报告概述
本报告基于对425位全球高级技术领导者的调查，重新审视AI时代关键任务工作负载的放置决策。报告提出“结果三角”框架（智能执行、生产成本、AI信任），论证大型机在混合架构中的锚定作用。研究发现74%的高管正从云优先转向基于结果的工作负载放置，大型机在成本可预测性、交易可靠性和安全性方面优势显著。报告为CIO、CTO、企业架构师提供数据驱动的证据，帮助他们在AI规模化生产中做出更优的基础设施决策。
报告的核心结论
云优先策略正在被基于结果的工作负载放置取代
74%的受访高管表示不再默认优先选择云，而是根据执行效果选择平台。这一转变源于AI进入生产后对延迟、成本和治理的新要求，混合架构（以大型机为锚点）成为主流选择，单平台中大型机被优先选择的比例是公有云的近5倍。
大型机在成本管控上优于公有云
72%的组织报告云生产成本超出预期，平均达预期的1.5倍。而受访者评价大型机在每笔交易成本、成本可预测性和总拥有成本方面均优于公有云，24%的组织已从公有云回迁工作负载，另有38%计划回迁。
大型机对AI创新至关重要
60%的高管认为大型机平台是推动AI创新的关键，75%预期大型机应用仍将是数字化转型的核心。AI推理正加速向记录系统靠近，目前仅21%在记录系统运行AI推理，但38%认为未来应在此运行。
报告回答的关键问题
为什么企业正在远离云优先策略？
AI进入生产后，成本超支和治理风险暴露了云优先的局限性。报告显示72%的组织云成本超出预期，且只有14%能持续跨平台比较成本。同时，大型机在交易可靠性、成本可预测性和安全性上表现更优，促使企业转向基于执行结果的工作负载放置。
大型机在AI时代有什么不可替代的优势？
大型机能实现99.999999%的可用性，为AI驱动的交易提供极低延迟和强合规性。报告指出，当AI嵌入交易路径时，大型机作为记录系统的执行锚点，可避免数据移动带来的性能损失和治理风险，确保可审计性和主权合规。
如何评估关键任务工作负载应该放在哪里？
报告提出三个维度：智能执行（持续负载下的可靠性）、生产成本（可预测性和总拥有成本）、AI信任（控制、可审计性和弹性）。当三者都重要时，单一平台不够，混合架构（大型机+私有云+公有云）是最优解，大型机通常锚定核心交易。
报告中的代表性数据
云生产成本超预期比例
调查时点，72%的组织报告公有云进入生产后的成本高于预期，平均为预期的1.5倍。
转向基于结果的工作负载放置比例
调查时点，74%的高管表示正从云优先转向根据执行结果选择平台，而非默认选择云。
认为大型机对AI创新必要的比例
调查时点，60%的受访高管认为基于大型机的平台对实现AI创新至关重要。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 全球调查方法与样本构成：详细说明425位受访者的职位、行业、地区分布及组织规模，涵盖银行、保险、制造、医疗、政府等8个国家。
- 结果三角框架详解：深入阐述智能执行、生产成本、AI信任三个维度的相互作用，以及如何指导工作负载放置决策。
- 案例研究：M&T Bank如何通过大型机将数据更新时间从数小时缩短至亚秒级，同时不增加合规风险。
- 案例研究：ANZ Bank通过DevOps改造大型机开发流程，许可成本下降约90%，修复时间从数周缩短至1小时内。
- 行动指南：五大关键举措及分阶段实施建议，包括设计混合架构、基于结果放置工作负载、将AI直接引入交易路径、将成本纳入设计、现代化核心系统。
- 成本对比数据：大型机与公有云在每笔交易成本、成本可预测性、TCO上的详细评分对比图表。
- AI信任与主权分析：探讨AI进入交易路径后对治理、可审计性和数据主权的强化需求，以及大型机如何满足这些要求。
- 相关报告推荐：包括AI基础设施、混合设计ROI、AI安全保障等专题研究链接。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
