IBM 与 OpenAI 扩大合作，推动安全企业 AI

IBM 在企业领域的三个方向扩大了与 OpenAI 的合作，让这条最新的 Google News 头条不只是又一次模型集成。两家公司希望将前沿 AI 嵌入业务运营、软件开发和网络安全。它们面临的挑战是证明：受治理的部署能够带来可衡量的成果，同时不削弱控制能力。

此次合作将 OpenAI 的模型和产品，与 IBM Consulting 的行业专长、实施团队和安全服务结合起来。IBM 还计划成立一个专门团队，其中包括数千名通过 OpenAI Partner Network 培训的顾问和工程师。双方未披露投资金额或财务条款。

这使该协议成为两条竞争性企业 AI 路径的一次检验。IBM 和 OpenAI 押注于托管式集成，由专业人员重新设计工作流程并部署防护措施。另一条路径则让内部团队直接使用强大的模型，无需庞大的咨询层便可构建应用。

这种差别之所以重要，是因为获得先进模型已不再稀缺。OpenAI、Anthropic、Google、Microsoft 和开放模型提供商都在服务企业客户。更棘手的问题在于，一个组织能否将这些模型连接到敏感数据和日常决策中，而不造成不可接受的运营风险。

IBM 与 OpenAI 的协议不止于模型访问

IBM 并非只是向软件产品目录中增加另一款模型，而是在围绕 OpenAI 的产品建立交付组织。

双方确定了扩大合作的三个领域。第一个涵盖财务、采购、客户服务和人力资源等企业职能。这些都是核心运营环节，其中的错误可能影响付款、员工、客户或监管义务。

第二个领域聚焦应用现代化和软件开发。IBM 计划将包括 Codex 和 ChatGPT Work 在内的 OpenAI 产品，与其在大型技术环境中的咨询经验相结合。应用现代化是指在保留既有业务流程的同时，更新旧有软件和基础设施。

第三个领域涵盖网络安全和 AI 风险管理。这项工作扩展了 IBM 现有对 OpenAI Daybreak Cyber Partner Program 的参与。它将 OpenAI 的网络安全能力引入 IBM 的安全服务，包括旨在识别和验证软件漏洞的工作流程。

IBM 表示，将部署通过 OpenAI Partner Network 培训的专业团队。该公司还计划设立一个专门团队，由数千名寻求高级认证的顾问和工程师组成。IBM 将加入该网络的 Elite 级别，这是其公开的最高合作伙伴类别。

OpenAI 创建该网络，是因为企业采用 AI 所需的不仅是访问强大模型的权限。其合作伙伴计划涵盖战略、集成、工作流程重构、负责任部署和组织变革。OpenAI 已为该计划投入 1.5 亿美元，并设定目标：到 2026 年底培养 30 万名获得认证的顾问。

这一更广泛的计划为 IBM 协议提供了更多背景。OpenAI 正在构建企业分销和实施体系，而非仅仅签署孤立的技术联盟。IBM 则贡献了客户关系、技术人员以及服务受监管组织的经验。

IBM 还带来了一项重要资产：对混合技术环境的熟悉。大型企业很少只运行在单一云平台或单一代际的软件之上。其工作流程往往横跨大型机、私有数据中心、公有云、打包应用和定制代码。

将前沿模型连接到这种环境，需要身份控制、权限边界、监控和恢复流程。还需要明确定义哪些决策仍需接受人工审核。这些细节决定了一个令人印象深刻的原型能否成为可靠的生产系统。

该协议并不保证实现这一结果。两家公司均未披露客户承诺、部署目标、合同金额或预期收入。它们的公告确立了一项交付战略，但客户将决定这是否会成为一项有意义的业务。

因此，Google News 所反映的公众关注只处于第一阶段。真正重要的变化，是 IBM 决定将 OpenAI 的部署打造为覆盖多个业务职能的正式咨询和工程实践。

为何安全 AI 部署已成为瓶颈

企业 AI 的竞争已从获取模型，转向控制模型能够看到、改变和批准什么。

独立聊天机器人通常位于执行财务、运营或客户决策的系统之外。当它能够检索内部记录、调用业务软件、生成代码或发起操作时，其价值便会提升。随着每增加一项权限，其潜在影响也会随之上升。

这造成了一个棘手的部署问题。一个根据获批文档回答问题的 AI 助手，呈现的是一种风险状况。一个能够修改采购订单、编辑生产代码或处理客户账户的智能体，则呈现另一种风险状况。

组织必须决定身份如何贯穿这些操作。它们需要知道系统是否遵循每位员工既有的权限。还需要记录显示：哪个模型、提示词、数据源和工具促成了某项操作。

治理是用于监督这些系统的一系列政策和技术控制措施。就实际而言，它包括审批规则、测试、访问管理、监控、事件响应以及对自主行为的限制。

OpenAI 表示，提交到其企业产品和 API 的业务数据默认不会用于训练模型。其公开的隐私承诺还说明了加密、保留控制，以及在法律允许的情况下客户对输入和输出的所有权。

这些承诺解决了部分风险，但无法治理完整的业务流程。企业仍需负责决定哪些记录进入模型、哪些员工获得访问权限，以及哪些生成的操作会进入生产系统。

IBM 的角色旨在弥补这一缺口。该公司可以将 OpenAI 产品与现有的安全、治理、基础设施和咨询服务结合起来。它还可针对具有特定审计、数据驻留或运营要求的行业定制控制措施。

据报道，目标市场包括金融服务、政府、电信和零售业。每个领域都拥有有价值的应用场景，但也都有谨慎推进的理由。

银行可以使用 AI 总结案件或协助服务代表，但仍需要控制措施来防止未经授权的账户访问和缺乏依据的财务建议。政府机构可以加速文档分析，却必须保护受限信息并维护公共问责。

电信运营商可以自动化网络调查，但必须防止智能体将诊断建议转化为不安全的配置变更。零售商可以改善客户服务，同时仍需保护支付信息并遵守消费者相关规则。

这正是该合作强调在复杂工作流程中部署的原因。这项工作不如模型发布那样显眼，却决定了一个组织能否获得持久价值。

IBM 早先与 OpenAI 的合作提供了一个具体例子。今年 6 月，IBM 加入Daybreak 计划，并推出了一项利用 OpenAI 网络安全能力的应用安全服务。

IBM 表示，这项服务超越了传统代码扫描，可帮助识别和验证漏洞。验证之所以重要，是因为安全团队已经面对长长的自动化发现清单。能够优先识别真实攻击路径的系统，可能比单纯产生更多警报的系统更有用。

不过，模型辅助的漏洞分析必须在受控环境中运行。安全测试可能暴露敏感代码，并描述可被利用的弱点。访问控制、隔离、日志记录和人工监督仍不可或缺。

因此，IBM 与 OpenAI 的合作将安全视为运营模式的一部分，而非最终检查清单。这种方法听起来合理，但其有效性仍需要来自实际部署的证据。

内部 AI 团队才是该合作真正的对手

IBM 和 OpenAI 必须证明，由咨询主导的推广能够带来比有能力的内部团队直接构建更多的价值。

大型组织过去需要大量外部支持，才能试验机器学习。前沿模型降低了一些门槛。开发者如今可调用标准化 API、连接检索系统，并在无需训练基础模型的情况下构建有用的内部工具。

这种转变给传统咨询模式带来了压力。如果内部产品团队能在数周内开发出可用应用，高管就会质疑更长期的转型项目。他们也会仔细审查持续的软件、集成和咨询成本。

IBM 的论点是，一个可用应用并不等同于受控的企业系统。原型可能只服务于使用精心挑选数据的小型群体。生产部署则必须应对不断变化的权限、不完整的记录、模型更新、故障、审计以及数千名用户。

内部团队可以满足这些要求，许多团队已经在这样做。问题在于，它们是否拥有足够的安全、法律、运营和变革管理能力，将这一过程复制到多个业务职能中。

IBM 提供了一条协调一致的路径。其顾问可识别工作流程、集成系统、建立治理并支持采用。OpenAI 提供模型能力和产品层。该合作集中责任，而不是迫使客户自行拼凑每一个组件。

这种收益的成本不止体现在合同本身。咨询主导的项目可能增加会议、依赖关系和复杂的责任归属结构。它们也可能产生定制系统，使内部团队在初始合作结束后难以维护。

该合作必须避免将常规模型集成变成广泛的转型工程。它应将重度实施工作留给那些确实因规模、遗留基础设施或监管而需要的工作流程。

有效的部署应从受限的目标开始。例如，一个组织可以要求智能体分析采购例外情况，但不批准付款。该系统可以检索政策、解释其推理过程，并将异常案件转交给获得授权的员工。

随后可通过处理时间、纠正率、员工采用情况和控制失效来衡量成功。如果证据支持扩展，组织便可逐步授予额外工具或权限。

这种分阶段方法让两条路径之间的竞争更加清晰。内部团队或许能更快推出首个版本。IBM 的托管方法则应提供更强的治理、更广泛的集成或更可靠的采用，才能证明其额外结构的合理性。

OpenAI 在这场竞争的两端都有自身利益。它希望组织能迅速使用其产品，但也希望实现更深入、更持久的采用。合作伙伴能帮助 OpenAI 覆盖其自身销售与工程团队无法单独触及的行业和工作流程。

这家模型公司已招募多家大型咨询机构。其不断扩展的生态系统包括 Accenture、Boston Consulting Group、Capgemini 和 McKinsey 等公司。因此，IBM 一方面与其他 OpenAI 合作伙伴竞争，另一方面也在帮助 OpenAI 与竞争模型提供商抗衡。

Google 提供了一个尤其相关的对比。IBM 于 2026 年 6 月宣布了另一项 Google Cloud 咨询合作伙伴关系，重点围绕 Gemini Enterprise 和行业专用智能体。IBM 也曾与 Anthropic 在企业软件和安全智能体架构方面展开合作。

这种多模型立场可能让客户受益。它使 IBM 能够根据工作负载、治理或部署需求推荐不同模型。但这也可能引发问题：IBM 会将最强的工程投入放在哪里？

对 OpenAI 而言，IBM 这一合作关系的价值只有在其能在客户工作流程中形成优先选择时才会显现。支持所有模型的咨询合作伙伴能带来覆盖面，但不会自动带来排他性。OpenAI 必须继续通过能力、可靠性、控制机制和开发者体验赢得自身位置。

对 IBM 而言，支持多家模型提供商能够降低依赖性。这也强化了该公司作为企业控制与集成层的潜在角色。如果 IBM 掌握了部署中的关键环节，就不必在基础模型训练上击败 OpenAI 或 Google。

这正是 Google News 标题背后的战略逆转。IBM 曾将 Watson 打造成标志性的 AI 品牌。在这项合作中，它的优势不再主要取决于是否拥有领先模型，而更在于能否让另一家公司的模型在复杂环境中可用。

安全声明仍需生产环境证据

这项合作最强的承诺，也是其最大的未知数：安全部署是一种运营成果，而非产品标签。

IBM 和 OpenAI 可以描述安全防护措施、培训计划和治理工具。这些要素很重要，但客户仍需要证明，已部署系统在正常使用和遭受攻击时都能以可预测的方式运行。

模型行为会随上下文而变化。一个在测试中表现良好的系统，可能在接收到含糊指令、过时记录或意外工具响应时失效。攻击者也可能利用提示词注入、恶意内容或被盗凭据来影响智能体。

提示词注入是指不受信任的内容试图覆盖模型原本预期指令的行为。当智能体能够检索私有数据或操作业务软件时，这种风险会变得更严重。

安全设计会限制此类失效造成的损害。它只向模型授予完成任务所需的权限；将生成的建议与高影响执行操作分离；并将异常操作交由人工审批。

监控范围不能只覆盖模型输出。团队需要记录工具调用、数据访问、审批决策和下游变更。还需要具备一种可靠方法，能够在不中断无关业务系统的情况下停用某个智能体。

IBM 的安全经验有助于建立这些控制机制。其 Daybreak 工作使该合作关系拥有一个现有的网络安全用例，而非完全停留在理论层面的起点。OpenAI 的 网络安全合作伙伴框架同样强调受治理的工作流程，而不是不受限制的模型访问。

不过，两家公司目前主要描述的是预期能力。它们尚未发布独立评估，以证明扩展后的合作关系如何在不同客户中降低错误、安全事件或部署时间。

缺乏财务细节也形成了另一处验证缺口。两家公司没有披露投资承诺、营收目标或最低采购义务。该协议可能成为一个重要渠道，也可能仍只是 IBM 广泛合作伙伴组合中的一个选项。

认证人数同样需要谨慎解读。培训数千名顾问可以扩大交付能力，但不能说明其中多少人已完成生产项目、客户如何评价这些项目，或由此产生的系统是否仍在运行。

企业应在工作流程层面要求证据。安全项目应报告已确认的漏洞、误报、修复时间以及由系统引发的事件。客户服务部署应报告解决质量、升级率和未经授权的数据暴露情况。

软件现代化项目也需要自身的衡量指标。团队应检查被接受的代码变更、缺陷、审查时间、回滚频率和长期可维护性。仅凭生成代码量，几乎无法反映业务价值。

组织还应测试可移植性。与单一模型紧密连接的应用可能会变得昂贵或难以更改。模型抽象可以降低这种依赖，尽管它也可能阻止团队使用提供商专有能力。

IBM 曾公开强调混合和多提供商技术。这一定位表明客户应保留选择空间。单个实施项目的商业细节将显示，这一原则是否能在实践中延续。

数据驻留带来相关的权衡。一些组织必须将信息或运营控制保留在特定司法辖区内。IBM 的主权平台在基础设施层面处理策略执行和工作负载可移植性。

然而，基础设施控制并不能自动解决所有模型服务问题。客户仍需了解提示词在哪里处理、保留哪些元数据，以及哪些支持人员可以访问相关系统。

因此，这项合作应通过架构和合同来评估，而不是品牌宣传。“安全的企业 AI”必须转化为明确的权限、日志、保留设置、测试程序以及故障后的补救措施。

知识工作者也面临同一问题的较小版本。当 AI 能连接文档、会议和决策时，他们将获得更大价值。但工具必须尊重上下文和访问边界。设计良好的个人知识库可以说明受控上下文的价值，同时不授予广泛的运营权限。

IBM 和 OpenAI 的目标规模要大得多。它们的系统可能影响付款、代码、安全调查和客户互动。随着这种权限扩大，证据标准也必须提高。

Google News 读者接下来应关注什么

三个信号将决定这项合作是会成为企业部署引擎，还是又一次宽泛的联盟公告。

第一个信号是具名客户采用。IBM 和 OpenAI 需要识别那些超越试验、进入持续生产使用阶段的组织。最有力的案例将明确说明工作流程、受影响用户、现有系统和安全防护措施。

没有部署细节的客户标识只能提供有限证据。描述更快的采购审查或更好的漏洞验证的案例将更有分量。独立的客户评论会进一步增强这一说法。

请关注公告重点强调的四个行业中的案例：金融服务、政府、电信和零售。受监管职能中的生产部署，将支持 IBM 的论点，即其集成和治理能力解决了现实约束。

第二个信号是可衡量的运营表现。IBM 应报告采用率、处理时间、错误率、已确认的安全发现或修复时间缩短等结果。这些指标需要明确的基线和时间范围。

有用的结果也应披露人工参与程度。如果员工必须审查每一项生成的操作，系统仍可能节省时间，但读者需要了解这一背景。如果智能体独立行动，其异常率和回滚率就更为重要。

这些衡量结果将决定托管部署是否优于直接的内部开发。如果 IBM 能在多家客户中交付可靠成果，咨询层的可信度将提升。如果结果仍然模糊，内部团队将更有理由自行构建较小的系统。

第三个信号是 IBM 如何处理模型选择。客户应关注新解决方案是否仍向 Anthropic、Google、IBM Granite 或其他模型开放。他们也应审视 OpenAI 是否在 IBM 的工具和咨询方法中获得优先位置。

灵活的架构会强化 IBM 作为可信集成层的地位。它能让客户根据风险、性能和驻留要求匹配模型。当模型能力或商业条款变化时，也能降低切换成本。

高度以 OpenAI 为中心的架构可能实现更快的产品集成，但也可能增加集中风险。客户应询问哪些组件可移植，哪些依赖于提供商专有功能。

竞争对手的反应将提供另一条线索。Google、Microsoft、Anthropic、Accenture、Capgemini、BCG 和 McKinsey 都有理由扩大部署服务。新的合作伙伴计划、认证和打包行业解决方案将证实，实施已成为下一场主要的企业竞争战场。

IBM 的协议支持这一解读。OpenAI 的模型能力只是其中一个组成部分。这项合作还需要顾问、工作流程重构、治理、网络安全和组织采用。

对于企业买家，眼下的行动不是根据一条 Google News 标题选择模型，而是选择一个边界明确的工作流程，并在授予系统实质性访问权限前定义成功标准。

询问谁对结果负责、智能体获得哪些权限，以及如何检测错误。要求提供基线、回滚流程，以及员工实际使用系统的证据。然后将 IBM 的托管路径与内部团队或其他合作伙伴能够交付的方案进行比较。

未来几个月应会揭示客户名称、实施模式和首批可衡量成果。这些信号将显示 IBM 和 OpenAI 能否将安全 AI 部署从一个有说服力的承诺，转化为可重复的运营表现。