你的基础设施是否真正为 AI 做好了准备？

到目前为止，每个人都有一个 AI 战略。但是，很少有组织拥有支持它的基础设施。

在过去的一年里，我与几十位 IT 领导者交谈，他们面临着真正的压力，需要提供 AI 驱动的体验。他们需要更快的生产力工具，智能自动化和更好的终端管理。这种压力不仅仅局限于人类工作者：组织现在被要求提供和管理需要自己的计算资源、桌面环境和治理模型的 AI 代理。

在微软帮助构建 Windows 365 和 Azure Virtual Desktop 的过程中，我形成了一个明确的认识，即什么因素决定了组织是否能够成功部署 AI。它几乎总是归结为三个因素：云利用率、数据质量和成本纪律。

你是否正在使用你已经拥有的东西？

我问每个 IT 领导者的第一个问题是：你如何充分利用你已经支付的云能力？

大多数组织，如果他们诚实的话，会极大地低估他们的云环境。他们已经迁移了工作负载，但升级和转移的思维方式意味着他们在现代环境中运行传统模式，错过了云提供商平台中内置的优化功能。

这对 AI 至关重要。这些工作负载是资源密集型和动态的。它们会激增、扩展和需要弹性。一个没有针对云原生操作优化的环境将会在这种需求下崩溃，或者当它不需要时会花费远远超过必要的成本。

在投资新的 AI 能力之前，仔细检查你的当前环境，并问自己这些问题：

• 你的虚拟机是否大小合适，还是运行过大的实例？
• 自动缩放策略是否真正适应你的工作负载模式，还是设置后就被遗忘了？
• 你是否使用预留实例和节省计划，还是默认使用按需定价？

云提供商已经投资了优化工具。使用它们。如果你的管理层没有提供这些洞察，那么在继续之前，这是一个需要填补的差距。

数据是基础，而大多数组织的数据是有问题的

第二个，也是更关键的，准备因素是数据。不是抽象的数据策略，而是你今天的数据的实际状态。

AI 系统的好坏取决于它们训练或运行的数据。这种观点并不新鲜，但在大多数 IT 组织中，其实际影响仍然被低估。当我谈到 AI 的数据准备时，我指的是三个具体维度：清洁度、完整性和及时性。

清洁度意味着你的数据没有重复、不一致或错误，这些错误会破坏输出。对于终端管理，这可能意味着具有过时属性的用户记录、几个月没有更新的设备配置文件，或者不反映当前组织结构的策略分配。

完整性意味着你拥有 AI 需要的信号广度。应用程序交付的推荐引擎如果大部分设备遥测数据缺失，则没有用。异常检测系统如果日志中有缺口，则无法建立基线。在部署 AI 驱动的功能之前，绘制出你拥有的数据与给定功能所需的数据之间的差距。

及时性是组织最容易低估的维度。它是关于实时或近实时智能。过时的数据会产生过时的洞察，过时的洞察可能比没有洞察更糟糕。如果你的数据管道在连续流动时批量处理overnight，那么这就是一个结构性问题，AI 无法解决它。

数据卫生、管道现代化和遥测仪表化并不使董事会报告变得令人兴奋。但它们是 AI 功能是否有效还是被放弃三个月后启动的关键因素。

成本控制不是事后补救

AI 准备的第三个维度是财务方面，它在规划阶段应该得到更多的关注。

AI 工作负载 运行成本高，它们难以预测，并且经常比预算更快扩张。我见过组织从早期 AI 试点中获得了有意义的价值，但当这些试点转移到生产环境时，由于没有设计成本治理模型来伴随它们，成本就会失控。

这在虚拟桌面和终端环境中尤其如此，其中 AI 功能，如会话智能、预测缩放和自动修复，可以在同时对成千上万个会话产生大量计算需求。

管理这一问题的组织有一些共同的特征：

他们将基础设施效率视为先决条件，而不是稍后优化的问题。他们已经完成了合理利用资源、消除浪费和建立成本基准的工作，然后才开始部署 AI 工作负载。

他们将成本可视性构建到运营中。他们知道每个用户、每个会话和每个工作负载的成本，这意味着他们可以在 AI 功能驱动意外支出时尽早发现并纠正问题。

而且，他们选择了一个管理层，可以主动提供成本信号，这样他们就不会在每月的云账单中发现成本超支，而是通过实时仪表盘实现更快的决策。

差距是可以弥补的，但需要先诚实

我最乐观的组织是那些愿意对自己的现状进行诚实评估的组织。

AI 野心与执行之间的差距是真实的，但它不是永久的。下一个前沿已经可见：当代理 AI 从试点转移到生产时，基础设施准备的问题就扩展到了包括代理本身。

这意味着在扩展之前要审计云利用率，并在将 AI 层叠在其上之前投资数据质量。它还意味着将成本治理视为架构问题，而不是财务团队的问题。

AI 野心与执行之间的差距是真实的，但它不是永久的。它是一个工程和运营问题，而这些正是我们 IT 社区擅长解决的问题。