你正在决定：企业的 AI 能力，到底应该押在一个最强的模型上，还是分散到多个模型？这个决定过去只关乎效果与成本，如今还关乎业务能否持续运转。
2026 年 9 月 28 日，OpenAI 宣布不再发布 GPT-6.1 Astra，原定 10 月上线 ChatGPT 与 Codex 的升级就此取消。今年早些时候，一项美国出口管制令更让一家头部 AI 实验室的两个最强模型停用了 19 天。
模型这一层从来不在企业的掌控之中。本文解释什么是 AI 模型集中风险，并给出一套可以直接用于风险评审的五步框架。
什么是 AI 模型集中风险？
AI 模型集中风险，是指企业关键流程依赖单一 AI 模型或单一供应商而形成的业务风险。一旦该模型被下线、涨价、受到监管限制或服务中断，相关流程就会随之停摆。这与核心业务只依赖一家银行、一个云区域或一家供应商，本质上并无不同。
风险来自三个方面，而多数企业只为第一种做过预案：
--- 可用性风险：服务中断、调用限额，以及需求高峰时的算力紧张。
--- 连续性风险：模型版本淘汰、升级计划取消，或因安全审查而暂停发布。
--- 管辖风险：政府命令、出口管制或制裁变化，可以绕过合同直接切断使用。
服务等级协议可以覆盖第一种风险，但对后两种几乎无能为力。服务抵扣无法弥补一条停摆的业务流程。
为什么集中风险在 2026 年成为董事会议题？
因为 2026 年同时出现了三类冲击：服务中断频率创新高、政府下令停用模型，以及前沿实验室以安全理由取消已完成的模型。三件事叠加，让集中风险从理论推演变成了真实的事故记录，董事会不得不正面应对。
数据很具体。Kai Waehner 2026 年 8 月的多模型策略分析引用 Ookla 数据显示，ChatGPT、Claude、Gemini 与 Copilot 的高强度中断天数，从 2025 年第一季度的 6 天上升到 2026 年第一季度的 51 天。
同一分析还记录了 2026 年 6 月的事件：美国出口管制迫使 Anthropic 对所有客户停用其两个最强模型，19 天后才在新的限制下恢复。
9 月，Implicator 报道称 GPT-6.1 Astra 在不越权、先征得授权、如实报告自身行为等方面未达标，OpenAI 也暂停了最强模型的训练。凡是把 10 月计划建立在这次升级之上的企业，都需要重新规划。
企业的风险敞口通常有多大？
多数企业的敞口远比想象的大，因为模型依赖是在不知不觉中累积的：每个部门各自选用顺手的工具，系统集成时把供应商写死在代码里，却没有人掌握全貌。一家中型企业很可能有十几条流程，会因为一家供应商停止服务而立即中断。
三个因素让问题更加突出：
--- 接入方式：很多企业通过云市场、代理商或 SaaS 内置功能使用前沿模型，而非直接签约，中间多了一方可以改变条款。
--- 合规要求：金融、医疗等受监管行业，本就需要管理外包与供应商集中度风险，AI 供应商同样在审视范围之内。
--- 中文能力：不同模型对粤语、繁体及简体中文的处理差异明显，所谓“备用模型”未必真正可用。
最直接的检验方法：请每位部门负责人回答，如果主力供应商消失三周，哪些 AI 流程会停？答不上来，就说明这份清单还不存在。
多模型策略具体包括哪些内容？
多模型策略，是让关键 AI 任务经过一个编排层运行，每项任务都能分派给不止一个经过验证的模型；供应商中断时自动切换，必要时回退到非 AI 流程。它属于韧性工程，而不是“多买几个订阅”的采购习惯。
我们建议的框架分五步，每一步都产出一份可供评审的文件：
第一步：摸清依赖清单
列出所有已上线的 AI 流程、对应的模型与供应商、涉及的数据和支撑的业务，并按“停摆三周的损失”排序。
第二步：把模型名称从代码中剥离
应用应调用“合同摘要”这类角色，而不是某个具体模型，由网关或编排层决定由哪个模型承担。这样，模型下线就从紧急事故变成一次配置调整。
第三步：为关键角色验证第二个模型
用同一套评估集测试另一家供应商的模型，并纳入中文样本。从未测试过的备份只是一种愿望，不是一项控制。
第四步：设计无 AI 的兜底方案
对不能停的流程，预先定义所有模型都不可用时怎么办：规则引擎、人工队列或延迟批处理，并按灾备标准编列预算。
第五步：写入退出与通知条款
签约前争取模型下线通知期、数据导出权，以及提示与输出的处理地点。签约前提出几乎没有成本，签约后再补则代价高昂。
多模型策略在不同行业如何落地？
各行业做法不同，但模式一致：一个强势的默认模型、一个为关键角色验证过的替代模型，以及清晰的数据分流规则。以下三个场景，分别展示零售连锁、制造企业与律师事务所的实践方式。
一家零售连锁用前沿模型处理会员客服中的复杂咨询，同时为同一角色验证了另一家供应商的模型，并保留关键词分流规则。即使两个模型同时失效，咨询也能在承诺时限内得到分类处理。
一家制造企业每天处理大量采购单与质检报告。这类重复工作交给小型、低成本模型，并配备另一个小模型作为备份；前沿模型只负责异常分析。服务中断时，受影响的只是少量异常单，生产不受影响。
一家律师事务所的起草助手每季度选用表现最好的前沿模型，但一律通过网关接入。涉及客户机密的案件，只分派到已审核数据处理方式的部署，因此更换供应商时无需逐案重新审批。
多模型要花多少钱？什么情况下不值得？
多模型的额外投入主要在工程、评估与治理，集中于编排层以及为关键流程测试第二模型。它并不适合所有场景：低风险、可暂停的任务完全可以保持单一模型；真正需要这套纪律的，是停摆三周就会影响客户或收入的流程。
以下取舍需要向管理层讲清楚：
--- 复杂度：每增加一家供应商，就多一套 API、计费方式与治理范围。
--- 提示漂移：为一个模型调好的提示，换到另一个模型往往效果打折，评估集需要持续维护。
--- 新的锁定：编排层本身也会成为依赖，选型时要像选模型供应商一样审慎。
复利效应也在提醒我们：应减少模型参与，而不是增加。AI 智能体若每一步准确率为 99%，完成 100 步流程的概率只有约 37%。把可重复的决策沉淀为普通代码，可以同时降低成本与依赖，这一点可结合我们的 AI FinOps 成本管理指南一起阅读。
企业降低 AI 供应商依赖时常见哪些误区？
最常见的误区包括：订阅了多家服务却没有编排层、指定了从未测试过的备用模型、备份测试忽略中文表现，以及把问题当成纯技术事务。这些做法让企业误以为已经受到保护，而真正的切换路径从未演练过。
--- 有账号，无架构：与三家供应商签约，但所有应用仍直接调用其中一家。
--- 纸面备份：制度里写了备用模型，却从未在真实负载上跑过。
--- 忽视智能体：自主智能体同样继承供应商依赖与系统权限，可参考我们的 AI 智能体身份管理指南。
--- 从不演练：韧性要靠演练来证明，与数据中心的切换测试同理。
如何向董事会汇报 AI 集中风险？
应把 AI 集中风险作为运营韧性议题来汇报，聚焦三个数字：多少关键流程依赖单一供应商、多少已有经过测试的替代方案，以及切换需要多长时间。董事会熟悉这种框架，因为审视云、银行与供应商集中度时，用的正是同一套逻辑。
一页纸的董事会简报应包括：
--- 风险敞口：第一步得出的依赖清单与排序。
--- 覆盖率：已验证第二模型的关键角色占比。
--- 恢复时间：实际演练得出的切换时长。
--- 剩余风险：刻意保持单一模型的流程及原因。
--- 下季度计划：哪些流程将纳入覆盖，以及所需投入。
结论：业务脉络要自己掌握，模型可以租用
前沿模型会不断进步，也会不断被暂停、涨价与限制。真正获益的企业，会把模型当作可替换的组件，把投入放在自己能掌握的部分：流程设计、评估集、业务脉络与兜底方案。这个月就从摸清依赖清单开始。
懂AI，更懂你 UD相伴，AI不冷。
本文由 UD 企业 AI 团队审阅。相关事件与数据已于 2026 年 9 月 30 日与文中注明日期的来源核对。
评估你的 AI 系统对单一模型的依赖
了解了框架，下一步是找出你的组织目前所处的位置。从免费的 AI 准备度评估开始，UD 团队手把手带你完成每一步，从梳理模型依赖、验证替代方案、设计兜底流程，到向董事会汇报覆盖率，28 年企业服务经验，全程陪你走。
