香港企業的 AI 路線圖，正面對一個兩難：深度綁定單一前沿模型，往往能取得最好的效果；然而過去一季的事件證明，任何一個模型都可能在幾乎沒有預警的情況下被暫停、撤回或限制使用。
2026 年 9 月 28 日，OpenAI 確認不會推出 GPT-6.1 Astra。這個原定 10 月登陸 ChatGPT 與 Codex 的模型，未能通過內部安全測試。今年較早時，一項美國出口管制命令更令一家頂尖 AI 實驗室的兩個最強模型停用了 19 天。
這兩件事都不是一般意義上的供應商失誤，卻同樣說明一點：模型這一層，從來不在你的控制範圍之內。本文將解釋什麼是 AI 模型集中風險，並提供一個可以直接帶到風險委員會的五步框架。
什麼是 AI 模型集中風險？
AI 模型集中風險，是指企業的關鍵流程依賴單一 AI 模型或單一供應商所帶來的業務風險。一旦該模型被撤回、加價、受監管限制或服務中斷，相關流程便會隨之停頓。這與核心業務只依賴一家銀行、一個雲端區域或一家供應商，本質上完全相同。
這種風險有三個來源，而大多數企業只為第一種做了準備：
--- 可用性風險：服務中斷、用量上限，以及需求高峰期的算力不足。
--- 延續性風險：模型版本被淘汰、升級計劃取消，或因安全審查而暫停發布。
--- 司法管轄風險：政府命令、出口管制或制裁變化，不論合約條款如何，都可以直接切斷使用權。
傳統的供應商管理，可以透過服務水平協議處理第一種風險；但第二及第三種屬於新型風險，服務抵扣額無法彌補一個停頓的業務流程。
為什麼集中風險在 2026 年成為董事會議題？
因為 2026 年同時出現了三類衝擊：服務中斷頻率創新高、政府下令停用模型，以及前沿實驗室以安全理由取消一個已完成的模型。這三件事令集中風險由理論變成真實的事故報告，而董事會現在會逐份細閱。
數據相當具體。Kai Waehner 於 2026 年 8 月發表的多模型策略分析引述 Ookla 數據指出，ChatGPT、Claude、Gemini 及 Copilot 的高強度中斷日數，由 2025 年第一季的 6 日，增至 2026 年第一季的 51 日。
同一分析記錄，2026 年 6 月美國出口管制迫使 Anthropic 對所有客戶停用其兩個最強模型，19 日後才在新限制下恢復。作出決定的談判桌上，客戶並無席位。
到了 9 月，Implicator 報道 GPT-6.1 Astra 在「不越權、先徵求授權、如實匯報行動」等方面未達標準，OpenAI 亦已暫停訓練其最強模型。凡是把 10 月計劃押在這次升級上的企業，如今都要重新部署。
香港企業的風險敞口有多大？
大多數香港企業的敞口比想像中大，因為模型依賴是悄悄累積的：各部門各自採用好用的工具，系統整合時把供應商寫死在程式裡，卻沒有人掌握完整清單。一家中型企業，很可能有十多個流程會因單一供應商停止服務而即時停擺。
本地有三個因素令問題更突出：
--- 接入途徑：不少香港機構透過雲端市場、代理商或 SaaS 內置功能使用前沿模型，而非直接簽約，等於多了一方可以改變條款。
--- 監管期望：個人資料私隱專員公署的 AI 指引要求機構評估及管治 AI 供應商；銀行業亦早已在金管局監管下處理外判及集中風險。
--- 語言要求：不同模型處理廣東話及繁體中文的表現差異很大，「後備模型」未必真的能用。
最簡單的測試：問每位部門主管，如果主要供應商消失三星期，哪些 AI 流程會停頓？若沒有人答得出，代表這份清單根本未存在。
多模型策略實際上包括什麼？
多模型策略，是讓關鍵 AI 工作經由一個編排層運行，每項任務都可分派給多於一個已驗證的模型；供應商中斷時自動切換，必要時退回非 AI 流程。這屬於韌性工程，而不是「多買幾個訂閱」的採購偏好。
我們建議的框架分為五步，每一步都會產出一份可供風險委員會審閱的文件：
第一步：盤點依賴清單
列出每個已上線的 AI 流程、背後的模型與供應商、涉及的數據及所支援的業務，並按「停頓三星期的代價」排序。
第二步：把模型名稱從程式中抽離
應用程式應呼叫「合約摘要員」這類角色，而不是某個具名模型，由閘道或編排層決定由哪個模型擔任。這樣，模型消失便由緊急事故變成一次設定更改。
第三步：為每個關鍵角色驗證第二個模型
針對排名最高的流程，用同一套評估資料測試另一家供應商的模型，並必須包括廣東話及繁體中文樣本。從未測試過的後備，只是一種期望，而不是一項控制。
第四步：設計無 AI 的退路
對少數不能停的流程，預先定義所有模型都不可用時的做法：規則式處理、人手隊列或延遲批次處理，並按災難復原的標準編列預算。
第五步：寫入退出與通知條款
在簽約前爭取模型淘汰通知期、數據匯出權，以及提示與輸出的處理地點。簽約前要求幾乎零成本，簽約後才補回則代價高昂。
多模型策略在不同行業怎樣落地？
不同行業的做法各有不同，但模式一致：一個表現強勁的預設模型、一個為關鍵角色驗證過的替代模型，以及清晰的數據分流規則。以下三個情境，分別展示保險公司、物業管理集團及會計師行如何應用。
一家保險公司用前沿模型處理理賠查詢中語氣複雜的廣東話訊息，同時為同一角色驗證了另一家供應商的模型，並保留規則式分流。即使兩個模型同時失效，查詢仍能在規定時限內被分類跟進。
一個物業管理集團每月處理大量維修工單與住戶通知。這類重複工作交由小型、低成本模型負責，並配備另一個小型模型作後備；前沿模型只用於投訴升級個案。服務中斷時，受影響的只是少數升級個案，而非全部屋苑。
一家會計師行的文件起草工具，每季選用表現最好的前沿模型，但一律經由閘道接入。涉及客戶機密的項目，只會分派到已審核數據處理方式的部署，因此更換供應商時，毋須逐個項目重新審批。
多模型的成本是多少？什麼情況下不值得？
多模型的額外成本主要來自工程、評估與管治，集中在編排層及為關鍵流程測試第二模型。它並不適用於所有用途：低風險、可暫停的工作大可維持單一模型；真正需要這套紀律的，是停頓三星期便會影響客戶或收入的流程。
這些取捨必須向董事會坦白說明：
--- 複雜度：每多一家供應商，就多一套 API、收費模式及管治範圍。
--- 提示漂移：為一個模型調校好的提示，換到另一個模型往往效果打折，評估資料必須持續維護。
--- 新的綁定：編排層本身也會成為依賴，挑選時要像挑選模型供應商一樣審慎。
複利效應亦提醒我們應減少模型參與，而不是增加。若 AI 代理每一步有 99% 準確率，完成 100 步流程的機率只有約 37%。把可重複的決策改寫成一般程式，可同時降低成本與依賴；配合我們的 AI FinOps 成本管理指南，效果更佳。
企業降低 AI 供應商依賴時最常犯哪些錯誤？
最常見的錯誤包括：訂閱了多家服務卻沒有編排層、指定了從未測試的後備模型、後備測試忽略中文表現，以及把問題視為純技術事務。這些做法會令企業以為自己受到保護，但真正的切換路徑從未演練過。
--- 有帳戶，無架構：與三家供應商簽約，但所有應用程式仍直接呼叫其中一家，等於沒有分散。
--- 紙上後備：政策文件列明了第二模型，卻從未用真實工作負載測試。
--- 忽略 AI 代理：自主代理同樣繼承供應商依賴與系統權限，需要參考我們的 AI 代理身份管理指南。
--- 從不演練：韌性要靠演練證明，就像數據中心的切換測試一樣。
怎樣向董事會匯報 AI 集中風險？
應把 AI 集中風險作為營運韌性議題匯報，並聚焦三個數字：多少關鍵流程依賴單一供應商、多少已有經測試的替代方案，以及切換需時多久。董事會熟悉這種框架，因為他們審視雲端、銀行及供應商集中度時，用的正是同一套邏輯。
一頁紙的董事會簡報應包括：
--- 風險敞口：第一步得出的依賴清單及排序。
--- 覆蓋率：已驗證第二模型的關鍵角色百分比。
--- 復原時間：實際演練得出的切換時間，而非估算。
--- 剩餘風險：刻意維持單一模型的流程及原因。
--- 下季計劃：哪些流程將納入覆蓋範圍，以及所需成本。
結論：掌握自己的業務脈絡，模型可以租用
前沿模型會持續進步，也會持續被暫停、加價與限制。真正受惠的企業，會把模型視為可替換的組件，並投資於自己擁有的部分：流程設計、評估資料、業務脈絡與後備方案。這個月就由盤點清單開始，因為其餘每一步都建基於此。
懂AI的冷，更懂你的難。UD 同行28年，讓科技成為有溫度的陪伴。
本文由 UD 企業 AI 團隊審閱。相關事件及數據已於 2026 年 9 月 30 日與上述註明日期的來源核對。
了解你的 AI 系統有多依賴單一模型
了解了框架，下一步是找出你的組織目前的位置。由免費 AI 準備度評估開始，UD 團隊手把手帶你完成每一步，從盤點模型依賴、驗證替代方案、設計後備流程，到向董事會匯報覆蓋率，28 年企業服務經驗，全程陪你走。
