企业 IT 运维有个尴尬的地方：干得好往往没人留意，一旦出问题，整条业务线都可能跟着停摆。
制造企业的感受尤为真切。生产系统不能停，办公终端得守住安全，业务应用之间还要打通协同。数字化推进之下，IT 要管的东西越来越多，系统之间的牵连也越来越密，单靠工程师一台台排查、手工处理，早就顾不过来。
自动化一度是应对这些问题的主力。靠统一管理和批量部署，重复活儿能交给工具去跑。但它有天花板：规则清晰的任务它最擅长，碰到需要综合判断、追根溯源，或者横跨好几个环节的问题，还是得人来拍板。
AI，特别是具备直接执行能力的智能体，正尝试跨越这道鸿沟。
10月20日，ManageEngine 卓豪面向中国市场一口气推出30余款 Zia 智雅智能体，并计划到2026年底把数量扩到100余款。它们嵌进现有的 IT 管理产品里，背后是自研的 Zia 智雅大模型。已经在用 ManageEngine 的客户，调用这些预置智能体不用额外出 Token 费用，也无需单独采购 AI 平台，就能在原有环境里跑起来。
除此之外，ManageEngine 卓豪还打算用智能体构建器和 MCP 接口把应用面铺得更广。但绕来绕去，核心还是同一个问题：当 AI 从 “回答问题” 进阶到 “执行任务”，企业该如何推动它深度嵌入日常流程，避免它沦为额外加装的工具？
从自动化到自主执行
“大模型能给出方案，智能体则更进一步执行任务，把方案变成实际的动作，更快、更智能地处理。”ManageEngine 卓豪中国首席运营官李飞表示，传统自动化依赖预先编好的规则——比如某种告警来了就跑对应脚本，设备到了某个阈值就触发既定操作。智能体则更有可能结合设备状态、日志和现有工具的能力来分析问题，再决定下一步动作。它不光是告诉工程师该怎么做，还可能直接调用工具执行任务。
区别不只是技术能力上了个台阶，更关键的是流程本身变了：过去要工程师自己判断、找工具、动手操作，现在其中一些环节有机会交给智能体。
这次推出的30余款Zia智雅智能体，主要落在全栈可观测性、统一服务管理、统一端点管理与安全、身份与访问管理，以及安全信息与事件管理这几块。具体能做的事包括根因分析、应用性能监控、服务台工单处理、知识库文章生成、设备故障排查和资源纳管等。
这些事看着不起眼，却是 IT 运维天天要处理的基本盘。据 ManageEngine 卓豪给出的数据，全栈可观测性相关的智能体能把设备修复时间压短40%到60%；企业服务管理的智能体可以独立处理40%到60%的工单；终端安全一类的场景，则能把部分处理流程从按小时算降到按分钟算。
不过，从“能用”到“真正用进日常”，中间还隔着一道现实的门槛：企业要算的不仅是 AI 能干什么，还有花多少钱、好不好部署，以及能不能和现有的 IT 环境对上。
零Token成本，让AI融入现有系统
智能体的核心变革是实现自主执行，而ManageEngine 卓豪 选择的落地路线，是压低使用成本、降低部署门槛。
企业对 AI 不缺兴趣，可一旦真要跑进生产环境，模型调用费、部署复杂度、数据安全往往会变成新的挑战。尤其是当智能体从几个人试用扩到整个 IT 团队，甚至嵌进日常运维流程，用量一上去，成本就可能卡住规模化。
ManageEngine 卓豪的做法，是把自研的 Zia 智雅大模型和预置智能体直接集成进现有产品。已经在用其产品的客户，调用这些能力不用额外付 Token 费，也不用单独去买 AI 平台或智能体工作流工具。
ManageEngine 卓豪全球副总裁 Mathivanan 表示，这套打法源于三大底层积累：30年的工程技术经验、自研的 AI 模型，以及公司自己运营的基础设施。Zia 智雅大模型支撑着全线产品的 AI 功能，服务超过1.5亿用户，覆盖120余款产品。
从产品策略上看，零 Token 成本不只是一句降价口号，它更想做的是把 AI 从一笔要单独核算的新增开支，变成现有 IT 管理产品里随手就能调的能力。
不过，零 Token 的承诺有明确边界。李飞补充说，用 ManageEngine 卓豪自研的 Zia 智雅大模型及预置智能体，不用额外付 Token 费用；如果企业选择调用 DeepSeek、WorkBuddy 等第三方模型和智能体，就可能产生相应的费用。
成本门槛降下来之后，新问题也跟着来了：预置智能体能兜住通用需求，却很难贴合每家企业的特殊场景。为此，ManageEngine 卓豪还计划提供智能体构建器，并通过 MCP 接口把自身产品能力开放出来。
“用户可以用自然语言描述任务，构建器据此生成初步模板，再结合实际环境去配置上下文、判断条件、安全围栏和执行动作。”李飞表示，目前智能体能拿到的上下文，主要来自 ManageEngine 卓豪产品能获取的数据，比如设备配置、性能数据和日志；能执行的动作，也以产品自身已有的功能为基础。
MCP 则提供进一步扩展的接口，企业可以让第三方智能体调用 ManageEngine 卓豪开放的能力，拼出更复杂的工作流。三条路线各有各的用处：预置智能体对付高频、通用的需求，构建器帮企业把具体任务接进去，MCP 则让既有的 IT 管理能力参与到更大的智能体协作里。
这套思路的关键，不是让一个模型包办一切，而是把 AI 塞进企业本就在用的工具里，再按实际需要一点点往外扩。对 IT 部门来说，这比单纯多开一个 AI 聊天窗口要实在得多。
不过，工具更好拿、任务更好配，并不等于企业就该把更多权限交给 AI。智能体一旦真的上手操作，效率之外，安全就成了绕不开的话题。
自主执行走得多远，取决于安全边界
IT 运维牵扯设备配置、系统权限、网络端口和安全告警。答错一次可能只是信息偏差，执行错一次却可能危及关键设备，甚至让业务停摆。客户的顾虑很具体：大模型可能“幻觉”出错误的操作建议；企业也担心敏感数据在调用外部模型时被泄露出去。
李飞表示，客户数据不会拿去训练 AI 模型，相关智能体跑在自研的 Zia 智雅大模型上，数据存在北京、上海的本地数据中心，不会传到外部第三方模型。ManageEngine 卓豪还用安全围栏、权限限制和人工审批来压住执行风险，部分关键操作必须过人工审批这道关。
不过，数据存在哪儿、调不调外部模型，只是安全的一小块。智能体能碰哪些数据、拿到多大权限，以及出错时能不能及时拦下或撤回操作，同样要紧。
Mathivanan 认为，自主程度得跟任务风险对上号。一个只能读日志、给建议的智能体，和一个能直接关掉网络端口的智能体，风险根本不在一个量级——哪怕跑的是同一个模型，权限也不该一样。
说到底，企业上智能体不能只看它能干多少活，还得按任务的影响面和风险等级，划清楚它到底应该做到哪一步。
照这个思路，智能体落地不是把人工操作一把梭交给 AI，而是重新切分人和系统的职责：哪些能全自动，哪些要人确认，哪些必须由工程师握着最终决定权。
这种一步步来的方式，反倒更贴近企业 IT 运维的真实处境。说到底，运维的第一目标不是把自动化比例刷高，而是保系统稳稳地跑。效率提升只有在这一前提下才有意义。
北京福田康明斯发动机有限公司 IT 经理刘元福的分享，让人看到企业实际是怎么看待这层关系的。
福田康明斯之前有个现实麻烦：设备多，补丁更新、安全防护、电脑域控管理都要砸进去大量人力。以前换电脑，工程师得一台台装系统；用了 ManageEngine 卓豪的产品后，可以统一部署，把任务批量推到多台机器上，甚至排到夜里自动装。
“企业选择相关工具时，关注的不只是功能，也包括使用体验。” 刘元福表示，IT 工程师得能顺手地把管理操作做完，普通员工也最好能通过自助服务搞定改密码、取软件这类常见需求。
这些基础工作决定了 IT 管理能不能真正减下负来。对福田康明斯来说，运维第一要务是保障生产连续。底层系统稳了，企业才谈得上进一步做数字化和 AI 应用；要是生产老断、系统老出毛病，别的增值工作也推不动。
写在最后
在中国市场，ManageEngine 卓豪也在顺着本地化需求持续投钱。目前它已服务中国超过5000家企业，有100余家合作伙伴，并计划未来五年投入4.25亿元人民币，重点铺在数据中心、AI 研发、技术支持和合作伙伴赋能上。
在产品适配上，ManageEngine 卓豪支持人大金仓数据库、麒麟和欧拉操作系统、ARM 架构以及东方通中间件，并兼容 DeepSeek 等模型，好对接中国企业现有的 IT 基础设施和应用需求。
往后几年，AI 智能体大概率会进一步改写 IT 运维的分工，但这未必等于工程师被整体替换。更可能出现的画面是：工单分类、故障分析、重复操作逐步交给系统，工程师把更多精力腾到复杂故障、架构设计、安全治理和业务协同上。
AI 浪潮几经起伏，但企业对系统稳定、效率提升和成本控制的诉求始终不变。智能体能不能真正立住，最后还是看它能不能把这些实际问题解决掉，并且让 IT 从“保系统不瘫”再往前一步，变成业务持续运转和创新的底座。
京公网安备 11010202008829号