企业级人工智能的真正挑战已不再是模型本身，而是其运营

2026年6月企业AI领域的重大转变并非又一个LLM的出现，而是MLOps作为运营智能体的一门学科而崭露头角，其面临四大关键挑战：业务上下文、治理、可观测性以及单位推理成本。谷歌云推出了Gemini企业智能体平台，用于构建、扩展、治理和优化智能体，而微软在2026年Build大会上强调，瓶颈不在于模型能力，而在于为智能体提供连贯的数据上下文。AWS的Bedrock AgentCore专注于运营开发，利用生产轨迹来改进系统，并强调了静默故障的风险。Databricks认为，智能体循环只是可见的1%，其余99%涉及部署、安全、评估和上下文。MLOps技术栈正在演进，包括智能体运行时、内存、身份、网关和追踪。谷歌的Agent Identity采用SPIFFE标准进行加密认证，AWS的AgentCore Gateway将现有API与模型上下文协议集成。可观测性现在包括定性评估，如MLflow 3和AWS的AgentCore Observability所示。基础设施正变得更加平台化，CNCF的推理网关已达到GA（一般可用性）状态。FinOps正在发生变化：Flexera的《2026年云现状报告》显示，58%的组织使用公有云GenAI服务，73%采用混合云，49%使用单位经济学。智能体系统的成本不仅限于模型API，还包括网关调用、内存和可观测性等。在欧洲，6月3日提出了《云和AI发展法案》，而《人工智能法案》将于2026年8月2日起全面适用。欧洲公司正在实现供应商多元化，以减少依赖并解决主权问题。