最近在公司推广AI应用的时候，我被跨部门权限口径不统一的问题折腾得够呛。市场部采购了个内容生成工具，客服团队连上另一套模型，IT部门还自己建了个独立知识库。每个部门单独看，都能跑得挺顺，可一到企业层面，重复接入、权限口径不一、调用费用难归属这些事儿就全冒出来了。太真实了，我自己在项目里就亲眼见过，因为不同部门访问的业务系统风险等级不一样，点对点集成维护起来特别麻烦。
我个人觉得，统一AI平台最适合当共享层。它不只是把所有应用塞进一个界面，而是建立可复用的连接能力和一致的治理规则。业务部门继续负责场景设计、业务规则和结果验收，平台团队管公共连接、运行控制与审计，数据和系统负责人决定哪些信息和操作能开放。统一的不是所有业务流程，而是接入和治理的方式。
要做好这些，分层能力得先验证。比如模型接入，要解决各应用分别适配模型、难以切换和核算的问题；知识连接，得保证文档和业务数据口径一致，答案有依据且检索时继承原有访问权限；工具调用，处理智能体查询或修改业务系统的边界，包括最小权限、操作确认和失败处理；智能体编排，多步骤任务的执行顺序、流程版本、状态管理、人工审批和异常转交都要可控；最后是运行与治理，上线后能定位问题、记录调用链、做质量评估、权限审计和变更回滚。
这些能力不必一次建齐，我建议根据当前主要是文档问答还是要自动处理工单来优先级。如果现在重点是问答，知识权限和答案追溯性往往更紧迫；要是目标是自动工单，工具调用边界、人工接管和失败恢复就得先验证。
治理不能只停在“谁能调用模型”，一次智能体任务可能涉及接收请求、检索知识、调用工具、生成建议、人工确认和写回系统，每一步都要明确身份、权限、记录和异常处理。以采购异常处置为例，平台可以先按用户权限检索订单和库存信息，记录数据来源与更新时间；智能体形成建议后，涉及金额或供应商变更的操作交授权人员确认；执行失败时保留任务状态，转交人工处理。这样既减少了重复查询和手工整理，也避免了把“会提出建议”误认为“有权执行操作”。
选型时，自建适合核心系统接口复杂、已有平台工程能力、需要较高控制度的场景；采购希望较快建立通用接入和管理能力，需求与产品匹配的；混合路线则通用能力可复用，但关键数据和流程必须自主控制，需要提前划清供应商平台与内部系统的责任边界。
落地最好分阶段：第一步先盘点应用烟囱，列出部门、场景、模型、知识源、工具接口、负责人和费用归属，识别重复建设和高风险调用；第二步选一两个流程清晰、数据权限可界定的场景试点，建立模型接入、知识检索、工具登记和基础审计的共同规则；第三步再扩展到跨部门流程，补齐智能体编排、质量评估、告警和变更管理。
平台上线只是具备了交付条件，效果判断时要同时观察应用交付周期、连接复用情况、任务完成质量、人工复核负担、异常处置时间和实际用量成本，并和试点前的同口径数据比较。如果业务流程没有调整、数据责任不清，统一AI平台也很难单独带来预期价值。