当 AI 开始构建集成：企业更需要可控的自主能力

AI 正在改变企业集成的方式。过去，集成通常由 IT 团队设计接口、开发流程、配置数据映射，再经过测试和审批后上线。未来，AI 可以参与甚至自主完成这些工作：理解业务需求、选择连接器、生成映射、组合流程，甚至根据实时业务情况动态创建连接。企业集成正在从“人设计、机器执行”，走向“AI 参与设计甚至自主执行”。 

这带来了一个新的问题：如果 AI 可以自己创建集成，企业还能不能看得见、管得住，并对它的结果负责？Gartner 的一项预测让这个问题更加值得关注。在报告《集成的未来：AI 驱动下的变革》 （The Future of Integration: The Impact of AI ）中，Gartner 预计：“到 2030 年，新建集成将 100% 由机器构建，而今天这一比例仅为 10%；同时，80% 的新连接将是临时性的，并在运行时动态创建。” 

这意味着，未来的集成可能不再都是 IT 团队提前设计、部署并长期维护的固定流程。AI 可能根据一个实时事件，临时建立一条连接，完成任务后立即释放。

这正是 SEEBURGER 关注的核心问题：AI 可以越来越自主，但必须始终在企业明确的边界内行动。当 AI 在运行过程中创建集成。假设一家制造企业遇到供应商延迟交付。AI Agent 可以识别受影响的订单，查询库存和物流信息，再根据业务规则决定是否调整订单、通知客户或调用其他系统。整个过程可能只需要几秒钟，但每一个决定都可能影响真实业务。 

传统集成中，人负责设计和审批，机器负责执行；在 AI 驱动的集成中，AI 可能同时参与决策和执行。企业关注的问题也随之改变：不只是 AI 能不能完成任务，而是它为什么这样做、可以做到什么程度，以及企业能不能在需要时介入。

传统集成通常有明确的设计、配置、版本和变更记录。AI 动态创建的连接可能只存在几秒钟，却同样需要可追溯。企业至少应该能够回答：谁或什么触发了这次操作？AI 使用了哪些系统、数据和集成资产？应用了哪些业务、安全和合规规则？AI 为什么选择这条执行路径？最终产生了什么结果？是否发生过人工审批或干预？ 

技术日志能够记录“发生了什么”，但企业还需要理解“为什么发生，以及结果是什么”。 这意味着，可追溯性和可解释性必须成为 AI 集成运行环境的一部分。

AI 想要安全地创建集成，知道“有什么数据”还不够，还必须知道“这些数据意味着什么”。 例如，一个 Customer_ID 字段，AI 需要了解它代表什么、来自哪里、由谁负责、是否包含敏感信息，以及哪些系统可以访问或修改。这要求集成环境提供机器能够理解的上下文，包括数据模式、业务语义、数据质量、权限和使用规则。 

在这样的环境中：事件告诉 AI 业务发生了什么；API告诉 AI 可以访问什么、执行什么；集成资产告诉 AI 企业已经验证过什么、推荐使用什么。上下文越完整，AI 就越有可能在正确的范围内做出正确的连接和执行选择。

AI 可以根据运行情况自动选择路径、重试失败步骤或调整资源，但企业的目标并不只是“更快”或“更便宜”。涉及客户数据、财务数据、监管要求或关键业务流程时，安全和合规必须优先于性能和成本。所以，AI 的自主决策需要建立在明确的优先级之上：安全与合规是底线，业务重要性和服务要求决定优先级，性能和成本则在允许的范围内进一步优化。换句话说：AI 可以自己做决定，但不能自己决定规则。规则由企业定义，AI 在规则允许的范围内行动。

过去，很多治理工作发生在设计阶段：架构师设计流程，开发人员实施，业务和 IT 测试，审批后上线。当 AI 可以在运行过程中动态创建集成，仅靠上线前的审核已经不够。企业需要把控制能力延伸到运行时，至少包括三个方面： 

• 身份与权限：明确是谁或哪个 AI Agent 发起操作，以及它可以访问什么。
• 规则与验证：明确执行前必须满足哪些业务、安全和合规条件。
• 监控与干预：能够持续观察执行过程，并在必要时暂停、升级或要求人工介入。 

这并不意味着所有 AI 操作都需要人工审批。低风险的信息查询可以自动完成，而涉及付款、受监管数据或客户承诺的操作，则可以设置人工审核。关键不是“AI 还是人”，而是：哪些事情可以让 AI 自己做，哪些事情必须由人决定。

AI 可以快速生成集成，但如果每次都从零开始，企业很容易得到大量重复、质量不一、难以维护的集成逻辑。更好的方式，是让 AI 优先使用企业已经验证过的集成资产。连接器、数据映射、Schema、API、工作流和合作伙伴配置，都可以成为可复用的标准化资产，并携带负责人、版本、权限、适用场景和验证状态等信息。这样，AI 面对新的集成需求时，可以先找到可信的现有方案，再根据具体情况进行调整，而不是每次重新“发明轮子”。这也让 Integration Asset Catalog（集成资产目录） 的价值发生了变化。它不再只是帮助开发人员提高效率的资源库，也成为 AI 理解企业集成环境、选择可信方案的重要基础。

如果这些问题没有清晰答案，AI 可能只是进一步放大现有的集成复杂性。

Gartner 的预测指向了一个非常明确的未来：越来越多的集成将由机器构建，并在运行时动态产生。SEEBURGER 认为，这并不意味着企业应该限制 AI。相反，AI 可以帮助企业更快地设计集成、处理复杂映射、完成重复工作，并推动更加自主的业务流程。真正需要改变的，是企业的集成基础。

AI 要想安全地承担更多工作，需要依赖：清晰的业务上下文、可信的集成资产、明确的权限和规则、完整的监控与追踪，以及必要时的人为介入。

这不是为了限制 AI，而是为了让 AI 在明确的边界内更大胆地行动。真正成熟的 AI 集成环境，不是让 AI 什么都不能做，也不是让 AI 什么都自己决定。而是让 AI 自主完成更多工作，同时让企业始终知道它在做什么，并能够在需要时介入。这才是企业真正需要的自主能力。

AI 驱动的集成并不是遥远的未来。今天，企业已经开始使用 AI 辅助开发、低代码工具、自动化平台和 AI Agent。但与此同时，很多企业的集成环境仍然存在工具分散、知识分散、文档不完整以及集成资产难以复用等问题。如果这些基础没有打好，AI 只会让企业更快地产生更多集成。未来的集成可能由机器构建，但企业的责任、规则和控制权，始终需要掌握在人手中。现在开始建立清晰的集成资产、业务上下文、治理规则和可观测性，企业才能真正准备好迎接一个由 AI 构建集成的时代。