宝马集团研发部门已有超过 12,500 名开发者 managing 约 5 亿行车载软件代码,并运行着数百个 AI Agent;我们的判断是,企业规模化使用 Agent 的真正门槛,已经不是“能不能做出来”,而是“能不能统一管住并持续复用”。
宝马与 AWS 公布的实践揭示了一条重要路径:Agent(能自主调用工具、分步骤完成任务的 AI 程序)可以由不同团队分别开发,但权限、安全、成本和运行规范必须从基础设施层统一约束,而不是项目上线后再补。
这是什么
宝马没有建设一个包办所有任务的“超级 Agent”,而是采用可组合架构:不同团队开发自己的 Agent,再通过统一注册、编排与接入层协同工作。核心是 Agent Harness(包裹大语言模型、负责执行循环、工具调用、记忆和运行监控的运行层),让系统在接入业务前就具备可审计、可复用和可管理的基础。
更具体地说,身份认证、访问授权、速率限制和内容过滤被放在集成层执行;相关规则通过基础设施即代码交付(IaC,把系统配置写成可版本管理的代码),因此能够被自动检查和复用。系统还引入 MCP 网关(统一管理模型连接外部工具与数据入口的协议网关)和中央 Agent 注册表,记录有哪些 Agent、由谁负责、如何调用。
行业怎么看
我们认为,这套做法的价值不在于“宝马也用了 Agent”,而在于它回应了大规模部署中的组织成本。若每个团队独立选择模型、框架和工具,短期速度可能更快,长期却会产生重复建设、权限漏洞和难以核算的调用费用。统一治理层相当于企业里的“公共管线”:业务团队保留试验空间,集团负责底线规则。
但这并不意味着集中治理天然正确。反对意见同样明确:过度标准化可能拖慢试验,让尚未验证的方案承担流程成本;统一注册和编排层也会成为新的单点故障;不同地区和业务线对安全、合规及数据边界的要求并不相同。宝马方案有效,不代表所有企业都应照搬。尤其是代码注册表、权限模型和运行成本数据多由内部掌握,外界尚难验证其实际收益。
对普通人的影响
对企业 IT:企业采购 AI 工具时,问题会从“模型回答得准不准”扩展到权限、数据流向、日志审计和总调用成本;Agent 数量增加后,治理平台将逐渐成为 IT 部门的必要基础设施。
对个人职场:开发、运营和流程岗位会越来越多地调用 Agent,但高价值工作将不只是发出指令,而是定义流程、检查结果并承担权限责任。熟悉业务规则、能审查 AI 输出的人,议价空间可能更大。
对消费市场:企业 Agent 的大规模落地会逐步进入客服、售后、保险理赔和车载服务,消费者看到的将不是聊天机器人,而是跨系统代办事项的服务;与此同时,调用失败、错误授权和责任归属也可能变得更隐蔽。