据SiliconANGLE报道，IBM正把“受治理的上下文”置于生产级人工智能的核心。该公司Confluent与数据业务总经理Shaun Clowes在IBM AI Operating Model访谈中表示，企业要让AI代理跨业务系统作出决策，就需要把反映业务当前状态、经过治理的信息提供给大语言模型。该访谈由SiliconANGLE旗下theCUBE播出，TheCUBE为IBM该访谈系列活动的付费媒体伙伴，访谈在IBM TechXchange 2026前进行。

Clowes说，大语言模型的推理能力取决于它能获得的信息，因此数据交付已成为运营问题。他用一个比喻说明上下文的重要性：不会把应收账款工作交给参与能源生产的核物理学家，同样也不应把企业所有可能的信息一股脑交给一个非常聪明的模型，再让它“自己弄明白应收账款”；模型需要的是与任务匹配的正确上下文。

在企业数据架构上，Clowes认为，代理需要把旅行预订、行李追踪和租车等运营系统中的信息，在仍对决策有用的时刻组合起来。他把支持这一需求的新架构称为“streamhouse architecture”。IBM Confluent把流处理、连接、处理、治理和查询能力结合起来，支持在业务信息产生的环境中准备可用的数据产品，而不是先把所有信息集中到一处。他说，应尽可能把处理移到数据首次产生的地方附近，越早治理越好，越快产出高价值数据越好，然后再连接所有相关位置。

除了提供当前且受治理的数据，代理还需要针对其工作定制的上下文。Clowes说，不同团队可能用同一个业务术语表达不同含义，因此为代理准备上下文时，要确定适用于其任务的定义，并形成受治理的指标和数据集，作为模型推理的基础。企业可以从高价值任务开始，随着经验积累改进单个代理；当代理能够可靠执行既定业务流程后，企业还可以进一步审视工作本身如何组织。他提到，可以对监督代理提出是否仍需要这些流程、是否应完全换一种做法的问题，并称该体系能在每一层学习。

当代理承担更多责任，获取当前业务信息变得更加重要。Clowes说，从人工辅助决策走向自主运营，会改变企业交付信息的方式；持续工作的代理需要访问运营数据，而不能等待人工收集。信息可能来自石油钻井平台、邮轮或其他远程系统，企业必须把这些来源连接成可用的运营视图，不能假设一个集中式方案会包含所有内容。他提出的持续问题是：“我怎样才能知道我的业务现在的状态？”因为决策就发生在这个世界中，人类过去也在这个世界中作决策。