wù)洞察結(jié)合，幫助客戶構(gòu)建具備故障自愈、資源優(yōu)化與成本可控能力的智能運(yùn)維體系，將 IT 資產(chǎn)轉(zhuǎn)化為可持續(xù)的競(jìng)爭(zhēng)優(yōu)勢(shì)。未來(lái)企業(yè) IT 的關(guān)鍵能力，不僅在于系統(tǒng)的穩(wěn)定運(yùn)行，更在于使系統(tǒng)具備被 AI 理解、調(diào)度與持續(xù)優(yōu)化的能力。（作者：IBM大中華區(qū)技術(shù)服務(wù)部總經(jīng)理潘軍）