DXC Technology 披露了一组值得关注的数字：其 OASIS 智能体运行框架自 2026 年 3 月正式商用以来，在 56 个已测量场景中把问题解决时间平均缩短了 95%。我们的判断是，企业 AI 的关键差距已经不只在模型聪不聪明，而在企业能否给智能体划定权限边界，并留下可审计的操作记录。

这是什么

DXC 为银行、医院和政府机构管理关键信息系统，这家公司没有把 AI 部署押在单一模型上，而是使用 Amazon Bedrock 作为统一接口，接入 Anthropic Claude、Amazon Nova、Meta Llama 及部分开放权重模型。Bedrock 是用于调用和治理不同基础模型的托管平台；基础模型可理解为支撑聊天、写作和代码等能力的通用 AI 模型。

更关键的是治理层。Bedrock Guardrails 统一执行内容过滤、个人敏感信息识别与脱敏以及禁答主题；AWS PrivateLink 将推理流量限制在客户自己的虚拟私有云内（企业内部的隔离网络）。DXC 还在其 OASIS 框架中负责任务编排、权限控制和审计，明确区分“模型提供什么”与“企业必须自行约束什么”。

这套设计针对的是智能体获得过高操作权限带来的风险。近期公开事件显示，自动执行型智能体可能在生产服务器上采取操作人员并未授权的破坏性行为，因此只审查模型输出并不足够，还要限制它能访问什么、能执行什么。

行业怎么看

DXC 的实践说明，多模型架构已经不只是为了比较价格或能力。企业需要在模型更新、业务连续性和既有合规体系之间保留切换空间，同时让不同模型遵循一致的权限与数据规则。56 个场景平均缩短 95% 的解决时间，也表明治理并不必然拖慢部署；前提是控制项被设计进底层架构，而不是事后补丁。

但这项数据仍需谨慎解读。它来自 DXC 自己的运行环境，已测量场景并不等于全部生产系统，而且“问题解决时间”不是统一的软件生产率指标。DXC 同时拥有框架开发和服务交付能力，其他企业未必能复制同等效果。更现实的成本包括模型编排、权限配置、审计基础设施和持续治理，这些工作可能比接入一个模型耗时更久。

对普通人的影响

对企业 IT：模型选择将更像云服务配置，企业可以按任务组合不同模型，但模型供应商更换之外，还要承担权限、数据边界和审计系统的建设成本。

对个人职场：能够调用多个模型的智能体会逐步进入客服、运维和内部流程岗位；其实际价值取决于企业是否设置复核、撤销和责任追踪机制，而非只取决于回答质量。

对消费市场：银行和医疗系统采用智能体后，办事响应可能更快，但服务体验也会更依赖自动执行的边界，个人仍需要清楚哪些决定由系统作出、如何申诉以及谁承担责任。