摘要
- 随着 AI 采用日趋成熟,挑战正从生成孤立智能转向跨系统边界协调智能体、工具和工作流。
- 模型上下文协议 (MCP) 是一项开放标准,用于将 AI 系统与工具、数据源、资源和提示连接起来;但仅有连接并不能建立信任、治理或责任机制。
- 成功的编排需要来自记录系统的权威上下文、与每个智能体自主性相匹配的治理,以及能够随工作跨系统流转的可审计性。
- Ivanti Neurons 平台中的 MCP 支持为获批的 AI 系统提供受治理的访问路径,使其能够访问经授权的 Neurons 上下文;同时,Neurons 仍然是技术资产、关系、所有权、合规性和运行状态的记录系统。
为什么编排是企业 IT 的下一片前沿
在本文中,我们将说明可靠的 AI 如何始于权威记录系统。组织需要一份受治理的技术资产、关系、所有权、合规性和运行状态记录及历史,以便人员、自动化和 AI 能够基于一致的上下文开展工作。但即使具备了这一基础,新的挑战也会出现:工作本身很少只停留在一个系统内。
组织无法保护、治理或优化其无法看见和无法协调的事物。一次修复可能涉及发现引擎、配置管理数据库、IT 服务管理 (ITSM) 平台、补丁管理工具、云控制台和安全扫描器。如今,这些交接往往依赖人工操作、脆弱的点对点集成,或人员在不同上下文之间来回切换。
随着组织引入 AI 智能体和自动化工作流,连接数量会成倍增加。同时,风险也会增加:在一个系统中执行的操作可能基于不完整的上下文,与另一个系统中的策略冲突,或在事后难以解释。设想安全扫描器在一台服务器上标记出一个严重漏洞。AI 智能体建议立即打补丁,但配置数据库显示该服务器已停用,而 ITSM 平台显示其所支持的应用正处于变更冻结期。每个系统在自身视角下都是“正确的”,但该智能体缺少共享的权威上下文来协调这些信息。结果轻则浪费一个补丁周期,重则导致服务中断。
数据印证了这一差距:根据 McKinsey 的说法,十分之八的公司将数据限制视为扩展智能体式 AI 的障碍。该公司认为,随着自主性和协调能力的提升,智能体式 AI 需要 高质量数据、可互操作的基础以及更严格的治理。
Gartner 预测,到 2027 年,40% 的企业将因部署后发现治理缺口而降低自主 AI 智能体的级别或将其停用。Gartner 建议,治理应与智能体的自主级别、范围及相关信任边界相匹配。
同样,BCG 也指出,AI 智能体在大型企业中的普及速度“快于决策者设计治理框架来管理它们的速度”,在规则不一致、监督碎片化的情况下迅速扩散。
这些发现指向的问题不只是连接性。组织也许能够比建立必要的权威、控制和责任机制更快地连接智能体和工具,而这些机制正是治理它们之间所发生之事的关键。
这一模式非常清晰:缺少治理的编排无法规模化。它会带来更多连接,却不会带来更多信心。IT 与安全领域 AI 的下一阶段,不会取决于谁连接的系统最多,而会取决于谁能够在跨系统协调工作的同时,确保决策和行动有依据、受治理且可问责。
模型上下文协议 (MCP) 如何支持 AI 编排
MCP 由 Anthropic 于 2024 年底推出,为 AI 应用连接工具、数据源、资源和提示提供了一种标准化方式。组织无需为每一种客户端和服务器组合创建定制集成,而是可以使用通用协议来开放经授权的上下文和能力。
该协议正持续演进,以支持更广泛的企业使用场景,其中包括旨在支持 AI 应用与服务之间可扩展、更复杂交互的能力。这一进展非常重要,但技术成熟度并不能消除企业治理的必要性。
简而言之,MCP 为组织提供了一种一致的方式,将经授权的上下文和能力开放给兼容的 AI 系统。它可以简化编排所依赖的连接。但仅有连接并不能建立信任。
Ivanti Neurons 平台使获批的 AI 客户端和智能体能够通过 MCP 访问经授权的实时 Neurons 上下文。对于其所治理的技术上下文,Neurons 始终是权威的 记录系统,即使这些上下文通过另一个获批的 AI 体验被使用也是如此。
“MCP 带来的真正机会并不只是把 AI 连接到更多系统,而是确保每一次连接都基于可信的上下文。当 AI 从受治理的记录系统中检索授权数据,而不是直接访问碎片化来源时,协调工作就足够安全,可以实现规模化。这正是让编排具备企业就绪能力的关键,而不仅仅是让它在技术上可行。”—— Ivanti AI 产品管理副总裁 Meeta Dash
为什么 AI 编排需要受治理的上下文
连接系统让编排成为可能;定义权威则让编排变得可靠。随着 AI 系统跨越组织边界,领导者必须明确规范每次交互的规则,包括:
- 每次交互依据哪些权威上下文?
- 正在请求访问的是哪个身份?
- 它可以使用哪些数据和能力?
- 哪些环节需要人工审批?
- 由哪个系统执行该操作?
- 如何审计该交互及其结果?
Gartner 将 执行权威 描述为一种架构位置,涵盖身份、权限、策略执行、记录系统访问和可审计性。它预见到,成功的平台会将智能体编排嵌入记录系统,开放具备策略感知能力的 API 执行,并强制实施身份、权限和审计控制。
并非每个智能体都会产生同等程度的风险。治理应反映智能体可以访问或执行的内容、它能够触达的系统,以及其行动可能带来的后果。随着自主性和运营影响增加,人工审批和更强的控制会变得更加重要。Gartner 的研究支持 根据智能体自主性应用治理 和范围,而不是对所有智能体施加相同的控制。
正在形成的企业模式更倾向于受治理的控制平面,而不是与任意 MCP 服务器进行不受限制的连接。常见做法包括经审查的服务器注册表、限定范围的凭据、基于标准的授权、审计日志记录,以及组织边界内的成本控制。综合来看,这些控制会限制智能体如何连接、能够访问什么,以及如何在整个组织中追踪其活动。没有这些控制,一个跨五个系统协调工作的智能体可能只是把碎片化或冲突信息所造成的风险扩散开来。
组织并不需要为每一类企业数据都建立一个单一事实来源。它们真正需要的是明确:在某个具体决策所涉及的上下文中,哪个系统具备权威性。对于 Neurons 而言,这种权威适用于技术资产、关系、所有权、合规性和运行状态的记录及历史。
记录系统如何支持受治理的 AI 编排
对于 Ivanti Neurons,这一治理模型始于清晰的责任划分。平台对于其所治理的技术上下文保持权威性,而 MCP 则为获批的 AI 客户端和智能体提供结构化访问路径,使其能够访问经授权的平台数据。
这一访问路径是对 Ivanti 原生 AI 战略的补充:智能体式 AI 框架 为构建和管理智能体提供结构,AI 服务提供洞察和建议,对话式 AI 报告提供自然语言体验,而 MCP 使受支持的外部 AI 客户端能够访问同一个受治理的 Neurons 基础。
MCP 提供标准化访问路径。围绕它的平台、应用、身份、权限、策略和审计控制则提供治理。这一区分可以避免将协议误认为是授权决策或执行运营变更的系统。
关键在于,Ivanti Neurons 平台始终是记录系统,而 MCP 始终是一种协议,而不是数据存储。MCP 服务器可以返回某次交互所需的授权上下文,但它不会成为新的事实来源。
上下文可以流动。权威仍留在记录系统中。
例如,设想在一组端点上检测到高风险漏洞。相关上下文可能包括受影响资产、资产所有者、业务关系、配置状态、当前合规状态以及可用的修复指导。如今,分析人员可能不得不在漏洞扫描器、资产清单、上下文关系、补丁系统和 ITSM 平台中手动重建该上下文。
在受治理的编排模型中,获批的 AI 体验可以通过 MCP 支持检索经授权的 Neurons 上下文。智能体或应用层可以使用该上下文来支持调查、确定优先级或建议下一步行动。任何修复、记录更新或工单操作仍由获授权的应用或平台执行层负责,并受相应策略和审批约束。
目标并不是让 MCP 自主行动,而是确保协调工作所需的上下文能够在获批边界之间流动,同时不让权威来源随之迁移。
治理 AI 编排的四项最佳实践
遵循以下四项治理最佳实践,可以帮助您跨平台编排 AI 系统,同时确保上下文具备权威性、操作可问责。
围绕记录系统构建 AI 编排
绕过记录系统的编排会导致不一致。在跨系统连接智能体和工作流之前,团队必须定义哪个系统 对决策中使用的每类上下文具备权威性。
应精确定义记录系统所治理的内容,并避免暗示某个平台对每一类企业信息都具备权威性。对于 Neurons 而言,这意味着技术资产、关系、所有权、合规性和运行状态的记录及历史。其他系统可能仍然是其他业务领域的权威来源。
记录系统应充当每次协同交互所引用上下文的 数据权威。当团队基于共享基础进行编排时,协调会强化信任,而不是削弱信任。
让 AI 治理控制与智能体自主性相匹配
治理 应反映智能体实际能够做什么。领导者应为每个智能体和工作流定义信任边界和自主级别:
- 它可以访问什么?
- 它可以解读什么?
- 它可以建议什么?
- 它可以发起什么?
- 它可以执行什么?
- 哪些环节需要人工审批?
检索上下文的智能体与建议修复的智能体所需的控制不同。跨生产系统执行变更的智能体则需要更强的安全防护。可扩展的治理并非一刀切,而是与风险、自主性和运营后果成比例。
在互联系统之间应用一致的 AI 治理
当工作跨越多个系统时,治理不能止步于边界。组织需要确信,支撑决策的数据来自授权来源,访问遵循适当权限,操作仍受组织策略和控制约束。
随着 AI 系统、智能体和工作流跨平台连接,身份和授权变得越来越重要。通过基于标准的授权、OAuth、基于角色的访问控制 (RBAC) 和策略执行,将治理融入每次交互,有助于组织在工作跨系统进行时保持控制。目标不是不受限制的连接,而是基于权威上下文和受治理访问的可信协调。
从单一跨系统工作流开始 AI 编排
受治理的编排最好先在聚焦场景中得到验证,再进行扩展。从一个跨两到三个系统的工作流开始,例如从漏洞检测流转到受治理的补丁修复,再到经验证的工单关闭,并证明上下文、策略和可审计性能够贯穿各个交接环节。一旦这一闭环得到验证,就可以将同一模式扩展到更多领域。扩展由此变为增量式:同一个受治理基础、同一个编排模型,应用到新的用例。
受治理的 AI 编排将为未来铺平什么道路
当协调基于受治理的上下文时,组织就能从汇集证据转向充满信心地采取行动。团队可以在跨系统范围内获得一致的技术环境视图,从而减少在调查、确定优先级、审批和跟进之前验证上下文所花费的时间。
团队无需花费太多时间来协调不同系统各自认定的事实。智能体也不太可能基于片面或冲突的上下文采取行动。领导者能够更加确信,某一领域的自动化仍会与另一领域的策略保持一致。随后,编排可以将 权威记录系统数据 向外扩展,使平台内治理工作的上下文、策略和责任机制同样适用于跨越平台之外的工作。
Neurons 中的 MCP 支持可以将经授权的平台上下文扩展到获批的 AI 系统、合作伙伴、开发者和未来体验,而不会创建额外的事实来源。Ivanti 的原生 AI 体验同样重要,它们为在 Neurons 内部应用这些上下文提供对话式、多智能体和专用路径。
其价值在于提供选择而不造成碎片化:不同的 AI 体验可以使用受治理的上下文,而 Neurons 仍然对其管理的技术数据保持权威性。
准备好在不失去控制的情况下扩展 AI 编排了吗?
在 AI 编排方面取得成功的组织,会将其作为一种运营模式来管理,而不仅仅是一个集成项目。它们为每项决策定义权威来源,根据智能体自主性设置控制,在交接过程中保持可追溯性,并且只在跨系统工作流被证明可靠后才进行扩展。
第一波企业 AI 侧重于生成和呈现智能。下一阶段将侧重于跨系统协调工作。领先的组织未必是拥有最多智能体、集成或模型的组织,而是能够在需要的地方提供权威上下文,同时确保决策和行动受治理、可解释且可问责的组织。
借助 Ivanti Neurons 平台,原生 AI 体验和启用 MCP 的访问方式为使用受治理的平台上下文提供互补路径。对于其所治理的技术上下文,Neurons 始终是记录系统。AI 体验可以检索和解读该上下文,而授权应用和工作流仍然负责执行。
上下文可以跨越系统边界。权威、治理和责任机制必须保持完整。
探索 Ivanti Neurons 平台 中的 MCP 支持如何帮助您的组织将权威技术上下文扩展到获批的 AI 体验,同时保持控制。
常见问题
什么是模型上下文协议 (MCP),它为什么对 IT 和安全运营很重要?
MCP 是一项开放标准,为 AI 应用连接工具、数据源、资源和提示提供一致的方式。对于 IT 和安全运营而言,MCP 的重要性在于,调查和工作流往往依赖分布在多个系统中的上下文。通用协议可以减少对定制客户端到服务器集成的需求,并通过一致的接口提供经授权的上下文和能力。MCP 本身并不建立数据权威、确定策略或执行运营工作流。这些责任仍由连接的平台、应用、智能体、身份系统和治理控制承担。
Ivanti Neurons 平台如何使用 MCP 治理 AI 访问?
Neurons 中的 MCP 支持提供了一条结构化访问路径,使获批的 AI 客户端、智能体、合作伙伴和未来体验能够检索经授权的 Neurons 平台数据和上下文。Neurons 始终是记录系统,而 MCP 则作为一种协议,用于提供获准访问的上下文。
这是 Ivanti 更广泛 AI 战略的一部分。原生 Neurons AI 体验、智能体式 AI 框架、AI 服务、对话式报告以及受支持的外部 AI 客户端,为使用和应用受治理的平台上下文提供了互补方式。
为什么 AI 编排需要记录系统?
编排连接系统,但连接并不会让这些系统变得可信。缺少明确定义的数据权威时,智能体可能会基于碎片化或相互冲突的信息采取行动,而协调工作也可能放大不一致。记录系统提供获批 AI 交互可引用的权威上下文。对于 Neurons 而言,这包括技术资产、关系、所有权、合规性和运行状态的记录及历史。这并不意味着 Neurons 是每一类企业数据的权威来源。通过将上下文锚定到适当的记录系统,组织可以跨边界协调工作,而不会创建相互竞争的事实来源。
MCP 会执行修复或自动化工作流吗?
不会。MCP 提供的是一种访问经授权上下文和能力的标准化机制。它不应被描述为工作流引擎、自动化平台、决策层或自主执行系统。建议和执行通过相关 AI 智能体、应用、平台体验或工作流层进行,并始终受权限、策略、审批和审计要求约束。当前的 Neurons 规划架构将初始 MCP 访问模型描述为只读。
MCP 是 AI 使用 Neurons 上下文的唯一方式吗?
不是。Ivanti 的 AI 战略既包括原生 Neurons AI 体验,也包括面向受支持外部客户端、合作伙伴、智能体和未来体验的启用 MCP 的访问方式。智能体式 AI 框架为智能体提供通用框架,AI 服务提供专用洞察和建议,而对话式 AI 报告则提供对报告和运营信息的自然语言访问。