在AI时代实现可预测的成果
内容提要
企业IT追求确定性，而AI的非确定性给运营带来挑战。文章指出，企业AI落地受阻于数据质量、混合云工具分散及大型机衔接等问题。关键在于将AI代理纳入统一编排与治理，在执行路径中强制身份、权限、审批与审计，实现确定性任务与AI代理的协同编排。治理须跨所有环境统一，并以可解释、可回滚、可审计为标准。BMC据此推出Control-M及大型机相关AI能力，强调可预测性仍是核心。
延伸解读
非确定性AI与确定性流程的冲突
文章指出，企业IT数十年追求可预测性，而AI模型对相同输入可能给出不同但合理的答案。这种非确定性正是AI的价值所在，却也使其难以嵌入以确定性为基础的业务流程。企业面临的核心问题不是AI能力，而是如何将非确定性代理嵌入确定性流程，并在执行路径中强制身份、权限、审批与审计，使代理在完成工作时证据可见且人工可干预。
混合环境与大型机加剧治理碎片化
文章引用数据称，近四分之三组织运行混合云，94%仍将大型机视为长期平台。AI代理单次执行路径可能跨越企业应用、数据管道、公有云、私有云和大型机，而企业长期将这些领域作为独立项目管理。代理会以更快速度增加连接，放大数据质量、工具分散和大型机衔接等既有问题。治理若止于平台边界，就会与所管理的环境一样碎片化。
编排是恢复可预测性的关键
文章强调，代理不执行自己的提议，编排决定是否允许行动、排序并记录结果，治理则在执行路径中强制身份、范围、审批和审计。将AI代理纳入现有为关键工作负载构建的编排，比在每个AI项目中单独建立治理更快、成本更低。混合工作负载协同编排让确定性任务与非确定性代理作为同一流程协调，统一应用依赖、服务级别和恢复策略。
授权范围与可回滚性决定代理能否上线
文章提出，团队授予代理的权限应与其可验证和可回滚的程度成正比。代理应有具体任务和明确影响范围，从单一任务开始，对照现有工作方式衡量，结果可靠后再扩大权限。代理若只能解释诊断而不能解释权限，就不应获得批准。数据同样关键：代理基于过时或不完整输入会从坏证据得出看似合理的答案，并沿流程传递下去。
Q&A
为什么企业IT在引入AI时特别强调可预测性？
企业IT长期围绕确定性构建系统，交易提交或回滚、数据管道按时落地、工作负载每晚以相同方式运行，这种一致性是银行清算支付、医院收治患者的基础。可预测性本身就是产品。而AI是非确定性的，同一输入可能得出两个不同但都合理的答案，这使企业难以在围绕确定性组织起来的流程中运营AI。
企业AI落地主要卡在哪些问题上？
客户指出扩展AI的四个主要担忧：数据质量与碎片化、新AI工作负载的运营需求、混合环境中的工具蔓延、以及大型机与周边系统之间的差距。这些问题在代理式AI之前就存在，而AI代理会以组织无法治理的速度成倍增加连接，从而放大每一个问题。
什么是混合工作负载的协同编排？为什么它重要？
协同编排是指将确定性任务与非确定性AI代理作为同一流程进行协调，依赖关系、服务级别和恢复机制统一应用于两者。例如贷款发放流程中，多个阶段由AI代理和AI编排器处理，但业务流程不变。没有协同编排，代理就会运行在治理其他一切的系统之外，重蹈企业整合未授权脚本和调度器时解决过的问题。
在让AI代理执行操作前，需要回答哪三个关键问题？
三个问题是：这个代理的触达范围有多远、是谁授予的权限、撤销该修复的代价是什么。这些问题关乎代理周围的系统，只有在事件发生前就构建好答案才能回答。一个能解释诊断却说不清权限的代理不会获得批准，也不应该获得批准。
为什么AI治理必须跨所有环境统一，而不能在每个平台单独建设？
因为AI代理在一次执行路径中会跨越企业应用、数据管道、公有云和私有云、大型机等多个域。治理若止步于平台边界就不是治理。一套策略必须适用于代理触及的每个环境，背后有单一审计路径，否则在每个产品内单独建设的治理会变得和它本应控制的分散环境一样碎片化。
BMC推出了哪些具体能力来支持AI时代的可预测性？
Control-M新版本推进AI就绪的编排，将AI代理连接至业务工作流，支持SaaS和自托管环境；AI Pilot能力在监控视图中提供对话式分析和流程解释；Data Assurance for Control-M SaaS提升工作流依赖的数据质量；多区域灾难恢复保护关键工作流。在大型机上，BMC AMI Agentics for Ops和for Data用专业代理调查问题、解释根因并推荐下一步，BMC AMI Assistant将大型机知识带入Microsoft Teams，新开发能力从程序自身代码生成合成测试数据。
