ServiceNow 新数据底座：让自主 AI 智能体从回答走向执行

新底座包含什么

ServiceNow 此次强调三个组件 ：

• Context Engine（上下文引擎）：用于为 AI 智能体提供企业上下文智能的基础能力。
• Autonomous Data Analytics（自主数据分析）：面向企业数据的 AI 驱动分析能力。
• Workflow Data Fabric（工作流数据 Fabric）：作为受治理的数据层的一部分，帮助自主 AI 跨企业流程行动。

关键不在于又做一个报表层，而是让企业数据在工作发生的当下可用。智能体需要在流程中推理、协调并执行，而不是在流程外给人一段建议。

这也与 ServiceNow 更大的智能体架构相接。ServiceNow 称，其 AI Agent Fabric 通过 Agent2Agent（A2A）支持 ServiceNow 和第三方 AI 智能体之间通信；智能体还可通过 Model Context Protocol（MCP）从外部工具、数据和系统获取上下文 。

换成大白话：别让企业 AI 变成一堆孤岛机器人

如果没有共享上下文，一个智能体可能懂工单，另一个懂客户，第三个懂基础设施，但没有任何一个有足够视野或权限把事情办完。

结果就是“半自动化”：摘要很漂亮、建议也有用，但真正的处理仍要人把信息搬来搬去。

CXO Insight 提到，Knowledge 2026 的更新覆盖 AI Control Tower、Autonomous Workforce、数据智能和安全能力，目标是支持从数据到决策、执行和信任的 AI 价值链 。在这个叙事里，数据底座就是连接层：它帮助智能体判断发生了什么、需要作出什么决策，以及流程下一步该往哪里走。

治理不是附加项，而是产品的一部分

对于自主企业智能体，“能做”与“该不该做”必须同时回答。ServiceNow 对这次数据发布反复强调的是 live, governed data，即实时且受治理的数据，而不只是实时数据 。这很关键，因为自主智能体的风险不只是答错，还包括做错。

Cloud Wars 在报道 ServiceNow Autonomous Workforce 策略时也指出，其专用 AI 智能体是在公司工作流内执行任务，并遵循客户的治理要求 。面向 ServiceNow 智能体工作流的实施建议同样强调人类介入、清晰目标和审计框架 。

因此，平台成败不只取决于模型有多强。企业还要看权限、审批、异常处理、监控和审计轨迹，在智能体从“建议”转向“执行”时如何落地。

企业真正该评估什么

这次发布给出了战略方向，但采购或落地时，最该问的仍是很朴素的问题：

• 这个数据底座能触达哪些核心系统和数据源？
• 对关键工作流来说，数据更新到什么程度？是实时、准实时，还是批量同步？
• 权限、审批和异常处理如何被强制执行？
• 智能体采取行动后，会留下怎样的审计记录？
• 它能写回系统记录，还是只生成下一步建议？
• 当置信度、合规规则或业务风险触发阈值时，人工如何接手？

这些问题决定了它究竟会成为真正的执行层，还是只是盖在碎片化企业数据上的又一个界面。

结论

ServiceNow 要补的是企业 AI 从“知道”到“做到”的缺口。自主 AI 智能体如果缺少实时上下文、受治理的数据访问，以及与业务流程系统的深度连接，就很难可靠地完成工作。Context Engine、Autonomous Data Analytics 和 Workflow Data Fabric 的意义在于，ServiceNow 试图把数据、决策和行动串到同一套企业控制之内，而不是让智能体游离在流程之外 。