作者：红帽资深副总裁兼首席营收官Andrew Brown
每天，我都会和企业IT高管、业务领袖以及合作伙伴交流，他们都面临着完全相同的压力：我们究竟该如何从AI的概念试验，跨越到真正的企业级生产环境？
如果你浏览一下当今的技术头条，会觉得答案非常简单。整个行业目前正对“智能体AI”（Agentic AI）这一概念极度痴迷——它承诺只需动动手指，自主软件智能体就能执行复杂的企业工作流程。主流舆论将AI视为一个独立的“魔法盒”。只要买对专属的私有模型，插上电源，你的运营难题就会烟消云散。
然而在现实世界中，我在全球生态系统中遇到的领袖们正面临着更为脚踏实地的现实。他们深知容错空间已大幅收窄，并正在提出一个根本性的问题：我们到底该在什么基础上进行构建？不是哪家供应商，不是哪朵云，当然也绝不仅仅是哪个模型——而是那个让我们能够快速创新，同时又不会破坏核心既有业务的底层底座是什么？
事实是，对话的焦点正在从“你的模型有多大？”转向“你的平台有多灵活？” 尽管前沿模型继续主导着主流话题，但企业的运营现实并不会围绕这些庞然大物展开。要从炫目的桌面演示转化为可问责的企业资产，我们必须停止将AI视为集权式的单体架构，并开始意识到：企业AI的未来不在于规模，而在于选择。
蜂拥采用大型私有前沿AI模型的浪潮，制造了一种虚假的安全感。
然而，这些大语言模型（LLM）对于日常的企业任务来说往往是大材小用，不仅推高了成本，还会将你锁定在单一供应商的发展路线图上。
真正的企业价值并非来自单一供应商。正如没有哪种单一环境能支撑起整个企业IT一样，企业AI的未来必然是私有模型、开源模型以及高度行业定制化模型的混合体。更小巧的开源模型是解决特定、垂直领域业务问题的理想选择，在这些场景下，前沿模型的威力和规模只会被白白浪费。
对于金融、医疗和汽车等高风险行业而言，盲目依赖外部的闭源实体不仅是商业风险，更是不可能完成的任务。通过在企业内部以“服务化”（as-a-service）的形式维护更小的开源模型，企业可以利用其私有数据进行微调，实现性能最大化，并大幅降低数据泄露的风险。场景即王道。为了优化你的投资，AI模型必须适配你的具体应用场景，而不是削足适履。
当我审视整个企业技术版图时，阻碍AI规模化落地的最大瓶颈并不是代码或模型本身的能力，而是底层基础设施的限制。
眼下，算力需要走向普惠。企业AI绝不能被GPU的供应量或单一芯片供应商所挟持。如果整个自动化战略都被束缚在单一的硬件架构上，将暴露在巨大的供应链风险和飙升的成本之中。
要在走向生产环境的竞争中获胜，我们必须将AI平台与单一的硬件家族进行解耦。
AI领域的“选择权”，意味着拥有一座由广泛硬件生态系统所支持的底层平台——将主流供应商与专用架构融为一体。基础设施需要成为一个一致的抽象层。无论工作负载需要工厂车间的边缘加速器，还是数据中心里的重载主力机，统一的平台都能根据业务需求的变化，在模型与硬件之间实现工作负载的无缝切换。
随着自动化被深度嵌入到核心工作流程中，多数企业正逐渐意识到一个关键挑战：数字主权。控制力是现代IT的终极硬通货，AI也必然会遵循完全相同的路径。
数字主权已不仅仅是一项合规程序，更是为了保持对技术供应链、业务运营和知识产权绝对掌控的核心业务优先级。由于你的数据天生就是分布式存在的——生活在本地、在多个公有云中以及在边缘端——AI工作负载就必须驻留在最接近这些数据真正产生的地方。
如果无法掌控用于训练、微调和提供AI服务的平台，就无法掌控自己的业务。这就是为什么主权AI战略要求在数据获取和训练上划定区域和国家级的边界。通过将战略锚定在开放平台上，将获得可审计性、透明度以及审查和修改代码的自由，从而满足自身的特定运营需求，而不是供应商的需求。
我们需要停止追逐前沿科技的喧嚣，转而关注真正驱动商业与运营成功的因素。
在下一波自动化浪潮中蓬勃发展的组织，绝不是那些寻找单一、私有魔法捷径的企业。
最终的赢家，将是那些专注于构建值得信赖、灵活且为“选择权”而设计的底座的领袖——这使他们能够在正确的地点、正确的硬件上运行正确的模型。
通过选择速度、开放性和平台灵活性，我们不仅解决了眼前的复杂性，更解锁了无与伦比的自由度，去改变、调适、重塑和规模化未来出现的任何颠覆性突破（技术）。