Maycon Belfort 是 Naviam 的云基础设施和自动化架构师，拥有超过 17 年的系统开发经验，并在资产密集型行业中支持企业资产管理部署方面拥有丰富的经验。
代理人AI正在迅速从讨论转向在资产密集型行业中的部署。与生成式AI不同，生成式AI总结信息或草拟建议，代理人AI可以接收目标，分解步骤，拉取多个系统的数据，并执行。它可以审查维护历史，检查开放的工作订单，比较团队日程，并生成建议，而无需人工干预地连接每个信息片段。这就是为什么许多组织正在快速采用它的原因。根据2026年Gartner CIO和技术高管调查，只有17%的组织已经部署了AI代理，而超过60%的组织预计在接下来的两年内这样做。这比调查中包含的其他新兴技术的采用速度更快。在我支持的部署中，团队花费了太多时间在系统、电子表格、检查笔记和电子邮件之间切换，以便仅仅做出一个运营决策。代理人AI承诺减少这种摩擦，帮助计划员更快地准备工作，并为技术人员提供有关资产历史的更清晰的图景，而不仅仅依赖机构记忆。但是，这个承诺带来了一个容易被部署热潮忽略的陷阱：从我所见，代理人AI更像是一个运营信任问题，而不是一个建模问题。在资产密集型行业，如公用事业、交通、采矿、电信和制造业，AI代理的好坏取决于它所采取的数据。如果这些数据不完整、过时或不一致，代理人不一定会大声失败。它可能会自信地失败，推荐在错误的资产上工作，遗漏依赖项，低估风险，或误判优先级。如果你喂给代理人错误的数据，它不会扩大智能。它会扩大运营风险。旧问题在新速度下的体现代理人AI暴露出的数据质量问题并不是新问题。在超过17年的系统和企业资产管理部署经验中，我已经多次看到同样的问题：重复记录、缺失的资产关系、不一致的命名约定、过时的关键性评级和糟糕的故障编码，持续多年。变化的不是这些问题的性质，而是它们的潜在影响范围。经验丰富的技术人员可能会在采取行动之前捕获到坏记录，利用多年来从未在系统中捕获的机构知识。AI代理没有这种直觉。它可以比人工更快地处理成千上万的记录，应用相同的有缺陷的假设，在任何人注意到之前就在规模上应用它。更广泛的企业实施问题已经变得明显。2025年初步的MIT项目NANDA报告发现，95%的研究组织尚未从其生成式AI计划中获得可衡量的利润和损失影响。该报告将这种差距主要归因于学习和集成差距，包括无法保留上下文或有效适应现有工作流程的工具。在资产密集型运营中，一个坏的建议可能会影响物理设备，而不仅仅是仪表盘，这种差距变得更加严重。坏数据如何变成不安全的决策在运营环境中，这些后果变得物理化。以维护优先级为例。如果代理人无法看到最近的故障、延迟的工作订单或资产状况的变化，它可能会分配错误的优先级。这可能会在一个区域创建不必要的工作，同时允许更大的风险在其他地方保持未解决。当资产关系本身是错误的时，风险进一步增加。这是一个引发红旗的场景。如果系统不能准确反映哪些资产是连接的，在工作开始前哪些设备必须被隔离，或者哪些约束在特定站点适用，那么它的建议可能变得真正不安全。这就是为什么组织在给予代理人AI对关键决策的完全自主权之前应该谨慎思考。自愿的NIST AI风险管理框架提供了一个结构，以便在AI系统的生命周期中整合可信度，而不是仅在部署后解决它。AI可以快速收集信息，提出选项，并总结支持建议的证据。然而，当安全性、合规性或服务可靠性受到影响时，人们需要保持参与。至少最初，目标应该是支持决策的AI，而不是单独做出决策的AI。为什么企业资产管理是基础，而不是后台企业资产管理（EAM）是运营现实被组织的地方。它是工作订单、维护策略、检查、批准、资产关系和设备历史被记录和管理的地方。强大的EAM基础为AI代理提供了可靠的运营数据。弱基础很可能会被立即暴露。埃森哲对AI启用企业资产管理系统的分析同样强调了实时数据和分析在将组织从被动维护转变为主动维护方面的作用。组织不应将EAM视为后台系统，而应将其视为运营控制层的一部分。它决定了AI可以访问什么，必须遵循什么流程，依赖什么证据，以及在哪里需要人工批准。EAM还帮助提供了运营决策背后的上下文。维护建议不应仅基于单个资产的状况。它还可能取决于资产的关键性、最近的故障、连接的设备、可用的零件、安全程序、团队可用性以及停机对更广泛运营的影响。没有这种上下文，即使是技术上成熟的AI代理也可能建议错误的行动方案。您的数据是否真正“AI就绪”组织不应进行广泛的抽象数据质量审查，而应从特定的用例开始，例如AI辅助维护规划，并提出有针对性的问题。这些是我首先提出的问题：我们是否信任资产层次结构？故障历史是否可靠？工作计划是否最新？团队可用性是否准确？安全计划是否最新？数据不需要完美。很少有组织会拥有完美的运营数据。它需要准确、最新、管理良好，以便AI真正支持做出决策的人员。这种方法还使数据改进更加可管理。团队可以专注于直接影响所选用例的信息，而不是尝试清理组织内的每个记录。做错的风险并非均匀分布。在数字决策影响物理运营的行业中，风险暴露最大，这就是为什么NIST正在开发一个专门的AI风险管理框架配置文件，以指导使用AI启用功能的关键基础设施运营商。在低风险流程中，糟糕的AI建议可能会造成不便或额外工作。在电网、水系统、矿山、交通网络或电信环境中，它可能会影响安全性、造成停机、引起合规问题或破坏服务。这并不意味着这些行业应该避免代理人AI。这意味着他们需要在增加其职责之前更加谨慎地对待数据质量、治理和人工监督。代理人AI的实用路径实用实施路径始于特定的用例，其中AI可以在不引入过多风险的情况下增加价值。从那里，组织应映射用例依赖的数据，并诚实地评估是否可以信任这些信息。团队应然后更正最关键的资产数据，分配明确的所有权，并标准化工作、故障和运营更改的记录方式。AI应在现有的治理流程内运行，而不是绕过它们。在早期阶段，代理人可以通过收集信息、识别模式和建议可能的行动来支持计划员、可靠性团队和技术人员。这给了组织时间来比较代理人的建议与实际结果，找出数据缺口，并确认必要的控制措施正在发挥作用。只有在结果被理解之后，组织才应该考虑给予AI更大的责任。自主权应逐渐增加，并且仅在相关风险明确、受控和可审计时才应增加。成功的代理人AI策略将AI与可靠的资产数据和强大的EAM工作流链接起来，得到了明确的治理和人工问责的支持。德勤2026年企业AI现状报告从顶层设计出发，得出相同的结论，描述了统一的可信数据基础对于扩大AI至关重要。组织仍然对AI建议或采取的行动负责。这种责任并不会因为决策是由算法生成的而消失。代理人AI应该通过努力赢得运营机会，而不是被直接赋予运营机会。从小开始，检查其建议与实际发生的事情，修复出现的数据缺口，并且只有在证据证明合理时才扩大其角色。我宁愿看到代理人赢得少量信任并保持它，而不是被赋予大量信任然后失去它。在资产密集型行业中，这种耐心是AI赢得信任和AI悄悄失去信任之间的区别。
