企业架构是什么：从顶层设计到AI原生架构
企业架构回答的是一个基本问题：企业确定战略方向之后，业务、数据、应用和技术应该如何协同变化。过去，企业架构主要围绕业务流程、应用系统、数据资源和技术平台展开设计。随着人工智能逐渐进入企业核心业务，AI不再只是某个系统中的辅助功能，而开始参与需求理解、知识获取、分析判断和任务执行。企业架构也需要随之演进，将模型、智能体、知识和AI基础设施纳入统一设计与治理，逐步形成面向AI原生的企业架构。
一、为什么企业架构需要走向AI原生
传统企业架构主要面向相对确定的业务流程和系统功能。业务需求经过分析形成应用功能，应用按照预设流程和规则执行，数据通过数据库、接口和数据平台进行组织与交换。这种架构能够有效支撑规则明确、流程稳定的业务场景，但随着AI进入企业，业务与系统的交互方式正在发生变化。
以大语言模型、多模态模型和AI智能体为代表的新一代AI技术，不仅改变了人机交互方式，也开始改变业务流程、应用功能和系统之间的协作关系。过去用户需要找到具体系统和功能完成操作，现在AI可以通过自然语言理解用户意图，结合企业知识和业务数据进行分析，并进一步调用系统和工具完成任务。
与此同时，生成式AI具有概率性，智能体还可能根据任务自主选择知识、模型和工具，其运行方式与传统程序存在明显差异。因此，原有企业架构需要增加对模型、知识、智能体、工具调用和AI治理等内容的设计。
AI原生架构并不是简单地在传统系统中增加AI功能，也不是要求企业重新建设全部信息系统，而是从架构设计阶段就将AI作为正式的企业级能力，使AI与现有业务流程、应用系统、数据资源和技术平台共同设计、协同运行。企业架构关注的问题也由“人如何使用系统完成业务”，进一步扩展为“人、AI与系统如何共同完成业务”。
二、AI原生架构改变了什么
AI原生首先带来了新的架构对象。传统企业架构中的业务流程、应用系统、数据实体和技术组件仍然存在，但随着AI能力进入企业，还需要对大语言模型、多模态模型、模型服务、智能体、知识库、模型推理端点、模型网关、向量数据库、AI算力等对象进行统一管理。
在应用架构中，AI能力需要从零散嵌入某个应用的功能逐步转变为可以独立识别和复用的架构能力。例如，同一个大语言模型服务、知识检索能力或者文档解析能力，可以同时被多个业务应用和智能体调用。应用架构不仅需要描述应用系统提供哪些功能，还需要进一步说明哪些功能使用AI能力、调用什么模型服务，以及智能体能够调用哪些应用和工具。
数据架构需要适应AI训练、检索和推理带来的新需求。除传统结构化数据外，企业还需要管理非结构化数据、样本集、向量数据、知识库和知识图谱等新型数据资产，并明确这些数据与原有数据实体之间的关系。相关数据对象的具体设计方法可以进一步纳入AI时代的数据架构进行统一设计。
技术架构则需要增加模型训练与推理平台、GPU等算力资源、模型网关、向量数据库、智能体运行环境和MLOps等基础能力，并对模型调用性能、服务等级、运行成本和可观测性进行统一管理。
更深层的变化发生在系统运行方式上。传统应用通常按照预先设定的功能和流程执行任务，而AI智能体可以围绕目标进行任务理解和分析，并根据上下文决定需要获取哪些知识、调用哪些模型和工具以及执行哪些操作。
从能力结构看，智能体可以形成感知、决策、执行和迭代的完整闭环。感知层获取用户输入、业务数据、系统状态和外部事件；决策层结合规则、知识和AI模型进行分析判断；执行层调用应用、接口和工具完成具体任务；迭代层则根据执行结果和用户反馈持续优化。企业应用由此逐步从“人操作系统”发展为“人、智能体与系统协同”。
因此，AI原生架构的核心并不是某一个大模型，而是形成业务场景、智能体、模型、知识、数据、工具、既有应用和AI基础设施之间的协作体系，使AI真正成为企业架构中的一种可复用能力。
三、传统企业架构如何向AI原生架构转型
传统企业架构向AI原生架构转型，不适合采用推倒重建的方式，而应基于企业已有的业务、应用、数据和技术资产逐步演进。
首先需要从业务架构出发识别适合AI介入的场景。企业可以分析现有业务能力和业务流程，识别知识检索、内容生成、复杂分析、辅助决策和跨系统任务执行等适合AI参与的活动，并进一步明确人与AI之间的职责边界。对于风险较高或涉及关键业务决策的活动，应设置必要的人工确认环节。
在此基础上，需要识别不同场景背后的共性AI能力。多个业务场景可能共同需要大模型推理、文档解析、知识检索、图像识别或内容审核等能力。如果每个应用分别建设，不仅会造成重复投入，也难以形成统一治理。因此，应逐步将共性AI能力沉淀为模型服务、知识服务和智能体能力，供不同应用复用。
应用架构则需要从传统的“功能调用功能”逐步扩展为“智能体调用模型、知识、工具和应用”。企业已有的ERP、营销、财务、生产等系统仍然承担核心业务处理功能，但可以通过标准化API和工具服务向智能体开放。智能体根据任务需要调用既有数字化能力，而不是重新建设一套与原有系统割裂的AI应用体系。
这种变化可以理解为业务交互链路的逐步演进：传统模式主要是“用户—应用功能—业务系统”，AI原生模式则进一步形成“用户—智能体—模型与知识—工具调用—业务系统”。其中，智能体负责理解和执行任务，模型提供推理能力，知识和数据提供事实依据，企业已有系统则继续承担实际业务处理。
图1 AI原生企业架构能力协同体系
同时，企业需要补齐AI运行所需要的数据和技术基础，建立模型服务、知识检索、智能体运行、算力调度、模型评测和运行监控等能力，并同步完善身份权限、内容安全、工具调用授权和日志审计机制。对于智能体可以自主完成的任务、需要人工确认的任务以及禁止AI执行的操作，都应形成明确的治理边界。
通过上述过程，企业可以逐步从“在传统应用中增加AI功能”，转向“将AI作为企业级能力进行统一设计和复用”，完成传统企业架构向AI原生架构的渐进式转型。
四、如何通过典型场景推动AI原生架构落地
AI原生架构不能只停留在总体蓝图和技术概念层面，还需要通过真实业务场景验证其可行性。企业应优先选择业务痛点清晰、数据基础较好、效果能够量化且执行风险相对可控的场景开展试点，再根据验证结果逐步扩大AI能力的应用范围。
在落地过程中，需要形成智能体、非结构化数据集等新型架构元素的设计方法和治理规范，并通过典型业务场景的试点验证确保方案能够真正落地。试点不仅要验证模型能否生成正确结果，还要验证智能体能否正确获取知识和数据、选择模型、调用工具并完成任务，以及权限控制、人工确认和异常处置机制是否有效。
例如，在智能体应用中，可以根据场景风险设置不同程度的自主运行方式。对于低风险、规则明确的任务，可以允许智能体自动执行；对于需要专业判断的场景，可以采用人机协同方式，由智能体完成信息获取、分析和建议生成，再由人工确认；对于关键业务操作，则应保留明确的人工决策和授权机制。
试点还需要持续评价模型效果、任务完成率、响应时效、人工接管率、运行成本和安全风险。试点过程中验证有效的模型服务、知识接入方式、智能体能力、权限控制、评测方法和监控组件，应进一步沉淀为企业级架构资产，而不是仅服务于单一项目。
由此可以形成“典型场景试点—运行效果评估—共性能力沉淀—架构方法优化—更多业务域推广”的演进路径，使企业在实际应用中逐步完善AI原生架构，而不是一次性完成大规模改造。
图2 AI原生架构渐进式落地路径
五、AI原生架构最终改变的是什么
从企业架构角度看，AI原生带来的根本变化不是架构图中增加了多少模型、智能体和AI平台，而是企业能力的实现方式发生了变化。
传统企业架构主要解决业务需要什么能力、系统提供什么功能、数据如何支撑业务以及技术如何承载应用。AI原生架构在此基础上进一步需要回答：哪些业务活动适合由AI参与，人与AI如何分工，智能体如何理解和执行任务，模型、知识、数据和工具如何协同，以及AI的决策和执行行为如何受到控制。
这种变化并不会削弱传统企业架构的作用。相反，业务架构仍然负责明确AI应该解决什么业务问题，应用架构负责设计AI能力与业务系统如何协作，数据架构提供模型和智能体运行所需要的数据与知识，技术架构提供模型、算力和运行环境，安全与治理机制则确保AI在明确的边界内运行。
因此，传统企业架构向AI原生架构转型的核心，并不是全面用AI替代现有系统，而是将AI从分散在各个项目中的功能工具，逐步转变为可设计、可复用、可调用、可治理的企业级架构能力。当模型、智能体、知识、数据和既有应用能够在统一架构下协同运行时，AI才能真正从局部应用走向企业级规模化应用。
参考来源
The Open Group. TOGAF Standard, 10th Edition.
NIST. Artificial Intelligence Risk Management Framework 1.0.
NIST. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.
Google Cloud Architecture Center. Agentic AI Architecture and Design Patterns.
工业和信息化部等：《国家人工智能产业综合标准化体系建设指南（2024版）》。
中国信息通信研究院：人工智能及生成式人工智能相关研究报告。
华为企业架构与变革管理部：《华为数字化转型之道》。