企业AI兴起变革API管理。API成为AI供应链，需从连接性转向战略智能层，加强治理与可观测性，构建AI就绪的API生命周期。
译自：Redefining API Management for the AI-Driven Enterprise
作者：Raghuram Tadipatri
多年来，API管理一直安然地置于企业架构的“连接性”范畴。团队专注于构建、暴露和保护API，以便移动应用程序、合作伙伴生态系统和后端系统能够以可预测的方式交换信息。API网关执行流量规则。开发者门户推动消费。监控工具检查延迟和正常运行时间。
然而，企业AI的兴起——特别是多模态基础模型、智能体系统和检索增强型工作流——彻底改变了API格局。API不再仅仅连接系统；它们提供驱动AI工作所需的燃料、上下文和编排步骤。在这个新兴时代，API管理必须从技术集成层演变为整个组织的战略智能层。
随着公司大规模将AI投入运营，成功越来越不只取决于模型的复杂性，还在于驱动它们的API的智能性、治理和可靠性。新的API平台不仅仅是一个网关。它是用于数据、服务和自主工作流的AI就绪的控制平面。
API是新的AI供应链
今天的企业正在构建AI系统，这些系统能够对企业数据进行推理，跨分布式应用程序执行操作，并与用户和合作伙伴进行实时交互。所有这些都依赖于API驱动的对受治理、值得信赖信息的访问。
API是新的AI供应链，因为它们充当基本连接器，使AI系统能够访问其正常运行所需的数据、工具和服务。正如传统供应链运输实物商品一样，AI供应链使用API来传输信息并连接不同的系统，从而实现实时数据访问、安全交换和复杂AI驱动工作流的编排。
考虑一个典型的检索增强生成（RAG）架构。一个基础模型通过一组API检索产品规格，通过另一组API检索客户历史，从第三个API检索策略规则，以及从另一个微服务检索定价逻辑。模型生成准确答案的能力取决于这些API响应的质量和一致性。
如果细则策略API添加了新字段，如果定价API变得不稳定，或者如果客户数据端点返回非结构化内容，即使模型本身没有改变，模型准确性也可能下降。
这就是为什么有远见的企业将API视为AI供应链组件，而非技术实用程序。重点从基本可用性扩展到语义可预测性、对敏感内容的严格治理、数据血缘、架构一致性、模型可读性以及以监管为重点的企业知识暴露。
API必须为机器构建，至少要和为人类构建一样多。
在API边缘嵌入智能
传统网关针对高吞吐量请求处理进行了优化。然而，随着AI赋能工作流的激增，组织正在API边缘嵌入轻量级推理，以便在请求到达后端系统之前应用自适应智能。
利用IBM API Connect和新的DataPower Nano Gateway等产品，企业已经部署了AI能力，例如行为访问控制（分析请求模式以发现异常）、针对高并发事务API的欺诈检测、负载增强（例如添加元数据或为模型消费标准化格式）、上下文感知路由（根据用户实时意图选择最佳后端服务）和语义过滤，后者旨在保护不需要的内容传递到模型中。
这种演变反映了可观测性和网络安全领域已经发生的情况：基于规则的管道正在被自适应的、AI增强的通道所取代。边缘智能有助于降低风险、提高准确性，并消除在数十个后端系统之间重复逻辑的需求。
自主和AI原生工作流的治理
治理是AI驱动的API管理与传统实践分歧最大的地方。经典的治理重点领域（例如，身份验证、配额、版本控制、生命周期管理）仍然至关重要。但企业现在面临着全新的风险类别。例如：
- 自主智能体可以调用此API吗？在什么限制下？
- 根据规定，API是否暴露了模型被允许消费的数据？
- 响应会产生有偏见的、有害的或意想不到的模型行为吗？
- 我们如何审计跨多步任务的模型驱动API消费？
自动化发现和分类可以帮助团队识别敏感API，标记高风险暴露模式，并根据数据类型或监管配置文件自动附加策略。治理不应依赖人工审查；它需要持续的、AI辅助的检查。
智能体AI——可以有意调用API来完成任务的系统——进一步加剧了治理挑战。企业需要定义智能体何时以及如何行动、适用哪些护栏以及它们必须生成哪些审计追踪的治理。治理和策略自动化变得与端点安全一样关键。
AI驱动交互的增强可观测性
传统API可观测性衡量吞吐量、错误率、延迟和配额使用情况。这些仍然很重要，但AI驱动系统引入了全新的遥测层。
企业需要了解API响应如何影响模型的推理，模型或智能体是否按预期顺序调用API，以及API更改是否与模型性能下降相关。除了自主智能体引起的意外流量模式外，它们可能还想检查影响确定性模型输出的API行为漂移。
一些企业使用IBM Instana等工具来统一分布式微服务、数据管道和应用程序组件的追踪。当与新兴的AI可观测性能力结合时，组织不仅可以追踪API调用中发生了什么，还可以追踪为什么发生。这将模型提示、检索到的数据、智能体操作和系统结果之间的点连接起来。
在这个新世界中，可观测性变成了行为分析问题，而不仅仅是一个简单的正常运行时间跟踪功能。
构建AI就绪的API生命周期
从连接性转向智能需要一种新的API开发和管理运营模式。以下是我为构建AI就绪的API生命周期推荐的一些实践：
- 将API视为机器优先的资产。 设计架构和有效负载，以预期模型和智能体的消费。避免歧义。强制执行严格的语义结构。
- 自动化分类和治理。 使用AI根据敏感性、行为和使用风险对API进行分类。使用IBM API Connect等工具自动化策略附加。
- 将智能推向边缘。 将推理驱动的策略——例如异常检测、上下文路由和语义过滤——直接部署在IBM API Connect的IBM DataPower Nano Gateway等网关中。
- 连接API和AI可观测性。 使用IBM Instana和AI可观测性框架，将API遥测与模型推理追踪合并。
- 为自主系统构建策略。 定义智能体可以调用哪些API，在什么条件下以及在什么监督下。
- 跨混合云和多云环境集成。 使用IBM webMethods Hybrid Integration等工具，将API管理、事件流、消息传递和自动化整合到一个治理和运行时框架下。
未来：智能API控制平面
长期发展轨迹清晰：API管理将演变为企业AI的智能控制平面。API将成为模型访问知识、执行推理、跨系统行动和协作的网关。
企业AI的智能控制平面是一个中央协调层，它使用AI和机器学习（ML）来管理、编排和保护AI系统及其在整个组织中运行的基础设施。它充当一个“大脑”或“指挥中心”，自动化复杂的任务，强制执行治理，并提供对整个AI生命周期的统一可见性。
根据我的经验，快速发展的组织几乎总是有强大的API管理、正确的治理结构、坚实的AI平台工程方法和良好架构的混合云基础。AI需要连接性，但仅有连接性是不够的。企业需要的是智能连接，一个不仅暴露API，而且理解、治理和优化AI系统如何与它们交互的平台。
IBM的方法是将这些能力统一到端到端架构中，涵盖API Connect与DataPower Nano Gateway和IBM watsonx——旨在提供可扩展AI采用所需的智能和治理。
拥抱这一点的企业可以更可靠地将AI投入运营。那些不接受的企业则面临脆弱、不受治理、不可预测的AI行为，这些行为永远停留在概念验证阶段的风险。
