人工智能不只是新增一个技术组件，它正在改变业务流程的设计方式、应用的交互边界以及数据的使用逻辑。
一、从辅助工具到企业能力
早期人工智能应用多以识别、分类和预测等单点模型出现，通常嵌入某个固定流程。生成式人工智能和智能体出现后，人工智能开始处理语言、知识和跨系统任务，逐渐成为可被多个应用调用的共享能力。
这意味着架构设计不能只讨论模型部署，还要考虑知识、上下文、工具、权限和反馈如何共同组成一项可运营的人工智能能力。
二、业务架构：重新划分人与机器的工作
人工智能能够完成信息整理、内容生成、辅助判断和任务编排，企业需要重新分析业务活动：哪些工作可以自动化，哪些应由人工智能提出建议，哪些必须保留人工决策。
业务流程也可能从固定步骤变为目标驱动。员工提出目标后，人工智能根据上下文选择知识和工具，但关键节点仍需要责任人确认。
三、应用架构：从功能菜单走向能力组合
传统应用通过预先设计的页面和流程提供确定性功能，人工智能应用则更依赖自然语言交互、动态编排和上下文记忆。
未来的应用体系可能同时包含核心交易系统、共享人工智能平台、知识服务和场景智能体。人工智能不会消除传统系统，而是成为连接人、知识与系统的新交互层。
四、数据架构：知识和上下文成为新对象
模型训练数据只是人工智能数据需求的一部分。企业还需要管理提示模板、知识文档、向量索引、会话上下文、反馈记录和评测数据。
数据治理的重点也从结构化字段扩展到内容可信度、知识时效性、访问权限和输出可追溯性。
五、技术架构：增加模型服务与运行治理
人工智能技术架构需要提供模型接入、推理服务、检索增强、工具调用、内容安全、成本监控和效果评测等能力。模型本身只是其中一层。
企业架构因而从相对确定的系统设计，转向对概率性能力的持续管理：允许人工智能提供价值，同时为错误、不确定性和变化设计控制机制。
最先变化的，是架构边界
传统架构主要管理流程、系统、接口、数据和基础设施。人工智能进入企业后，模型、提示规则、知识库、上下文、评测集和反馈记录都成为新的架构对象。这些对象更新频率更高，结果具有一定不确定性，也更依赖运行中的持续评价。
因此，人工智能能力不能只被画成应用旁边的一个外部服务。架构需要说明模型从哪里获得知识，可以调用哪些工具，输出经过什么校验，错误由谁发现，以及版本变化如何影响业务结果。
第二个变化，是人机责任重新划分
过去系统主要执行明确规则，人负责判断例外。生成式人工智能可以理解非结构化信息、提出建议，甚至规划任务，但它并不天然拥有业务责任。企业需要为不同场景确定辅助、协同和受控执行三种边界，并明确人工确认点。
第三个变化，是治理从上线前延伸到运行中
传统系统经过测试后，输入与输出通常较稳定。模型效果则可能随着知识更新、业务变化和用户使用方式而波动。架构治理必须增加持续评测、质量监控、反馈闭环和版本回退机制。一次上线评审无法覆盖整个运行周期。