“智能运维正在重新划分人与系统的工作边界。

10月20日，ManageEngine卓豪在北京举行AI新品媒体发布会，宣布面向中国市场推出30余款Zia智雅智能体，并计划在2026年底扩展至100余款。

与许多按照Token或调用次数收费的AI产品不同，ManageEngine卓豪将此次发布的核心卖点概括为“零Token成本”：相关智能体直接嵌入现有IT管理产品体系，使用Zia智雅大模型的客户无需额外支付Token费用。

这场发布会释放出的信号，并不只是企业IT管理产品增加了更多AI功能。过去，AI更多承担分析、检索和生成建议的角色；如今，智能体开始进入工单处理、根因分析、设备排查、安全响应以及业务流程协同等环节，并尝试在授权范围内直接执行动作。AI正在从一个辅助工具，逐步变成企业IT系统的一部分。

但问题也随之出现：不额外收取Token费用，究竟是企业AI规模化落地的新模式，还是将模型成本转移到了厂商的基础设施和产品体系中？当智能体能够修改配置、调用数据和推动流程时，企业如何判断哪些任务可以交给AI，哪些环节必须由人审批？如果模型、数据、平台和基础设施没有真正形成闭环，智能体又能否从发布会上的功能展示，走进复杂的生产环境？

当AI开始执行动作
IT运维进入智能体阶段

过去很长一段时间，企业IT管理主要依赖监控平台、规则引擎和自动化脚本。系统能够发现异常、触发告警，也可以按照预设条件执行部分操作，但它通常只能处理被提前定义好的流程。一旦问题超出规则范围，仍然需要工程师手动判断、查询资料，再分别进入不同系统完成处理。

大模型和智能体的出现，改变了这一协作方式。大模型可以理解自然语言、分析日志和工单，智能体则进一步具备调用工具、执行动作和反馈结果的能力。两者结合之后，IT系统不再只是被动等待人工操作，而是能够围绕一个任务，自动完成信息收集、问题分析、方案生成和部分流程执行。

ManageEngine卓豪此次发布的30余款Zia智雅智能体，覆盖的正是这些高频、重复且相对容易衡量的工作。例如，根因分析智能体可以帮助工程师梳理设备和应用出现异常的原因；一线服务台智能体可以辅助工单分类、分派和回应；知识库文章生成助手可以将历史工单和解决方案沉淀为可复用内容；设备故障排查智能体则能够根据监控信息和运行日志，缩短问题定位时间。

从产品设计看，这些智能体并不是独立存在的聊天机器人，而是直接嵌入ManageEngine卓豪已有的IT管理产品中。它们能够调用产品已经积累的设备信息、性能数据、工单内容、日志和权限配置，不需要企业重新搭建一套完全独立的AI平台。对于企业而言，这种集成的意义在于，AI不再只是一个新的入口，而是开始进入原有IT流程。

IT运维之所以成为智能体较早落地的领域，也与其业务特征有关。IT系统本身会持续产生大量结构化数据，设备、日志、告警和工单都有明确的上下文；许多任务具有较强的重复性，结果也相对容易验证；部分操作可以在小范围内测试，并在出现问题后回滚。这些条件降低了智能体进入生产环境的门槛。

北京福田康明斯发动机有限公司IT经理 刘元福

作为客户代表，北京福田康明斯发动机有限公司IT经理刘元福受访时表示，企业目前正在从单点智能体开始探索，先解决市场数据分析等相对具体的问题，再逐步向采购、供应链和客户支持等部门级应用延伸，最终形成企业级智能体和企业专属知识库。

在市场数据分析场景中，过去工作人员需要收集数据，再通过Excel或BI工具完成分析。如果管理者临时提出一个新的问题，或者市场人员在非工作时间陪同客户走访时遇到新的需求，往往无法立即得到答案。通过智能体，员工可以直接以自然语言提出问题，系统再根据企业内部数据进行分析和回应。

在更复杂的业务流程中，福田康明斯还在尝试将智能体用于ERP流程解耦。例如，从订单产生、物料合料，到与供应商交互、反馈交期和自动排产，原本需要人员在多个系统之间不断切换，智能体则试图围绕业务场景把这些环节重新连接起来。

这说明，企业使用智能体的第一步，往往不是立即让AI接管全部流程，而是从高频、标准化、影响范围可控的任务开始。随着数据、规则和权限逐步沉淀，智能体才可能从单点工具发展为部门级助手，再进一步成为企业级运行系统。

“零Token”背后
企业AI成本如何重新计算

在企业AI应用中，成本一直是阻碍规模化落地的重要因素。通用大模型通常按照Token、调用次数或任务量收费，企业使用规模越大，费用越难预测。对于需要持续处理工单、告警和日志的IT团队而言，如果每一次分析和执行都产生额外费用，AI越深入业务流程，成本就可能越高。

ManageEngine卓豪此次提出的“零Token成本”，正是针对这一问题。其发布的Zia智雅智能体运行于自研Zia智雅大模型之上，使用相关智能体不额外消耗Token，也不需要按照调用量付费。ManageEngine卓豪中国首席运营官李飞表示，这些能力被纳入现有产品体系，客户按照原有产品的功能和管理规模付费，智能体无需单独计费。

ManageEngine卓豪中国首席运营官 李飞

需要明确的是，这里的“零成本”并不意味着企业使用任何模型都不产生费用。卓豪公司中国总裁侯康宁补充道，如果客户调用DeepSeek等第三方模型，仍可能产生相应的Token费用。所谓“零Token”，主要针对使用Zia智雅大模型及其内置智能体的场景。

这种模式的背后，是企业级软件厂商对AI成本结构的一次重新设计。过去，模型往往是独立的基础能力，应用厂商需要向外部模型服务商购买调用额度；而在ManageEngine卓豪的方案中，模型、IT管理平台和基础设施被放在同一套自有产品体系内。模型负责理解和分析，平台负责提供数据和工具，数据中心则承担推理服务，三者共同支撑智能体运行。

这一模式能够成立，与IT运维任务本身的边界有关。企业让模型写一篇长文、开发一个完整程序，往往会消耗大量Token；但工单分类、告警归因、设备状态分析等任务，通常围绕既定产品能力展开，调用范围相对明确。模型不是在开放环境中无限生成内容，而是在一个由产品、数据和动作限定的业务空间内完成工作。

因此，企业AI的成本不能只看单次调用价格，还要看模型是否与业务系统深度结合，任务是否可以被限定，推理资源是否能够被持续管理。李飞介绍称，其自建数据中心会监控Token使用情况，并根据用户规模和使用量增加服务器或GPU资源。

从商业逻辑看，将AI能力直接包含在软件产品中，能够降低客户试用和推广的心理门槛。企业不需要先单独采购模型、搭建推理平台，再把模型接入IT管理系统，而是在原有产品中直接启用相应功能。对于厂商而言，AI能力不再通过单独出售模型变现，而是通过提升既有软件的使用价值、增强客户黏性和扩大产品覆盖来获取商业回报。

当然，免费并不等于没有成本。模型训练、推理服务、数据中心和研发团队都需要投入，相关成本只是从客户的显性Token账单，转移到了厂商的基础设施和产品体系中。只有当模型调用范围可控、客户规模和算力投入能够匹配，这种模式才具有持续性。

ManageEngine卓豪在材料中援引了多项内部测算，智能体可将故障排查时间从数小时缩短至分钟级，可自主处理40%至60%的一线服务台工单，大型企业每年在智能体AI推理上的成本可达20万至40万元人民币。这些数据属于ManageEngine卓豪方面的统计或测算，实际效果仍会受到企业规模、原有流程、部署方式和使用范围影响。

但这些数据至少说明，企业购买智能体的核心目标，并不是拥有一个更加先进的聊天工具，而是减少重复劳动、缩短故障处理时间，并让IT团队在不显著增加成本的情况下扩大AI使用范围。

从能用到敢用
安全与数据边界成为关键

智能体与普通问答工具最大的不同，在于它可以执行动作。普通聊天机器人回答错误，通常只会造成信息误导；但如果IT智能体错误地重启关键设备、修改网络配置、关闭业务端口，或者对错误的安全告警作出响应，就可能直接影响业务连续性。

因此，企业最担心的并不是AI能不能做事，而是AI做错事之后会造成什么后果。李飞在群访中提到，客户对智能体的主要顾虑集中在模型幻觉、错误操作、数据泄露和隐私保护等方面。尤其当企业调用外部模型时，工单、密码、客户信息和内部系统数据可能被传输至企业难以控制的云端环境，这也让企业在扩大智能体使用范围时保持谨慎。

面对这些顾虑，ManageEngine卓豪给出的回应相对克制，也更强调实际边界。据其介绍，相关数据全程留存于其自建的北京、上海双活数据中心，不向外部第三方模型传输，客户数据也不会用于模型训练；在产品部署方面，则支持本地部署、云端和托管服务商等不同环境。对企业而言，这些做法有助于明确数据的存储位置、调用范围和使用边界，也回应了企业对数据是否出境、是否进入模型训练以及能否被审计的核心关切。

安全边界同样体现在智能体可执行操作的权限范围上。ManageEngine卓豪方面表示，创建智能体时会设置安全围栏，对可执行的动作进行限制，涉及关键系统和重要配置的操作必须经过人工审批。对于希望自行搭建智能体的客户，李飞建议先从重复性强、影响范围可控且能够回滚的场景开始，让智能体先提供操作步骤，由工程师审核后再执行，待结果稳定、风险可控后，再逐步扩大使用范围。

ManageEngine卓豪全球副总裁Mathivanan也表示，当前仍处于智能体进入IT运维的过渡阶段，简单、非关键的任务可以交给AI处理，但复杂和关键操作仍然离不开人的监督。这套做法并不意味着企业完全拒绝自动化，而是通过限制行动范围、保留人工审批和小范围验证，逐步建立对智能体的信任。对于同类产品而言，这也提供了一套可供参考的安全基线：数据边界清晰、执行权限受控、关键动作可审计，并且在出现问题时能够及时中止和恢复。

ManageEngine卓豪全球副总裁Mathivanan

不过，从整个IT运维行业来看，安全问题显然不可能只靠某一个产品功能解决。企业仍需要明确智能体可以读取哪些数据、调用哪些接口、执行哪些动作，以及出现错误后如何中止、回滚和追责。IT运维涉及设备配置、系统日志、用户身份、工单记录和安全事件，其中不少内容具有敏感性。即使数据留在本地，错误的知识库、过时的运维规则和缺乏权限控制的数据，也可能让智能体作出错误判断。

因此，智能运维从“能用”走向“敢用”，需要的不只是更强的模型，也是一套能够限制模型、审计模型和纠正模型的运行机制。厂商可以提供安全围栏、本地部署和数据保护能力，但企业仍需要建立自己的权限规则、数据标准、审批流程和责任体系。智能体越深入生产系统，治理能力就越不能停留在产品说明书层面。

智能运维的下一程：
从自动化工具走向生产体系重构

如果说前一阶段的IT自动化主要解决的是“让系统按照规则执行”，那么当前，智能体正在尝试重塑运维范式：让系统理解业务目标，自主调度各类工具、编排流程来完成任务。智能运维的竞争重心也随之转移，不再局限于单一模型或单点能力，而是考验模型、数据、平台与基础设施能否构建起完整有效的闭环。

不过，技术愿景与落地实践之间仍存在差距，智能体距离大规模投产还有不小距离。Gartner在2026年4月发布的一项针对基础设施与运维（I&O）领域的调查显示，只有28%的AI应用场景完全成功并达到ROI预期，20%的项目以失败告终。在项目受挫的受访者中，38%提到技能缺口，另有38%指出数据质量差或数据可用性不足是失败的直接原因。调研还显示，自动修复、自愈基础设施，以及由智能体主导的跨系统工作流管理，是较常见的失败场景。

这些结果与企业对智能体的期待形成了反差。企业希望AI能够自动处理复杂问题，但IT运维环境往往具有高度的不确定性：同一种告警可能由不同原因引起，同一个动作也可能对不同系统产生不同影响。脱离具体业务流程、数据质量和工程师经验，智能体很难稳定处理复杂问题。换句话说，智能运维的难点不只是让AI“会分析”，还要让它在真实系统中“做得对、做得稳”。

这并不意味着智能运维缺乏前景。相反，行业正在通过一系列具体尝试，逐步验证智能体进入生产环境的路径。以Manage Engine卓豪为代表的厂商，正尝试把工程师经验沉淀为可复用的知识库，建立权限围栏与操作审计机制，并通过标准化接口打通分散的监控、工单、终端、安全等异构系统，打造可观测、可核验的智能运维实践样本。

智能运维下一阶段的核心，不在于持续叠加更多智能体，而是梳理重构原有运维体系，打通数据孤岛，沉淀运维知识与规则，让智能体在受控权限内调用各类运维能力。

从这个角度看，智能运维正在经历的并非一次简单的产品升级，而是一场生产方式的变革。它正在推动IT运维从“能分析”走向“敢执行”，也让模型、数据、平台、基础设施和治理机制之间的关系更加紧密。

最终，只有当这些价值能够被持续验证，智能运维才会从发布会上的功能展示，真正成为企业日常运行的一部分。

文：几重山月 / 数据猿

责编：凝视深空 / 数据猿