混合型企业中的隐性风险
云计算的发展、SaaS 的采用、远程办公以及去中心化采购,使技术资产环境更加动态,也更难治理。
设备从传统网络边界之外连接进来。应用由业务部门自行采购。云资源可能快速出现或消失。员工会引入新服务来解决眼前的业务问题。运营信息分散在由 IT、安全、财务、采购以及各业务线管理的各种工具中。
AI 也在加剧网络威胁格局,降低进入门槛,使攻击者能够以更快的速度、更广的覆盖范围和更高的复杂度扩展熟悉的攻击手法。在 Gartner 2025 年调查中,302 位网络安全领导者里有 62% 表示其组织曾遭遇涉及社会工程或自动化流程利用的深度伪造攻击。
与此同时,组织正在快速将人工智能嵌入日常工作。AI 可以帮助团队调查问题、分析海量信息、生成报告、建议行动并协调工作流。然而,支撑这些计划的信息可信度并未跟上部署雄心的步伐。
《2025 年展望:数据完整性趋势与洞察》研究由 Precisely 和德雷塞尔大学开展,展现了这一挑战的规模。只有 12% 的受访组织表示,其数据在质量和可访问性方面足以支持有效的 AI 实施。三分之二(67%)的组织并不完全信任用于决策的数据,而 62% 的组织认为缺乏数据治理是阻碍 AI 计划的首要数据挑战。
如今的挑战不再是组织是否拥有足够的运营数据,而是人员和 AI 能否判断哪些信息是最新的、权威的、相互关联的,并且可以安全地据此采取行动。随着 AI 嵌入运营工作流,决策质量越来越取决于其背后上下文的质量。
然而,对于 IT 领导者而言,这一挑战会具体体现在团队每天必须回答的运营问题中:
- 这台设备是否处于活动状态并已受管?
- 实际安装的是哪个软件版本?
- 该端点归谁所有?
- 报告的漏洞是否仍然存在?
- 设备健康状况是否足以接收补丁?
- 修复是否会中断员工工作、正在处理的事件或关键业务流程?
- 该操作是否成功?
团队所需的答案可能分散在采购、端点管理、软件清单、服务管理、安全和员工体验系统中。当这些系统的信息不一致时,团队必须先验证哪些信息是最新且权威的,才能采取行动。
这种不确定性一直会造成摩擦,而 AI 会放大其影响:碎片化或相互冲突的信息不再只影响人员分析;它还会成为助手、模型、自动化和代理的上下文。
AI 会放大其所依赖的一切
AI 分析运营信息的速度可以快于人工团队,但速度本身无法调和相互冲突的记录,也无法建立事实来源。
一台笔记本电脑可能在发现、端点管理、服务管理和安全工具中显示为多条记录。其列出的所有者可能已经变更。一个系统可能将其归类为活动设备,而另一个系统已经数周未见到它。漏洞扫描器可能识别出暴露风险,却没有确认受影响软件是否仍然安装,或此前的修复尝试是否成功。
AI 体验可以基于这些信息生成流畅且技术上看似合理的建议。但当底层上下文不确定时,该建议在运营层面可能并不可靠。随后,AI 可能会快速处理并传播这种不确定性,在报告、工作流和行动中放大其后果。
随着 AI 通过更多渠道进入组织,风险也会增加。虽然有些 AI 体验在既定控制下运行,但其他体验(例如员工自行选择的助手、缺乏充分监管而连接的代理)可能在控制之外运行,形成通常所说的影子 AI。
来自 Google Cloud 的《Shadow AI 2025》显示,风险并不止于员工使用消费级 AI 工具。它还包括在缺乏适当企业监管的情况下采用的企业级 AI,以及能够在 IT 无法控制的情况下访问信息、执行任务或与系统交互的“影子代理”。
这会立即引发数据保护问题,因为敏感信息可能被共享给组织无法观察或治理的工具。它还会造成运营一致性问题。如果缺乏对权威信息的共同理解,不同 AI 体验可能使用不同记录,在不同权限下运行,并得出不同结论。
治理必须超越 AI 模型本身
IBM 的 2025 年数据泄露研究显示,这类治理缺口仍然十分普遍。该研究覆盖 17 个行业的 600 家发生数据泄露的组织,发现 63% 的组织要么缺乏 AI 治理政策,要么仍在制定相关政策。在拥有 AI 治理政策的组织中,只有 34% 定期审计未经批准的 AI。IBM 还报告称,2025 年全球平均数据泄露成本为 444 万美元。
这些发现说明,组织不能只在模型或界面层面治理已获批准的 AI。它们还必须治理提供给 AI 的运营上下文。
应对之道并不是简单地让 AI 访问更多数据,而是建立一个基础,帮助已获批准的 AI 体验理解哪些数据是真实的、这些数据意味着什么,以及它们被允许如何使用这些数据。
AI 信任构建于上游
AI 无法自行建立信任。即使是先进的模型,也可能基于重复的设备、过时的软件记录、错误的所有者或缺失的运营历史进行流畅推理。因此,组织必须在上游建立信任,从运营真相开始:发现实际存在的对象,并验证决策所依赖的资产、软件、用户和记录。
通过共享上下文,将经过验证的记录与所有权、设备健康状况、关系、依赖项、生命周期、风险、员工体验和业务影响相连接,信任会进一步加深。通过治理、访问控制、建议、审批、执行、问责和验证,信任将转化为可执行能力。
这三项实践——建立运营真相、创建共享上下文,以及治理智能与行动——共同构成面向 AI 就绪运营的持续运营模式,而不是一次性的数据清理工作。我们的网络研讨会“AI 的价值取决于其可信任的运营真相”将更深入地探讨这一模式。
Ivanti Neurons 平台通过建立其所依赖的可信运营基础,将这一运营模式付诸实践。
通过 主动和被动发现、连接器、清单扫描、API 以及其他已连接来源收集的信息会经过规范化处理,使设备、操作系统、软件和制造商的不一致名称能够进行比较。与同一资产相关的记录可以被调和,并以所有权、软件、生命周期、许可、保修和漏洞上下文等相关信息加以丰富。
这为组织提供了每项资产的受治理运营视图,并由来源和验证历史提供支撑,而不是另一份未经限定的数据副本。Neurons 无需取代每一个权威的企业系统。它的作用是汇聚相关运营信息,保留其上下文,并为 IT 和安全运营建立一个持续更新的记录系统。这种整合视图具有实际的决策价值。
基于可信 Neurons 上下文构建的 AI 功能
有些组织将 AI 功能直接构建到员工和 IT 团队已经使用的应用中,使他们无需离开现有工作流即可做出决策。其他用例则依赖需要受控访问企业上下文的已批准外部助手、客户自建代理或 AI 平台。
Ivanti 通过共同的 Neurons 基础支持两条互补的 AI 路径。原生智能功能将 Neurons 上下文直接引入 Ivanti 解决方案,而受治理的模型上下文协议 (MCP) 访问(添加 MCP 页面链接)则将已授权的 Neurons 上下文扩展至已批准的外部助手、客户自建代理和 AI 平台。两者结合,使不同 AI 体验能够基于一致的运营信息开展工作,而不会创建彼此分离的环境版本。
原生 AI 与受治理的 MCP 访问以互补方式应用可信的 Neurons 上下文:
原生智能将 AI 引入工作中
原生智能在 Ivanti 解决方案中使用相关 Neurons 上下文,以支持调查、诊断、建议、报告、摘要和自然语言交互。这可以减少查找运营信息或解读复杂端点状况所需的工作量,而无需用户进入单独的 AI 环境。
示例包括 AI 洞察与建议、对话式报告、自然语言调查、AI 辅助诊断、数字员工体验洞察、补丁洞察代理以及自动化支持。
这些功能表明,AI 价值并不一定要从自治代理开始。它可以从减少日常端点工作中的摩擦开始。
AI 可以先通过让信息更易查找和解读来提供帮助。随后,它可以基于相关运营上下文建议行动。已批准的自动化和运营工作流可以在既定权限、政策和控制范围内执行定义好的操作。组织可针对每个用例保留对 AI 参与程度的控制。
受治理的 MCP 访问将 AI 扩展到 Ivanti Neurons 之外
行业正在越来越多地采用诸如 模型上下文协议 这样的标准,将 AI 助手和代理与企业系统连接起来。MCP 将信息访问标准化,但它并不判断这些信息是否可信或权威。
因此,Ivanti 将受治理的 MCP 访问视为原生智能的补充。原生智能将 AI 引入 Ivanti 解决方案,而 MCP 为已批准的外部 AI 体验提供一种标准化方式,用于检索已授权的 Neurons 上下文,而无需创建另一个运营存储库或与事实版本竞争。
Ivanti 的 MCP 实施使用现有身份、权限和政策控制:受支持的 AI 客户端或客户自建代理提交请求,角色和权限决定其可访问的内容,Neurons MCP 服务器则仅通过已批准的 Neurons 服务和 API 返回已授权的运营上下文。
AI 体验负责解读已授权的上下文,人员和组织控制继续对决策和审批负责,已批准的 Ivanti 功能则在既定护栏内执行操作。
这种分离可防止将访问权限与权威性混为一谈:Neurons 仍然是运营事实来源,而上下文检索、决策、审批和执行保持相互区分,并可明确问责。
这条受治理的路径也为影子 AI 提供了替代方案:已批准的体验可以在定义好的控制范围内检索获准使用的 Neurons 上下文,而不是依赖非托管副本、不受限制的连接,或它们自己对环境的表示。
MCP 并不能消除 AI 风险;组织仍然需要信息保护、监控、治理和人的问责。它提供了一种受控方式,将可信运营上下文扩展到 Ivanti 解决方案之外。
Ivanti 在自身环境中应用 AI 就绪运营模式
Ivanti 通过其 Customer Zero 计划将这一运营模式付诸实践。其全球 IT 团队使用 Neurons 平台,为高度分散、以远程办公为主的员工队伍管理复杂的多平台端点资产环境。
Ivanti 企业服务副总裁 Tony Miller 解释说:“在任何环境中,关键都是在涉及环境中端点状态时,真正拥有单一事实来源。” 有了这一可信基础,Ivanti 就能实现更多端点运营自动化。
“借助 Neurons,我们可以实现大量自动化。”Jarek Piszczatowski,Ivanti Customer Zero 与自动化总监
这使精简的端点管理员团队能够大规模支持运营,同时将人工精力集中在审查结果、监控异常以及跟进需要关注的设备上。
从运营真相转化为行动的地方开始
端点是一个切实可行的起点,因为它们将可信运营上下文与可见、可衡量的结果连接起来。自主端点管理 (AEM) 汇聚设备健康状况、所有权、已安装软件、补丁状态、员工体验和风险,使团队能够调查问题、确定适当响应、在定义好的控制范围内采取行动并验证结果。
例如,考虑一个影响数千个端点的关键漏洞。单靠严重性评分无法决定响应方式。团队必须确认记录是最新的、端点处于活动状态且已受管、存在漏洞的软件已安装,并且修复措施是适当的。此前的部署失败、员工影响或正在处理的事件也可能改变响应方式。
AI 可以解读运营上下文、识别受影响端点并确定响应优先级。可靠性取决于将技术严重性与当前端点状况一并评估。随后,AEM 通过受治理的闭环将洞察与结果相连接:控制措施决定允许的操作和审批要求,已批准的功能负责执行,验证则确认每台设备是否达到预期状态。
成功并不是一条建议或一个已完成的自动化任务,而是证明正确的端点在定义好的控制范围内接收了适当操作,并达到了预期结果。
同一运营模式还支持更加主动的 数字员工体验 (DEX)。低存储空间、反复出现的应用故障、性能下降或配置问题等信号,可以在员工提交工单之前揭示生产力问题。
通过连接设备健康状况、所有权、员工体验信号、事件和运营历史,AI 辅助调查可以更早发现问题。已批准的修复措施可以在既定护栏内运行,而后续端点和体验信号则显示其是否奏效。
可信上下文还将端点管理、DEX 和补丁管理连接到共同的风险处理方法。设备健康状况、体验信号和漏洞暴露有助于团队在安全风险与员工影响交汇之处优先安排修复。预测性修复支持从被动应对故障转向识别并处理新出现的端点问题,而基于风险的补丁管理则优先处理对业务至关重要的暴露风险。
持续根据定义好的政策和合规基线检查设备配置及已安装补丁,有助于团队检测偏离、在既定控制范围内修复缺口,并验证最终状态,从而支持持续合规,而不是某个时间点的评估。
因此,AEM 通过将常见端点问题与可信上下文、受控行动和结果证明相连接,使 AI 从潜力转化为可衡量的运营价值。
通过使用和验证维护信任
可信上下文会在使用和验证过程中变得更有价值。团队花在调和记录上的时间更少,AI 辅助建议可以利用更新的运营信息,自动化也可以在更清晰的政策和权限边界内运行。
已完成操作所形成的证据随后可以强化用于下一次决策的运营记录。由于资产、软件、所有权、威胁、事件和 AI 体验会持续变化,运营信任必须随着时间推移不断维护和验证。
在整个企业范围内扩展可信行动
AEM 提供了一个聚焦且可衡量的起点,但同一可信基础也可以支持服务管理、安全、合规、采购、财务和软件资产管理等领域的决策。
互联的端点和资产上下文有助于团队将设备状况与事件、变更、员工体验、风险、所有权、修复历史、软件使用情况和生命周期事件关联起来。这减少了拖慢运营、安全和优化决策的不确定性。
在这些职能中,运营模式保持一致:
- 信号识别问题或机会。
- 可信记录和共享上下文明确哪些信息是最新的,以及哪些事项至关重要。
- AI 和分析支持调查与优先级排序。
- 治理决定适当的行动级别。
- 已批准的功能执行操作。
- 验证记录结果。
这种连续性减少了在每次交接时重建上下文的需求,并创建了可问责的记录,说明识别、建议、批准、执行和验证了什么。随着用例和治理的成熟,组织可以将该模式扩展到更广泛的 IT 和安全工作流中。
在可信上下文之上构建 AI 就绪运营
AI 会放大其所依赖的一切。对于企业领导者而言,重点不只是部署更多 AI,而是确保每一项运营决策都建立在可信上下文之上,每一个行动都保持在定义好的控制范围内,每一个结果都可以验证。借助 Ivanti Neurons 这一可信运营基础,组织可以从 AI 雄心迈向运营信心。