【导读】一年前，AI智能体还只是实验室里的玩具。如今，CIO们正试图将其嵌入核心业务流。但当面对“自建（Build）还是采购（Buy）”这个经典问题时，许多人发现：老经验失效了。
与传统软件不同，AI智能体不是一个单体产品，而是一个由基础模型、编排层、代理（智能体）、数据架构和治理组成的复杂堆栈。
IBM、Wolters Kluwer和Planview的技术领袖们达成了一个共识：未来的赢家，不是最果断选择“自建”或“采购”的人，而是那些懂得如何“组合”的人。
IBM的技术转型CIO Matt Lyteson提出了一个“黄金筛选标准”： 客户交互是否涉及核心差异化因素？
如果是（涉及收入、核心服务）：自建（Build）。
案例：IBM内部的员工支持代理（智能体）。虽然IT问题是通用的，但员工的角色、设备历史和应用环境是IBM独有的，供应商工具无法解决这些细微差别。
如果否（通用任务）：采购（Buy）。
案例：OCR（光学字符识别）、摘要提取。Wolters Kluwer的CTO Alex Tyrrell指出，随着GenAI的进步，这些任务已商品化，直接买现成的更划算。
【顾问洞察】速度也是一个变量。如果需要快速推向市场，可以先买一个通用方案“占位”，待用例成熟后再用自建方案替换。
以为“买”就能省心？CIO们正在遭遇两大冲击：
延迟（Latency）是体验杀手： 在面向客户的事务性工作流中，客户期待“秒回”。但供应商的黑盒解决方案往往伴随着难以解释的延迟。
成本是“刺客”： 营销材料里的定价往往简化了。但一个复杂的查询可能涉及检索（RAG）、分类、多次模型调用。只有当系统大规模运行时，CIO才会发现真实的Token消耗是天文数字。
Planview的CEO Razat Gaurav打了一个精彩的比喻：企业数据就像密歇根湖的水——丰富，但未经处理就不能喝。
如果你的数据架构是碎片化的、缺乏语义层的，那么无论是自建还是采购，AI都会产生“幻觉”。
【战略推论】自建 vs 采购的决策，直接取决于你的数据架构成熟度。如果数据治理不善，购买一个自带“语义主干”的平台可能是唯一出路。
【睿观：想象一下，你有一个书架，上面摆满了各种书籍，但是这些书籍没有分类，也没有标签。这就是数据架构碎片化的体现——书籍（数据）虽然存在，但是难以找到和使用。
现在，假设你要写一篇关于历史的论文，你需要找到所有关于历史的书籍。由于缺乏语义层（即书籍的分类和标签），你只能一本一本地翻阅，试图从书名和内容中推断出这本书是否与历史相关。这个过程不仅效率低下，而且很容易出错——你可能错过一些重要的书籍，或者错误地将一些非历史书籍纳入研究范围。
在这个例子中，如果书架上的书籍有明确的分类和标签（即语义层），你就可以快速、准确地找到所有相关的书籍，提高研究的效率和准确性。】
这是本文最核心的战略建议。
三位技术领袖一致认为，编排层是新的架构核心。 它负责路由查询、管理权限、抽象基础模型。有了这一层，你就可以：
购买供应商的角色代理（如销售助理 智能体）；
自建一个专用的风险控制AI智能体；
在后台无缝切换更便宜或更强的基础模型（LLM）。
【结语】AI智能体的未来是“组合式”的。CIO的新任务不是做一道单选题，而是像投资组合经理一样，在每一层（数据、模型、代理-智能体、编排）找到成本与效果的最佳平衡点。
在这个新时代，控制权必须掌握在自己手中——尤其是治理和编排。
正文：
您在人工智能领域的下一个重大决策不该是自建还是采购——而是如何将两者结合
当CIO（首席信息官）在共享治理和编排框架下将供应商模型与内部代理融合时，现代人工智能部署才能成功。
图源：Rob Schultz / Shutterstock
一年前，agentic AI（AI自主智能体）大多还处于试点项目阶段。如今，CIO们正在将其嵌入面向客户的流程中，在这些流程中，准确性、延迟性和可解释性与成本同样重要。
随着技术超越实验阶段逐渐成熟，“自建还是采购”的问题又迫切地出现了，但这个决策比以往任何时候都更难。与传统软件不同，AI自主智能体不是单一产品。它是一个由基础模型、编排层、特定领域代理、数据架构和治理框架组成的堆栈。每一层都有不同的风险和收益。
CIO们不能再简单地问：“我们是自建还是采购？”他们现在必须在多个组件之间做出权衡，确定采购什么、在内部构建什么，以及如何在每月都在变化的环境中保持架构的灵活性。
一、了解自建和采购的内容
IBM的技术转型首席信息官Matt Lyteson（马特·莱顿森）在做出每一个自建-采购决策时都有一个战略筛选标准：客户交互是否涉及核心差异化因素？如果答案是肯定的，仅靠采购往往是不够的。“我会回归到客户支持对业务是否具有战略性这一点，”他说，“如果这是我们以高度专业化的方式进行的事情——与收入相关或者是我们为客户服务的核心部分——这通常是一个自建的信号。”
IBM甚至将这种逻辑应用于内部。该公司使用AI自主智能体来支持员工，但这些交互依赖于对员工角色、设备、应用程序和历史问题的深入了解。供应商工具可能解决通用的IT问题，但无法应对IBM环境中的细微差别。
然而，Lyteson（莱顿森）警告说，战略重要性并非唯一因素。速度也很重要。“如果我需要快速将某样东西投入生产，速度可能比自建的愿望更重要，”他说，“如果一个更通用的解决方案能快速为我们带来价值，我可能会接受它。”实际上，这意味着CIO们有时会先采购，然后在边缘进行自建，或者一旦用例成熟，最终构建替代品。
另一个有用的见解来自Wolters Kluwer，该公司健康首席技术官Alex Tyrrell（亚历克斯·泰瑞尔）在决策过程的早期进行实验以测试可行性。他的团队没有过早地确定自建或采购的方向，而是快速探究每个用例，以了解潜在问题是共性问题还是差异化问题。
“你希望快速进行实验，以了解问题到底有多复杂，”他说，“有时你会发现采购并快速推向市场更可行。而其他时候，你会很早就遇到限制，这会告诉你需要在哪里进行自建。”
Tyrrell（泰瑞尔）指出，许多曾经专业化的任务——OCR（光学字符识别）、摘要提取、信息提取——随着生成式人工智能的进步被商品化了。这些任务更适合采购而不是自建。但在医疗保健、合规和金融领域中，管理工作流程的高阶逻辑则是另一回事。这些层面决定了人工智能的回复仅仅是有帮助的，还是真正值得信赖的。
Tyrrell（泰瑞尔）说，这就是内部自建工作开始的地方。这也是实验能带来回报的地方，因为快速测试可以在很早的时候揭示现成的代理是否能提供有意义的价值，或者是否必须定制工程领域推理。
二、采购需谨慎
CIO们常常认为采购能将复杂性降至最低。但供应商工具也带来了它们自身的挑战。Tyrrell（泰瑞尔）将延迟性确定为第一个麻烦点。聊天机器人的演示可能感觉是即时的，但面向客户的工作流程需要快速响应。“在事务性工作流程中嵌入代理意味着客户期望近乎即时的结果，”他说，“即使是小的延迟也会造成糟糕的体验，而理解供应商解决方案中延迟的来源可能很困难。”
成本很快成为第二个冲击因素。单个客户查询可能涉及基础信息、检索、分类、上下文示例以及多次模型调用。每一步都消耗令牌，而供应商在其营销材料中常常简化定价。但CIO们只有在系统大规模运行时才会发现真正的成本。
然后是集成问题。许多解决方案承诺无缝的CRM（客户关系管理）或票务集成，但企业环境很少符合演示情况。Lyteson（莱顿森）见证了这种情况的发生。“表面上看起来是即插即用，”他说，“但如果它不能轻松连接到我的CRM或提取正确的企业数据，那就需要更多的工程工作，这时采购就不再看起来更快了。”
这些意外正在改变CIO采购人工智能的方式。他们不再购买静态应用程序，而是越来越多地购买平台——可以编排、治理和更换代理的可扩展环境。
三、牢记数据架构和治理的关键作用
大多数IT领导者已经明白了数据在使人工智能发挥作用方面的关键作用。软件公司Planview的首席执行官Razat Gaurav（拉扎特·高拉夫）将企业数据比作密歇根湖的水：丰富，但未经处理就不能饮用。“你需要过滤——管理、语义和本体层——才能使其可用，”他说。没有这些，几乎可以肯定会出现幻觉问题（指人工智能生成错误或不合理的输出）。
大多数企业跨几十个甚至几百个系统运行。分类法不同，字段存在偏差，数据相互关系很少明确。将智能体推理应用于不一致或孤立的信息会导致失败。这就是为什么像Planview和Wolters Kluwer这样的供应商将语义层、图形结构和数据治理嵌入其平台中。这些经过管理的数据架构允许代理对经过协调、情境化和访问控制的数据进行推理。
对于CIO来说，这意味着自建-采购决策与他们的数据架构成熟度密切相关。如果企业数据是碎片化的、不可预测的或治理不善的，内部构建的代理将举步维艰。购买一个提供语义主干的平台可能是唯一可行的途径。
Lyteson（莱顿森）、Tyrrell（泰瑞尔）和Gaurav（高拉夫）都强调，人工智能治理，包括伦理、权限、审查流程、偏差监测和数据处理规则，必须由CIO控制。治理不再是一个附加层，它是代理构建和部署的一个组成部分。而且这是CIO们不能外包的一个层面。
数据决定可行性，但治理决定安全性。Lyteson（莱顿森）描述了即使是良性的用户界面元素也可能导致问题。一个简单的点赞或点踩反馈按钮可能会将完整的用户提示，包括敏感信息，发送给供应商的支持团队。“你可能批准了一个不使用你的数据进行训练的模型，但随后一名员工点击了反馈按钮，”他说，“这个提示窗口可能包含来自提示的敏感细节，所以即使在用户界面层也需要治理。”
基于角色的访问又增加了另一个挑战。智能体不能简单地继承它们调用的模型的权限。如果治理不能在语义层和智能代理层始终如一地应用，未经授权的数据可能会通过自然语言交互暴露出来。Gaurav（高拉夫）指出，行业早期的部署中恰恰出现了这个问题，包括高级管理人员的数据出现在初级员工查询中的情况。
四、尽早投资编排层，它是新的架构核心
这三位领导者最惊人的共识是企业级人工智能基础层日益增长的重要性：这一层编排代理、管理权限、路由查询并抽象基础模型。
Lyteson（莱顿森）称其为有主见的企业人工智能平台，这是在整个业务中构建和集成人工智能的基础。Tyrrell（泰瑞尔）正在采用像MCP这样的新兴标准，以实现确定性的多代理交互。Gaurav（高拉夫）的连接工作图在Planview的平台内也起着类似的作用，它连接数据、本体和特定领域逻辑。
这个编排层做了一些供应商和内部团队单独都无法实现的事情。它确保来自不同来源的代理可以协作，并提供一个执行治理的单一位置。此外，它允许首席信息官在不破坏工作流程的情况下更换模型或代理。最后，它成为特定领域代理、供应商组件和内部逻辑形成一个连贯生态系统的环境。
有了这样一个层，自建-采购问题就变得碎片化了，CIO们可能会购买供应商的角色代理，构建一个专门的风险管理智能体，购买基础模型，并通过他们控制的平台编排所有内容。
五、将自建与采购的决策视为一个过程，而非一个事件
Gaurav（高拉夫）认为企业从试点到生产部署的速度比预期的要快。六个月前，许多企业还在进行实验，但现在他们正在扩大规模。Tyrrell（泰瑞尔）预计，在共享协议和智能体-智能体通信的推动下，多合作伙伴生态系统将成为新常态。Lyteson（莱顿森）认为，CIO们将越来越多地把人工智能作为一个投资组合来管理，不断评估哪些模型、代理和编排模式能以最低成本带来最佳结果。
从这些观点来看，很明显，自建-采购问题不会消失，但它将成为一个持续的过程，而不是一次性的选择。
最后，CIO们必须用一个严谨的框架来对待AI自主智能体。他们需要清楚哪些用例重要以及为什么重要，必须从小型、有把握的试点项目开始，只有在结果一致时才扩大规模。他们还应该在具有差异化的地方构建逻辑，在已经商品化的地方进行采购，并将数据管理视为一个一流的工程项目。同样重要的是，尽早投资一个编排层，它可以协调代理、执行治理，并使企业免受供应商锁定的影响。
AI自主智能体正在重塑企业架构，如今出现的成功部署既不是纯粹自建的，也不是纯粹采购的——它们是组合而成的。企业正在购买基础模型，采用供应商提供的特定领域代理，构建自己的工作流程，并在共享治理和编排框架下连接所有内容。
在这个新时代取得成功的CIO们，不会是那些最果断地选择自建或采购的人。他们将是那些创建最具适应性的架构、最强有力的治理以及对人工智能堆栈每一层归属有最深刻理解的人。
作者：Pat Brans（帕特·布兰斯）
Pat Brans（帕特·布兰斯）是Grenoble Ècole de Management/格勒诺布尔管理学院的一名高级教授，也是《Master the Moment: Fifty CEOs Teach You the Secrets of Time Management/掌握时刻：50位ceo教你时间管理的秘密》一书的作者。Brans（布兰斯）是公认的技术和生产力专家，曾在Computer Sciences Corporation/计算机科学公司、惠普和Sybase/赛贝斯担任高级职位。他的大部分企业经验都集中在应用技术来提高劳动力的效率上。现在，他通过写作和教学，把同样的想法带给了更多的观众。
译者：宝蓝
