近两年，中国企业的增长重心正从市场层面的“出海”，转向价值链层面的全球化。企业不再满足于出口产品，而是将研发、供应链、营销与服务体系全面推向海外，构建本地化经营能力。
然而，价值链全球化的难度在于：企业内部的数字化、智能化基础是否足以支撑跨地域协同、跨系统对接与跨业务运作。这不只是技术问题，而是企业下一阶段竞争力的决定性变量。
在与众多出海企业的长期接触中，IBM大中华区技术销售总经理、首席技术官翟峰明显感觉到一个趋势：出海已经不是选择题，而是必答题。这意味着企业需要一套能够跨地域协同、跨系统统筹、跨业务贯通的数字化底座，而AI，已经成为构建这一底座的核心。
AI构建企业全球化底座
“企业想用好AI，不仅需要模型，还必须把底层数字化基座补齐，包括高质量的数据、安全治理以及集成。”翟峰回顾IBM近年来的系列战略收购：从webMethods到DataStax，从HashiCorp到最新的Confluent，这些背后共同指向企业当前最迫切的需求——智能化能力与全球化运营能力的同步构建。在中国，IBM试图以“咨询+解决方案+平台+基础设施”的全栈方式，为企业提供“智能化+全球化”的双重底座。
IBM大中华区技术销售总经理、首席技术官翟峰
在今年的TechXchange大会上，IBM把智能体、数据与安全治理作为AI技术体系的三条主线重新向行业阐释。和Think更偏战略不同，TechXchange面向开发者与工程团队，因此所有发布都直指企业在落地AI时最实际、最迫切的问题——智能体如何真正具备生产力、数据如何变成可用资产、安全治理如何从边缘问题上升为企业级工程。
让智能体真正能“干活”
过去一年，企业在推进智能体落地时遇到的核心问题并不是“智能体能不能理解问题”，而是“能否接入企业已有的系统”“能否调到真正能执行任务的工具”。也因此，平台的开放性与连接能力，几乎决定了智能体是否能产生业务价值。
IBM大中华区科技事业部数据与人工智能资深技术专家吴敏达
“watsonx的架构正是在这一逻辑下被重新塑造。”IBM大中华区科技事业部数据与人工智能资深技术专家吴敏达介绍，IBM把整个体系的开放能力拆解为三个关键的“网关”，分别对应模型、工具和智能体本身:Model Gateway让模型托管的形式从封闭走向自由，无论企业选择IBM模型、合作伙伴模型，还是自建GPU集群上训练的内部模型，智能体都可以直接调用。企业不再需要为模型的托管位置做取舍，也无需被平台绑定;MCP Gateway可以把企业内部的各种工具部署在watsonx上，也可以在任何云、本地系统或私有环境中运行；Agent Gateway允许企业把已有的智能体生态纳入到watsonx的体系中，不论这些智能体来自第三方平台，还是企业内部已经建设的智能体应用，都可以通过统一的协议进行协作。
相比行业内更多强调模型能力的做法，watsonx更侧重于底层AgentOps，让智能体具备从开发、调度、协作到治理的全生命周期管理能力。
以财务智能体为例，这种能力表现得尤为直观。Planning Analytics原本就是业财一体化领域广泛使用的专业工具，通过沙箱模拟预算版本并接入审批流。IBM在此基础上进一步把财务域智能体与Planning Analytics深度集成，让原本需要大量人工设置与沟通的预算流程变成“对话式”操作。CFO以自然语言提出需求后，智能体会自动完成沙箱构建、预算分配、注释生成等步骤，让预算协作从手工推进变成自动化、结构化的智能流程。
如果说智能体决定了企业如何使用AI，那么数据则决定了AI能用得有多深、多稳。IBM近年来在数据层的投入明显加大，其核心正是watsonx.data——一个面向未来的多模数据底座。
“AI处理的数据天然是多模态的，包括IT工单、ERP交易记录、文档、图片等。客户越来越希望智能体不仅能‘看到’所有数据，更能以多模的方式将这些数据统一管理。”在吴敏达看来，watsonx.data的使命就是把不同形态的数据统一纳入一个底层结构，让AI能像调工具一样调数据。
此次TechXchange的重要更新之一，是让watsonx.data通过MCP服务化，让整个数据层变成智能体可直接调用的能力模块。智能体因此可以通过对话式交互直接访问治理后的数据，获得可靠的业务结果。
但在智能体进入核心业务之前，IBM始终强调一个前提：没有安全与治理，就不可能有可持续的业务价值。企业从数据采集、模型训练到最终上线接入业务系统，看似一条直线，却充满风险点。
以一个IT支持的场景为例便能看得更直观。过去，员工或客户遇到网络访问异常、密码遗忘等问题，需要打电话、开工单，再等待支持团队处理。引入智能体后，流程变得简单——它能够自动识别问题、自动开单、自动解决，并自动反馈。
但自动化越强，风险也越高。一个能够重置密码的智能体，如果被攻击者利用、突破权限，便可能造成系统性的安全事件。
因此，这样的系统需要一个不可或缺的管控能力，吴敏达将其比喻为人工智能的治理和安全系统，类似于车管所：智能体要上路，必须先登记、审批、获得“牌照”；系统需明确它能做什么、不能做什么；平台要为其配置风险评估与审计机制。而在智能体工作时，还需像车辆安全系统一样实时监控，防止误操作与攻击诱导，并能在任何“碰撞”发生时实现快速追溯。
随着智能体深入企业核心业务，行业开始意识到，智能体的开发方式本质上已经与传统软件不同。它不是一次性交付、结果确定的系统，而是一种会自适应、自调整的系统。这也是IBM在TechXchange上与Anthropic展开紧密合作，并共同推出智能体生命周期管理与治理框架白皮书的原因。
在这一框架中，IBM提出了与传统软件开发显著不同的“六步法”，其中最关键的区别是引入了两个“内循环”。第一重内循环发生在开发和测试阶段。由于智能体输出具概率性，开发过程需将监控、审计、可观测性直接嵌入内部，使团队能实时追踪智能体的推理路径并修正偏差，让安全从开发阶段就前置。
第二重内循环发生在部署与运行阶段。上线后的智能体会持续演化，平台需要通过实时监控不断优化其性能、成本与安全性，并通过监视实现完全闭环。
值得关注的是，IBM也在借助与Anthropic的合作重塑自身代码助手产品线。IBM的watsonx Code Assistant（WCA）已覆盖Ansible、COBOL等方向。未来，新版本将全面引入Anthropic的代码大模型，让代码助手从“写代码工具”演变为真正的IT生产力平台。据了解，IBM内部正在以代号“Project Bob”的工具集进行测试，多个开发团队的效率已显著提升。
自动化让系统实现真正协作
IBM在自动化领域的技术布局正变得愈发关键，而此次TechXchange的更新，也让这条技术线更加清晰。
IBM的软件体系大致分成两个方向：一个是AI与数据，一个是Automation自动化软件。
IBM大中华区科技事业部自动化资深技术专家张诚
“IBM自动化的核心目标，其实就是把那些高频、重复、易出错的工作交给机器，让流程更快、更稳、更可控。”IBM大中华区科技事业部自动化资深技术专家张诚表示，自动化主要落在三个领域：IT自动运营、应用开发与集成，以及IT安全与基础架构管理。IBM 自动化软件正是构建在数据与Agent之上，通过浏览器界面，让原本复杂且技术化的集成和运维工作实现自动化。
在大多数企业内部，系统集成一直是老问题。ESB、iPaaS等概念存在多年，但真正阻碍AI驱动业务的瓶颈仍来自大量历史系统。中国制造企业二十年前部署的MES、ERP仍在生产一线稳定运行，但要让智能体调起这些系统并执行动作，必须穿透底层，与每一个系统真正连接。
“此次发布的大量新Agent，就是要让智能体负责这些技术化、繁琐的集成任务。”张诚解释，从流程设计、代码生成，到测试、上线、监管，再到持续运维，都能交给Agent自动完成。例如在SAPS/4HANA出现新订单后自动同步到WMS，过去需要工程师手写大量测试代码，如今一句自然语言描述即可完成。Agent会自动生成流程，并完成黑盒、白盒、冒烟、蓝绿等测试；上线后若出现异常，也会自动定位原因。
此次TechXchange新发布的集成类Agent分为三类：自动生成集成流程、自动执行复杂测试，以及保障生产环境安全性。它们共同指向同一个目标——让AI不只“理解需求”，还能真正“执行任务”，并在多系统、多法规的场景下稳定运转。
随着企业对智能体的应用加深，一个更现实的问题逐渐浮现：困扰企业的不是“能不能做出Agent”，而是“如何管理大量Agent”。
“很多企业上线了几十个Agent，不但没有减负，反而更乱了。”张诚坦言原因在于，智能体的行为并非确定性，一旦出现偏差，企业往往无法判断原因、无法追溯路径，也无法评估其实际价值。
因此，自动化的第二条主线——可观测性与基础架构管理——变得至关重要。Agent必须被治理、被观测：企业需要知道它跑在哪里、做了什么、效果如何、是否与现有系统冲突。
基于这一需求，本次发布的两个能力显得尤为关键：Instana GenAI Observability：通过生成式AI提升可观测性；Project InfraGraph：基于收购HashiCorp后的基础架构图谱化能力。
张诚强调，可观测性与基础架构的增强，并不是锦上添花的“附属能力”，而是让企业真正敢用、能用大量Agent的前提：不仅可以查看完整的推理和交互的过程，工具的使用可靠且易于理解，并且可追溯，还可以验证系统看到和生成的内容，轻松看到每一步的输入和输入，最终在不影响结果的前提下控制延迟和成本。
这些能力共同构成了IBM自动化软件的价值底座：让Agent之间、Agent与工具之间，以及传统系统与智能流程之间稳定协作，不仅在国内行得通，在复杂的全球环境中也同样可控、可管理。
重塑AI时代的数据底座
在企业全面迈向“AI驱动”的过程中，数据正成为最关键、也最棘手的变量。IBM大中华区科技事业部存储资深技术专家饶有清认为，企业在“All in AI”之前必须回答四个现实问题：昂贵GPU如何最大化利用？分散在各系统的私域数据如何快速整合？多模态数据持续增长带来的存储成本如何可控？以及数据在AI时代如何确保安全与可信？这些问题的解决程度，决定了AI能在企业内部走多深、跑多稳。
IBM大中华区科技事业部存储资深技术专家饶有清
从本质上看，数据已成为企业的创造力、生产力与竞争力底座。超过八成企业计划引入生成式AI或智能体应用，这意味着它们必须将数据统一治理、结构化管理，并让AI能够真正理解数据背后的业务逻辑。为此，IBM推出的全局数据平台试图重构企业在AI时代访问、管理、存储和保护数据的方式。
基于IBM Storage Scale的全局数据平台，提供大规模并行访问、智能分层存储、混合云支持以及面向GPU的高速读写能力。对于新能源汽车、自动驾驶、芯片设计、AIGC等对数据速度高度敏感的行业来说，数据访问速度几乎等同于业务速度。平台支持POSIX、GDS、CSI等接口，可处理多类异构数据源，并通过缓存、对象集成与安全服务提升整体访问体验。
速度是另一个核心竞争点。在模型训练周期不断压缩的今天，谁能更快完成迭代，谁就更快占领市场。IBM的Storage Scale System6000将4U带宽提升到340GB/s、IOPS达2800万，Checkpoint写入速度可达到其他方案的两倍。在量化交易、大模型训练等对IO极度敏感的场景中，这直接构成业务优势。
与此同时，数据的爆炸式增长也让“高性能+低成本”成为必须兼顾的目标。IBM以“存算分离+数据分层”架构，在统一平台上实现性能与成本的动态平衡。
安全方面，IBM构建了端到端的数据韧性体系，覆盖识别、保护、检测、恢复全链路，并结合AI传感器监测威胁，通过去重、压缩、加密和磁带离线存储实现高效防护。企业因此可以提升98%的恢复速度、提升75%的备份效率、降低50%成本，并在勒索场景下实现“零赎金”恢复，确保数据在AI大规模落地时依然可控、可信。
让AI能力直达企业
在智能体、数据平台与自动化技术的体系介绍之后，IBM大中华区科技事业部车库创新团队经理张珣把讨论引向企业最关心的现实命题：这些技术最终如何在真实业务中发挥价值？尤其是在中国企业加速数字化、并向全球市场延展的当下，IBM如何让能力真正转化为生产力？
答案是IBM今年在中国启动的“AI深耕”计划。其核心思路并不复杂——让IBM的技术、工具与方法论真正落地到民营企业最密集、转型需求最旺盛的区域市场。通过与地方政府、生态伙伴和行业协会深度协作，把“AI能力”变成企业可以拿来即用的“AI工具”。
IBM大中华区科技事业部车库创新团队经理张珣
在推进路径上，IBM以“区域+生态+共创”三条线并行：区域层面聚焦产业带；生态层面依托本地伙伴，将技术与行业know-how结合，沉淀行业化方案；共创层面与政府、协会建立平台，推动需求与实施形成闭环。最终目标是让AI在企业内部生根，成为持续创造价值的生产力。
在能力覆盖上，IBM贯穿了从AI战略咨询到AI基础设施的完整链路。张珣特别强调了企业最关注的一层——AI解决方案。围绕研发、生产、供应链、销售、服务、财务等核心业务域，IBM在国内已经积累了一系列成熟案例，并在出海业务中沉淀出一套可复制的解决方案体系，包括数据安全合规、跨国高速传输、成本优化、设备管理等，显著提升了企业的全球运营效率。
以研发协同为例，一家头部新能源汽车企业正处于智能化快速迭代阶段，研发复杂度不断攀升，同时还要符合海外标准如AutomotiveSPICE。传统研发模式已难以支撑。在与IBM合作后，基于IBMELM构建的智能研发全生命周期管理平台，让流程的“智能化升级”第一次真正发生在研发前端。
“在智能座舱项目中，过去需要两周的人工作业，如今在两小时内完成——AI自动解析需求、打标签、分类归档，并依据国际标准和企业知识库进行自动校验。”张珣表示，平台还能识别跨模块需求矛盾，把测试阶段的隐性问题提前到需求阶段解决，大幅减少返工、压缩沟通成本，实现研发效率与质量的同步提升。
写在最后
中国企业正在迈向价值链出海，这种全球化的方式要求企业具备统一的数字化与智能化能力；与此同时，AI正从模型能力走向业务执行，需要智能体、集成平台、数据底座、安全治理等多个层面的协同。这些能力不是孤立的产品，而是一套从方法论到平台、从咨询到技术的组合体系。
这正是IBM的核心优势：以“技术+咨询”驱动的全栈能力，从智能体、集成、数据，到安全与治理，帮助中国企业真正跑出“智能化+全球化”的新竞争力。
京公网安备 11010202008829号