编排战略的紧迫性从未如此强烈。根据企业管理协会（EMA）2024年的研究，91%的技术领导者认为AI增强型编排在未来两年内至关重要，80%的企业正转向全企业范围的编排，以运行相互连接的数字化服务。
这种紧迫性很大程度上来自AI本身。企业已投入大量资金，但回报却迟迟未能跟上。麻省理工学院2025年发布的《商业中的AI现状》研究发现，约95%的生成式AI试点项目未能带来可衡量的盈亏影响，而Gartner预计到2027年，超过40%的智能体AI项目将被取消。麻省理工学院还指出，尽管生成式AI预算中有一半投向了销售和营销领域，但实际最大的回报却来自并不起眼的后台自动化工作。
在没有集中化策略的情况下部署自主AI智能体，可能会加剧企业现有的碎片化问题。要实现有效扩展，IT领导者必须弥合传统自动化与智能体AI之间的差距。
在构建或改造工作流程时，架构师面临一个根本性选择：依赖确定性自动化，还是构建智能体AI应用。
确定性自动化是传统运营的支柱。工程师按照严格的依赖关系对任务进行排序，每次运行都遵循完全相同的路径。
智能体AI则是在运行时根据目标来确定步骤。智能体利用工具、API、记忆以及大语言模型来推理出下一步最佳行动。两者的实际差异在于推理发生的时机：是在设计阶段一次性完成，还是在运行时反复进行——而每次运行都要付出代价。
智能体AI的支持者反驳称，模型正在不断改进，Markdown指令文件可以让智能体在本地执行常规步骤。然而，一个每次执行结果都完全相同的指令文件，本质上只是换了个名字的脚本而已。
真正的区别在于这个脚本存放的位置。深藏在智能体内部的确定性逻辑，脱离了编排器的可见范围，缺乏统一的调度安排和一致的审计追踪。隐藏的脚本会扩大可观测性方面的漏洞。确定性步骤应当归属于编排层。
智能体的灵活性在运行时需要付出代价：
成本：大语言模型的Token消耗是一项反复产生的开支。智能体每做一次决策就要消耗Token，而确定性执行每次运行的成本几乎为零。
延迟：模型的多次调用并非即时完成。在具有严格服务等级协议（SLA）的工作流程中，每个步骤都调用模型会拖慢执行速度。
准确性：错误会不断累积。在一个包含十个步骤的智能体链条中，如果每个步骤的可靠性为95%，那么整个流程正确完成的概率大约只有60%。
可审计性：脚本出错时，你能得到一份堆栈追踪记录。而智能体出错时，你通常只能得到一个看似合理的解释，别无其他。
为了理清思路，企业架构师需要一个实用的框架。其指导原则是：将非确定性因素限制在真正能创造价值的最小范围内。
IT领导者可以按照数量（每次运行的成本和错误如何随吞吐量成倍增加）和变异性（非结构化输入如何打破传统决策树）这两个维度对工作负载进行分类。
高数量、低变异性：仅在设计阶段需要AI参与。由于Token消耗、延迟和错误成本会随每次运行重复产生，智能体并非理想选择，应采用完全确定性的自动化方式。
低数量、高变异性：此时运行时AI是合理选择，因为输入过于非结构化，无法映射到固定的规则体系中。
高数量、高变异性：答案是采用混合方式。确定性框架负责处理调度、依赖关系、重试和状态管理，而智能体仅在需要判断力的步骤中才被引入。
这一划分界限是动态变化的：当智能体持续做出相同的决策时，该路径就应当被提升为确定性自动化。
企业的未来是混合模式。标准的确定性任务与智能的智能体任务，将在单一的端到端编排工作流程中共存。
要安全地管理这一切，需要一个智能控制平面——一个连接各利益相关方、AI模型和企业系统的集中治理框架。这个平面必须具备财务问责能力，使平台所有者能够清晰地归因各业务部门的Token消耗和基础设施成本。
智能体AI是一场架构层面的变革，而非一个独立的工具。在碎片化的自动化体系中实施治理和可观测性，是至关重要的第一步。IT领导者必须从今天开始明确自己的企业编排战略，以重新掌控局面、抵御安全威胁，并高效地扩展AI计划。
若想了解企业控制平面所需具备的更多内容，请阅读相关研究报告：《从结果到权限：定义企业控制平面》。
作者简介：拉吉夫·库马尔（Rajeev Kumar）拥有逾二十年的企业软件开发和产品管理经验，为博通公司的全球客户提供专业服务。他热衷于发现客户面临的问题，并探索创新的解决方案。拉吉夫负责领导博通AOD自动化产品线的产品管理与战略团队。
