7月16日，Intel和Google Cloud宣布扩大双方此前的多年合作。Intel在新闻稿中提到，将通过Gemini Enterprise以及相关的智能体平台，推进企业范围的智能化转型，并让业务部门构建和运行面向具体职能的智能体。
这不是一次单纯的模型发布。新闻稿里反复出现的是企业业务、部署和运行，说明大公司已经不满足于让员工偶尔使用一个问答工具，而是希望把智能体放进采购、研发、运营、服务等日常流程里。智能体的价值要在流程节点上体现，才有可能被财务和业务负责人真正算清楚。
但“让业务部门自己做智能体”并不等于可以把权限和治理放到后面。一个采购助手如果只能读公开资料，和一个可以读取供应商合同、发起审批的采购智能体，风险完全不同。企业需要提前决定数据范围、工具权限、审批条件和异常处理方式，这些工作往往比选择模型更耗时间。
从这个案例往回看，企业智能体建设有一个容易被忽视的顺序：先找清楚业务责任，再梳理知识和数据，之后才是连接系统和配置模型。没有清楚的责任边界，智能体即使回答得很漂亮，也很难真正进入生产环境；没有可追溯的过程记录，出了问题也无法复盘。
制造业尤其能说明这一点。生产、质量、设备和供应链数据往往分散在多个系统里，现场人员需要的是一个能查到依据、能按照规则给出下一步建议的工作助手，而不是一段脱离现场的通用答案。智能体要接入工单、设备手册和告警记录，必须同时考虑版本、权限和人工确认。
这也解释了为什么企业智能体平台会越来越强调身份、目录、网关和观测能力。企业需要知道某个智能体是谁配置的、能访问哪些数据、调用了哪些工具、结果是否被人工修改。治理不是上线后的“刹车”，而是让业务敢于使用的基础设施。
宜天信达在企业智能体开发和搭建中，通常会先把一个场景拆成知识获取、判断、执行和反馈四个环节，再决定哪些步骤由智能体完成，哪些步骤保留人工确认。这样做的好处是，项目可以从一个具体指标开始验证，也能为后续扩展到客服、运营和内部协同留出接口。
Intel与Google Cloud的合作不代表每家企业都要照搬同一套平台，但它把行业趋势说得很直白：企业AI正在从“装一个工具”变成“建设一套能被管理的业务能力”。这也是未来企业智能体开发最需要补上的一课。
参考来源：Intel Newsroom《Intel and Google Cloud Announce Collaboration to Accelerate Intel’s AI-Enabled Enterprise Transformation》（2026年7月16日），https://newsroom.intel.com/artificial-intelligence/intel-google-cloud-announce-collaboration-to-accelerate-intel-ai-enabled-enterprise-transformation
企业知识库建设·企业智能体
企业智能体