Workday CTO和Data Cloud负责人:企业AI信任不是模型问题,是架构问题
Workday数据云负责人Yasmeen Ahmad和CTO Gabe Monroy在Rising EMEA前接受diginomica采访,提出企业AI信任的核心挑战不是让模型更聪明,而是围绕模型构建上下文供给和智能体问责两套工程体系。其Agent Context Service用缓存、机器学习分类和数据评分在运行时为智能体提供精确上下文,同时通过受控环境机制实现动态治理。
Workday数据云负责人Yasmeen Ahmad在Rising EMEA开幕前接受科技媒体diginomica采访时,把企业AI信任问题归结为一句话:这不是模型智能程度的问题,而是企业治理和架构的问题。她认为,把一个大模型放在数据旁边就能产生价值的想法是错误的——模型周围需要一整套操作系统,包括数据连接方式、业务逻辑锚定、智能体身份、权限边界和预算约束。
Ahmad从Google加入Workday时面对的就是这个判断。她指出Workday拥有二十年的HR和财务数据积累,这是组织结构和资金流动的权威来源,但过去从未开放。现在智能体技术让这套数据有了新用法:把系统做成headless架构,让第三方智能体可以调用,同时由Workday来执行上下文约束。她认为第三方智能体厂商即使从互联网上拼凑出类似知识,也无法替代一个能强制执行上下文的系统。
Workday CTO Gabe Monroy进一步展开了具体工程方案。他确认Workday数据云可以被视为上下文层,特别是在人员和资金数据方面拥有权威上下文。数据云通过Prism能力可以摄入外部数据,现在还支持零拷贝接入,例如将门禁数据融入组织架构图,让智能体理解返岗办公表现等场景。
但Monroy认为仅有数据湖或湖仓不够。Workday在Early Access阶段发布了一个叫Agent Context Service的能力,用缓存、机器学习分类和数据评分三层机制,在智能体执行前就确定它需要什么上下文。他的比喻是'填充房间':在推理引擎开始处理提示词之前,系统先向智能体的运行环境注入文件数据、限定范围的服务、凭证和令牌,把整个环境管理好。工具调用会被一个代理拦截,从而实现动态治理。
这个架构有一个实际效果:如果提示词包含个人信息,系统可以把请求路由到不同的模型;如果涉及其他类型的数据处理,规则可以动态变化。Monroy强调这不是静态配置,而是根据智能体被要求做的事情实时调整。
成本方面,Monroy解释用机器学习分类来做内容评分(而非调用大模型推理),可以缓存大量上下文决策,提供极快且便宜的just-in-time上下文。diginomica作者Jon Reed在分析这一架构时指出,当语言模型被包裹在确定性工作流和治理规则中时,模型变得更可替换,对最昂贵的前沿模型的依赖降低;他将这一思路概括为神经符号架构——用ML分类大脑减少LLM推理的使用,在降低成本的同时保持精确性。
Ahmad还谈到了智能体身份问题。随着智能体从copilot走向autopilot,24小时自主运行,它到底在谁的权限下工作?她认为CFO需要为启动智能体负责,这必须有一个问责模型。Workday通过收购C1.ai(一个智能体身份管理平台)来构建这个安全治理层。
需要指出的是,这些能力全部处于Early Access阶段,所有技术细节均来自Workday高管自述,尚无独立验证。Workday的'权威上下文'优势建立在企业愿意将核心HR和财务数据绑定到其平台的前提上,这一前提本身是否构成真正的壁垒,取决于市场格局的演变。