2026年AI主权的权衡之道平衡管控力灵活性与风险研究报告-IBM

IBM商业价值研究院|研究洞察AI主权的权衡之道序言 1AI主权不等于拥有整个技术栈 第一部分AI依赖关系如何重塑主权问题 第二部分选择性AI主权 第三部分将主权转化为运营模式 行动指南 1引言AI依赖关系选择性主权运营模式行动指南序言不要让依赖关系决定你的AI命运AI正在重塑商业根基——改变决策、工作流转和价值创造的方式。然而，随着AI深入核心运营，各行各业的领导者都面临一个新的战略问题：谁才是真正的掌控者?答案并不简单。AI引入了新型依赖关系，其演进速度之快，已超出传统治理、采购或技术周期的应对能力。这正是AI主权成为当下最关键的领导力议题之一的原因。利害攸关的已不再只是技术，而是经济。当AI承担运营决策时，任何管控的缺失都可能直接转化为利润率压力、合规风险或业务中断。然而，IBM商业价值研究院(IBMIBV)的这份报告显示，如今只有少数高管真正理解自身的AI依赖关系。在AI变得不可或缺的当下，应用与管控之间的差距正在扩大。主权意味着能够清晰了解依赖关系，持续一致地加以治理，并在必要时调整方向而不影响业务运转。这正是“借助AI”与“受制于AI”的区别。领导者也越开源在这一转型中发挥着关键作用。开放性为企业创造了保持议价主动权所需的选择空间：可互操作的模型、透明的架构，以及不由单一供应商掌控创新节奏或方向的生态系统。开放模型和开放工具让企业能够重新训练、调优或替换组件，而无需重建整个系统。开放标准确保数据可以跨环境流动，并让治理能力随之延伸。而开放社区则以全球规模加速创新，降低过度依赖单一供应商所带来的集中风险。对企业而言，开放性与管控力的结合正是实现选择性主权的关键，即在最重要的领域获得适当程度的管控权，无需在所有地方承担完全独立的成本。它将主权从防御姿态转化为战略优势：更强的议价能力、更具韧性的运营，以及不受锁定束缚的创新自由。本报告正为实现这一目标提供路线图：构建在设计上具备灵活性、在压力下保持韧性，并在关键领域保持主权管控的AI系统。引言AI依赖关系选择性主权运营模式行动指南2对大多数组织而言，AI资产体系并不仅有9%的高管表示，他们非常了解自身对AI供应商、模型和基础设施的依赖关系。高管渴望灵活性，但真正拥有灵活性的71%的高管表示，如果今天必须更换主要的AI供应商或模型，这一过程将十分困难。领导者愿意为灵活性买单，因为它值得。72%的高管愿意接受20%的成本增加，以维持多个AI供应商，从而获得战略灵活性。能够在数据、模型和基础设施层面实施选择性管控的组织，在应对AI驱动的中断时，可保护的营业利润高出55%。引言AI依赖关系选择性主权运营模式行动指南3行动。2026年初，CEO们表示，25%的运营决策已由AI做出。到2030年，他们预计这一比例将升至48%。¹在运营中应用智能体AI可以快速放大生产力，但有效驾驭这种力量需要更强的管控力。这正是AI主权发挥作用的地方。AI主权保留了组织在AI依赖关系发生变化时迁移数据、更换模型、在混合云环境中转移工作负载的能力，无论这些变化来自技术、商业还是监管层面。它让组织在条件变化时仍能维持AI驱动的运营，这在AI日益深度融入工作流程时变得尤为关键。然而，如今大多数领导者并不具备这种管控力。在IBMIBV与牛津经济研究院开展的一项新调研中，受访的1,000名全球高管中，仅有9%表示自己非常了解组织的AI依赖关系。71%的高管表示，如果现在需要更换主要AI供应商或模型，这一过程将十分困难(见图1)。StaplesCanada首席信息官ConorMlacak表示：“供应商锁定会造成失衡，一旦被锁定，就会失去议价能力。”我们的研究量化了这种议价能力的价值。结果显示，在整个AI技术栈中管控力最强的组织，相比管控力较弱的组织，在应对AI驱动的中断时，可保护的营业利润高出55%(详见第29页：“研究方法”)。71%的高管表示，如果今天必须更换AI供应商或模型，这将十分困难。29%%要实现这种管控水平，企业越来越需要将数据、模型、基础设施等要素作为整体系统来协同管理，在碎片化的AI格局中统一政策、监控行为、统筹决策。这与云主权或多云管理不同，因为AI引入了一种新的依赖关系：AI模型层。与此同时，美国、欧盟和亚洲不断演进的监管规定，正在重新定义组织在AI方面的行动边界。许多监管机构已在数据驻留、模型透明度和AI问责方面释放出更严格预期的信号。这些变化将越来越多地决定数据可以流向何处、哪些模型可以使用，以及组织必须以多快速度响应新的合规要求。但AI主权并不只是防御之举。“人们普遍认为AI治理仅限于监管，因此只能被动响应。我认为，治理必须转为主动，”Unicaja首席信息官RaúlCals表示。在不可预测的AI格局中，AI主权还可以通过支持更快的决策、更强的议价能力和更具韧性的增长，创造新的增长空间。有效构建有效构建AI主权的组织能够：-通过在依赖关系变化时维持业务连续性来增强韧性一通过更快地采用和整合新能力来加速AI驱动的增长与创新一通过避免锁定并优化AI运行的地点和方式来强化成本纪律一通过满足监管和司法辖区要求且不影响执行效率来扩大市场准入引言AI依赖关系选择性主权运营模式行动指南5然而，在整个AI技术栈中维持全面管控既不现实，也不具成本效益。正因如此，我们的研究聚焦于选择性AI主权——即根据业务风险和战略价值，在数据、模型和基础设施层面施加相应管控的能力。并非在所有领域，也并非以同等程度实施管控，而是在经济和运营风险足以支撑相关投资的领域实施管控。对于高层领导者而言，AI主权不再是一个交由IT解决的技术问题，而是业务连续性、利润率保护和战略灵活性的核心命题。对CEO而言，它关乎战略自由。对CFO而言，它关乎降低成本冲击并保持资本灵活性。对COO而言，它关乎在中断中维持业务运转。对CIO和CTO而言，它关乎构建能够在扩展过程中持续适应变化的架构。对董事会而言，它关乎在集中风险演变为治理失败之前将其化解。本报告提供了一份路线图，帮助这些领导者在整个企业范围内实现选择性AI主权。第一部分解释AI为何改变了主权问题。在第二部分，我们探讨AI主权的关键维度，即数据、模型和基础设施，并展示选择性管控如何帮助绩优组织保护利润。第三部分概述如何通过分层运营模式，在数据、模型和基础设施层面应用AI主权，使选择性管控与业务优先事项保持一致。最后，我们为CEO、CFO、COO、CIO/CTO和董事会成员提供行动指南，覆盖未来30至60天、60至120天以及更长期的行动。当AI依赖关系无法转移时，CEO的战当数据和模型不可移植时，CFO承受成本冲击。当企业AI变得脆弱时，COO面临业务停摆风险。当架构无法在压力下CTO会受到制约。TelefónicaEspana首席技术与创新官引言AI依赖关系选择性主权运营模式行动指南6一个组织需要多少AI供应商?大多数企业已经在多供应商环境中运营，28%的高管表示，他们至少拥有四家AI供应商，以最大化灵活性并避免锁定(见图2)。但当我们使用排名分析来考察真正推动供应商多元化的因素时，浮现出的图景远比表面复杂。我们发现，组织碎片化是首要驱动因素，其次是地域和监管限制。遗留系统复杂性和治理挑战的排名也高于战略意图。有意使用多个供应商以降低风险，并保持选择权，在相对重要性排名中位居最后。换言之，大多数AI生态系统并不是有意设计的结果，而是各种限制、权宜之计和历史决策累积而成的结果。这一区别至关重要。复杂性若无人统筹，就会割裂管控力：政策更难统一、风险更难管理，也更难快速调整方向。多供应商策略只有在得到积极统筹时，才能增强AI主权。这意味着要为数据、模型和安全建立共同标准，明确哪些地方允许差异化、哪些地方必须保持一致，并在各地区和业务单元之间建立透明度。这使领导者能够将AI供应商作为战略组合加以管理，从而优化适应性、韧性和长期管控力。若进行审慎管理，供应商多元化可以提供保护利润所需的灵活性。事实上，72%的高管愿意接受20%的成本增加，以维持多个AI供应商，从而获得战略灵活性。但这并不意味着企业在每一种情况下都需要多个AI供应商。只有在切换风险、关键性和监管敞口都足以支撑溢价的地方，企业才应为选择权付费。引言AI依赖关系选择性主权运营模式行动指南7观点(续)图2高管更倾向于多供应商AI策略百分比反映主要采用各类AI供应商策略的高管占比没有明确的1使用一家供应商或平台，确保一致性和成本效率使用2至3家供应商以使用4家及以上供应商以最大化灵活性并避免锁定8第一部分AI依赖关系如何重塑主权问题几十年来，企业一直遵循着一套一致的技术打法：标准化、集中化、规模化。这套方法适用于ERP,适用于基础设施，但它并不适用于AI。发生变化的不只是颠覆的速度，更是依赖关系本身的性质。在传统系统中，依赖关系主要集中在基础设施和应用层面，并且变化相对可预测。在AI中，依赖关系延伸到模型层及其周边服务，从而引入了新的波动性。例如，模型行为可能在没有正式发布周期的情况下发生变化，服务条款和安全管控也可能在几乎没有提前通知的情况下更新。随着AI更深地嵌入核心流程，这些依赖关系会将业务连续性置于风险之中。在过去24个月中，高管们表示，依赖关系已经在整个AI生态系统中引发了重大且意外的变化，包括价格上涨、使用限制、模型弃用、隐私和数据处理条款变化、性能下降，以及新的地域访问限制(见图3)。由于大多数AI架构仍然引言AI依赖关系选择性主权运营模式行AI波动性威胁连续性并推高成本排名反映组织在过去24个月中最频繁经历的意外变化1价格大幅上涨2服务条款或使用限制变化23模型或服务弃用/停用34数据处理方式变化5质量问题5性能下降7隐私条款变化8地域访问限制引言AI依赖关系选择性主权运营模式行动指南AI引入了跨模型、数据和服务的新型依赖关系，这些依赖更具波动性、更不透明，也更难摆脱。因此，管控必须超越架构层面，延伸到执行层面，即实时制定并执行决策的地方。AI主权使这一点成为可能。当条件发生变化时，它使组织能够通过以下方式，对AI数据、模型和运行时环境保持有效管控：可见性：了解依赖关系、风险敞口和锁定点治理：执行政策、合规要求和访问边界可移植性：跨环境迁移数据和工作负载可替代性：在需要时切换模型或供应商连续性：在中断或性能下降期间维持运营但主权所需的管控力并不容易获得。在过去两年中更换过或尝试更换过AI供应商的高管中，75%表示，由于数据可移植性、模型重新验证、合规要求和技术锁定等原因，这一过程十分困难。本应是一个战术性调整，却常常演变为持续数月的中断。简而言之，企业并未真正掌控AI。它们实际管控的是一张由合同、架构、数据流和运营选择编织而成的复杂网络，分布在复杂的AI资产体系中。其影响已在各行业清晰可见。-在银行和保险业，模型可移植性和可审计性决定了风险模型能否被验证、解释并跨司法辖区迁移。一在医疗保健和制药行业，受监管的数据流和AI辅助决策需要严格的治理、可追溯性和全生命周期管控。-在公共部门、国防和关键基础设施领域，关键任务系统即使在依赖关系失效、碎片化或遭受攻击时也必须保持运行。-在能源和公用事业领域，运营连续性和司法辖区管控直接影响安全性、可靠性和监管合规。引言AI依赖关系选择性主权运营模式行动指南当底层条件发生变化时，复杂依赖关系会产生成本，而这些成本往往只有在触及利润时才暴露出来。以数据位置的影响为例。当AI在远离其所依赖数据的位置运行时，成本会迅速攀升。我们的研究显示，当数据放置与模型执行不匹配时，组织在词元处理上的支出将达到2.8倍，使一项技术选择在规模化后演变为持续的财务拖累。对于一家年营收200亿美元的企业而言，这意味着要额外支出为了更主动地管控AI隐性成本，组织正在重塑平台战略。增加一个能够提供跨依赖关系可见性的协调层，有助于确保政策在系统、供应商和环境之间得到一致应用。许多组织正在将任务关键型应用和数据从公有云迁回本地或私有环境，这一过程被称为工作负载回迁。IBMIBV近期研究显示，24%的企业已经回迁工作负载，另有38%计划这样做。²这一转变如果聚焦于合适的工作负载，有助于帮助企业在最关键之处重新获得管控力、成本纪律和韧性。“超大规模云服务商的快速变化，例如模型更新或服务变更，迫使我们不断返工解决方案。为减少业务扰动，我们构建了AI网关层，对模型依赖关系进行抽象封装，这样就能在模型和供应商间灵活切换，而对应用程序的影响降到最低。"引言AI依赖关系选择性主权运营模式行动指南随着AI代理、大语言模型和高性能计算(HPC)工作负载在日益分布式的环境中扩展、智能体AT正在重塑基础设施需求。市场现实已经非常明确：如今，AT和HPC需要的不只是底层算力，还需要专为混合部署、监管合规和企业治理而设计的平台，以便组织在条件变化时能够保持管控。随着企业将AI推向生产环境，且政府和受监管行业日益重视数字主权，技术选择越来越受到可见性、可移植性和可执行管控需求的影响。这正在推动市场对更开放、可互操作平台的需求，即那些能够跨环境编排AI,同时保持透明度、治理和性能的平台。例如，IBM正与专注于高性能和自适应计算的半导体公司AMD合作，提供一个主权软件平台，使组织能够在基础设施、数据、工作负载和运营层面实施持续的主权管控，同时保持现代AI所需的性能。³组织开始不再依赖孤立工具或紧密耦合系统，而是将AI视为一个协调一致的运营系统。在这一背景下，主权不再只是关乎系统在哪里运行，而是关乎系统能否随着时间推移得到有效治理、适应变化并被信任。因此，AI主权越来越依赖于合作伙伴的整合能力，即能否在整个AI技术栈中实现一致治理、共享可见性和可执行管控。引言AI依赖关系选择性主权运营模式行动指南第二部分选择性AI主权：获得精准管控AI主权常被视为一种二元选择：企业要么管控自己的AI,而无需在整个AI资产版图中承担完全独立的成本。管控程度每提高一档都会增加成本，因此，主权既是技术问题，也是财务问我们已经衡量了妥善落实选择性主权所带来的经济影响。如前所述，在整个AI技术栈中管控力最强的组织，相比管控力较弱的组织，停机时间更短，并且在AI驱动的中断中可保护的营业利润高出55%。然而，这类组织只是少数。我们的研究显示，大多数组织对AI技术栈关键组件的管控程度仍处于低到中等水平(见图4)。这种管控力不足会直接转化为运营风险和财务风险。81%的高管表示，如果主要AI供应商的服务中断七天，其影响将达到严重或关键级别，甚至会导致业务运营停摆。而这类中断仍在不断发生。我们的研究显示，高管在过去两年中平均经历了六次与AI相关的运营中断，其中供应商服务中断是首要原因(见图5)。为帮助防止此类中断，组织需要在数据、模型和基础设施这三个相互依存的AI主权维度上增强管控力。引言AI依赖关系选择性主权运营模式行动指南14百分比反映对各AI组件拥有不同管控程度的高管占比无/低管控中等管控高/完全管控AI应用和系统AI计算基础设施(GPU、训练/推理平台)AI训练和运营数据AI模型(基础模型、定制模型)引言AI依赖关系选择性主权运AI能力运营中断的主要原因供应商服务中断2技术故障(系统中断、性能问题)23模型问题(性能漂移、准确性问题)34内部能力不足5资源/容量限制集成/兼容性挑战7合规/监管问题引言AI依赖关系选择性主权运营模式行动指南数据管控是AI主权的基础。每一个模型、应用和推理流程都以数据为基础。一旦数据治理、访问或可移植性出现问题，整个技术栈都会受到影响。这在医疗保健、金融服务和公共部门等行业尤为关键，因为在这些行业中，数据治理、驻留和可审计性是监管要求，而非架构偏好。各行业高管估计，将其AI训练和运营数据迁移到不同环境平均需要145天。在满足跨地区数据驻留和主权要求方面，这种滞后时间会带来重大风险；68%的高管表示这是一项挑战。被提及最多的制约因素是数据本地化的技术复杂性。如果无法准确、快速地治理、追踪和迁移数据，AI主权就只能停留在理论层面。这正是平台选择变得至关重要之处。随着组织面临日益严苛的监管要求和技术复杂性，一些组织开始转向大型机环境，以利用其内置治理、可审计性和韧性。随着AI进入受监管、面向客户的交易，大型机尤其具有价值，因为它能够提供维持主权和信任所需的运营管控与透明度。开放数据格式和开源数据工具也可以通过减少对专有数据管道的依赖，并让数据更容易跨环境迁移，从而增强管控力。模型管控力决定了当性能发生变化、新要求出现或供应商更改条款时，组织能够以多快速度作出响应。然而，拥有一个模型并不意味着可以随意更改它。在许多情况下，企业受到的限制不仅来自模型本身，还来自其周边工具、调优框架和许可条款。事实上，我们研究中57%的高管表示，切换或替换核心AI模型需要进行重大解耦，或彻底重建系统。本应只是战术性调整，却演变成战略性中断，将企业锁定在数月或数年前做出的决策中。在银行和制药等受监管行业，模型变更还可能触发重新验证、审计和合规流程，从而进一步增加切换成本和复杂性。模型主权通过使组织能够在内部或借助兼容的替代方案切换模型及相关能力，从而降低这种依赖，其中也包括在适当情况下使用开源模型。没有这种能力，企业就无法在形势需要时作出调整。VWGUKLtd.集团IT总监兼董事会成员Dalton系；但在模型层，我们会有意识地保留选择权。”引言AI依赖关系选择性主权运基础设施主权决定了AI系统能否在压力下扩展、迁移或恢复。它包括对应用、编排层、计算环境以及工作负载实际物理运行位置的管控。在能源、电信和国防等行业，这种管控水平直接关系到运营连续性和司法辖区要求；在这些领域，系统中断或管控权的丧失可能产生系统性影响。“我们的架构必须具备持续演进的灵活性，让我们能够替换组件、采用新技术，而不必推倒重来，”TelefónicaEspana首席技术与创新官SergioSánchezGallego表示。大多数组织在这一领域面临困难，56%的高管表示，将核心AI系统和应用迁移至其他供应商至少需要六个月。为应对这一挑战，许多组织正在采用混合架构，结合本地部署、主权云、超大规模云服务商、开源组件和区域服务商，以优化灵活性和韧性。近半数高管表示，混合模式能为交易型应用带来最佳结果；在这些用例中，大型机与公有云的偏好比例接近5:1。4随着AI进入生产环境，组织正在有意识地将关键工作负载放置在大型机等能够最大化主权并最小化风险的平台上。“技术本身并不等于韧性。在生产环境中，韧性意味着预判和预防，而不仅仅是恢复。”引言AI依赖关系选择性主权运营模式行动指南18将主权转化为运营模式选择性AI主权需要的不只是标准或工具。它我们的研究显示，组织可以通过将AI系统划分为不同层级，并对每一层级应用不同的主权预期来实现这一点(见图6)。AI系统的重要性各不相同，运营模式必须体现这种差异。这种分层方法为决策建立了共同语言，使CIO、COO、CFO和业务领导者能够就需要多少管控、哪些地方可以接受供应商依赖，以及哪些地方必须在架构中预留选择空间达成一致。它还提供了一套在整个企业范围内协调决策的一致方法，通过共享可见性来管理政策、依赖关系和权衡取舍。欧盟《人工智能法案》的高风险类别等监管分类，应为企业AI分层提供参考，但不能取而代之。法律风险只是一个输入因素，运营模式还必须反映业务关键性、依赖集中度、连续性要求和切换约束。AI系统的重要性各不相同，运营模式必须体现这种差异。引言AI依赖关系选择性主权运营模式行动指南组织正在采用分层方法来管理AI主权百分比反映按系统关键性层级划分后，采用各类策略的高管占比自建并拥有没有明确策略购买商品化服务与合作伙伴协作并管理依赖关系自建并拥有第一层级任务关键型或差异化系统第二层级第一层级任务关键型或差异化系统第二层级重要但非差异化能力第三层级运营或商品化服务这些系统最接近企业核心，包括欺诈检测引擎、这些系统最接近企业核心，包括欺诈检测引擎、专有算法、核心决策平台，以及对收入、风险和运营产生重大影响的AI能力。它们处理敏感数据，并且必须在压力下保持可靠。在这一层级，为选择权付费是值得的，因为系统失败、供应商锁定或业务中断的代价要高得多。第一层级是企业需要最高级别可靠管控的领域。这并不总是意味着每一层都要内部自建，但确实意味着在必要时能够独立运营。领导者会验证替代模型，维护经过测试的数据迁出路径，开展中断模拟，并保留实施可控切换所需的专业能力。目标不是为独立而独立，而是确保没有任何单一一数据可以快速、无损地迁移。一模型可以在无需重建系统的情况下进行调优或替换。-工作负载可以转移到备用环境，并且性能损耗最小。一故障切换计划经过测试，而不是停留在理论依赖能够左右关键系统的运行。在我们近期针对任务关键型AI工作负载的研究中，我们发现，当AI在靠近记录系统的位置运行时，性能、成本可预测性和监管信心都会提升，尤其是在专为低延迟和高韧性而构建的平台上。“对我们而言，管控意味着保护我们的战略资产，尤其是核心平台和云基础设施，因为我们对它们有着绝对依赖。”引言AI依赖关系选择性主权运营模式行动指南这些系统对绩效和连续性很重要，但并不构成差这些系统对绩效和连续性很重要，但并不构成差异化战略优势。例如客户服务AI、人力资源分析和供应链优化，不过具体分类取决于每家企业的情境。对于第二层级，组织可以更多依靠受管理的依赖关系，同时保留对数据和架构的实质性管控。目标是实现平衡：保留足够管控力以适应变化，同时避免在不会创造实质经济价值的灵活性上过度投资。理想状态理想状态一数据权利和可移植性受到合同保护。-架构保持模块化，避免深度专有耦合。-供应商绩效和模型变化受到持续监控。-团队可以按计划而非救火式地迁移或改造系统。受管理的依赖并不意味着被动依赖。团队必须确保架构模块化、数据迁出权可执行，并清楚掌握供应商如何管理模型演进与性能表现。引言AI依赖关系选择性主权运营模式行动指南这些是广泛可得、切换成本低且战略价值有限的这些是广泛可得、切换成本低且战略价值有限的能力，例如转录、翻译和常规自动化。在这里，完全主权会制造不必要的成本和复杂性，并侵蚀选择性主权旨在实现的经济价值。只要供应商依赖是明确选择且受到治理的，就可以接受。理想状态理想状态一服务以成本和简便性为优化目标。-供应商依赖是有意选择的，而非历史遗留的。-备选方案存在，但不需要前期投入。一管控措施与业务影响相匹配。分层运营模式将主权从抽象理想转化为可衡量的韧性来源。它将投资集中在管控力最重要的领域，减少不必要的重复建设，既防止组织对低价值能力进行过度设计，也避免关键能力保护不足。在数据、模型、应用和计算层面实施协调管控的组织，尤其是针对第一层级和第二层级系统，能够更好地吸收中断冲击，而不引发级联故障。正因如此，它们所能保护的营业利润高出55%。AI主权并不是要管控一切，而是准确了解自己管控着什么、在哪些方面存在风险敞口，并确保无论未来发生什么,关键运营都能持续运转。引言AI依赖关系选择性主权运营模式行动指南电信行业迎来AI时刻，也发出明确信号多年来，企业一直将电信服务提供商视为连接合作伙伴。这一角色正在快速变化。随着AI主权从政策讨论转向运营要求，电信运营商正成为关键赋能者。它们已经在主权最为重要的地方开展运营：国家边界之内、严格监管制度之下，以及数据、计算和关键基础设施的交汇处。不同于全球超大规模云服务商，电信运营商的结构更适合本地化、司法辖区管控和韧性要求。对于需要AI系统靠近数据运行、遵守本国要求，并在跨境依赖受限时仍保持正常运营的企业而言，电信运营商具备独特优势。例如，在欧洲，OrangeBusiness指出，随着企业将AI部署到核心运营中，关键问题不再只是数据存储在哪里，而是谁保留法律监督权和运营管控权。⁶在这种环境下，电信运营商不再只是连接服务提供商。它们正成为选择性主权的基础设施合作伙伴，为企业提供一条将AI工作负载本地化、降低切换摩擦并保留选择空间的路径。随着AI架构不断演进，主权将不再由单一供应商或平台提供，而是将在混合生态系统中共同构建，连接内部基础设施、超大规模云服务商，以及由电信运营商赋能的主权环境。及早认识到这一点的企业领导者，获得的不只是合规，更是灵活性。“我们采用了双供应商策略，与两家超大规模云服务商保持合作关系，以实现冗余和成本管控。这种方法避免了管理众多供应商的复杂性，同时确保我们在需要时拥有切换所需的灵活性和韧性。”引言AI依赖关系选择性主权运营模式行动指南如何让AI主权落地随着AI系统承担越来越多的运营决策，保持控制取决于选择性主权，即按照业务风险和战略价值，在数据、模型和基础设施层面施加控制的能力。以下是面向高管和董事会成员的运营手册，帮助企业在面对变化时提升适应能力。CEO:设定管控规则目标：明确企业需要在哪些地方拥有主权并强制执行。现在要做什么(30至60天)-批准企业所有AI系统的三级分类。-要求每位第一层级系统负责人用通俗语言说明其系统的关键依赖关系和切换约束。近期要做什么(60至120天)-牵头开展首次AI中断模拟，并要求制定整改计划。-将高管目标与韧性和选择权指标挂钩。-每位领导者都了解第一层级系统的风险敞口。一关键系统的替代方案已经过验证，而不是停留在假设。引言AI依赖关系选择性主权运营模式25现在要做什么(30至60天)-要求提供一份第一层级依赖关系图，并明确连续性层级。一要求提供切换能力的证据，而不仅仅是合同，包括在专有和开源替代方案之间迁移的能力。近期要做什么(60至120天)-确认一位负责跨技术、风险、采购和运营领域AI韧性的企业级负责人。一要求提供趋势报告，内容包括切换时间、供应商集中度和经过测试的替代方案。-风险敞口逐季下降。一切换时间缩短。CFO:像配置保险一样为选择权投入资金现在要做什么(30至60天)一要求第一层级系统报告切换时间和切换成本。-基于系统关键性引入主权溢价。近期要做什么(60至120天)一确保合同包含可执行的数据可移植权利和退出服务水平协议(SLA)。-跟踪三项指标：切换时间、切换成本，以及拥有已验证替代方案的第一层级系统占比。-识别面临供应商锁定和价格波动的第一层级系统，然后探索替代策略。-资金优先用于加强对数据和模型的管控，即杠杆效应最高的投资。-投资既要优化短期成本，也要着眼于未来的选择空间。引言AI依赖关系选择性主权运营模式26CO0:打造持久稳健的运营目标：确保AI故障不会演变为业务故障。现在要做什么(30至60天)-绘制依赖第一层级AI的业务流程图。一定义连续性目标：可接受的降级程度、恢复时间和事件升级路径。近期要做什么(60至120天)-开展AI故障切换演练，并在降级模式下运行。一实施监控：漂移检测、审计日志和回退工作流。需要关注的结果-当AI降级时，运营仍能持续。-团队确切知道在中断模拟中如何响应。CIO/CTO:筑牢基础目标：在最关键之处以工程化方式构建管控力。现在要做什么(30至60天)-绘制所有第一层级系统的完整依赖关系图，含数据、模型、编排和计算。一识别开源模型或框架可以在哪些地方减少锁定，并提供可行的后备方案。一盘点造成锁定的不可移植连接点。近期要做什么(60至120天)一首先，在专有和开源环境中标准化数据可移植格式。创建关键数据的内部镜像或影子副本。测试从供应商环境中提取数据。-其次，确保微调和重新训练能够在内部完成，或通过第二家供应商完成。验证模型切换流程。-最后，在可能的情况下进行容器化。构建区域级或供应商级故障切换能力。记录替代环境下的性能表现。需要关注的结果一第一层级系统在数据、模型和运行时方面拥有经过测试的替代方案，包括在适当情况下可行的开源替代方案。-迁移需要数周，而不是数月。关于作者/in/javier企业AI战略与治理全球业务负责人HansDekkers负责领导IBM在亚太地区的战略、运营和技术交付，与客户合作，在复杂且快速演进的市场中加速混合云和AI采用。凭借横跨欧洲和亚洲的领导经验，他重点帮助组织在创新与监管合规、数据管控和本地生态系统发展之间实现平衡，而这些正是推进AI主权的关键。JavierOlaizola负责领导IBMConsulting的全球混合云和数据计划，帮助企业在分布式和多云环境中规模化部署AI。他与客户紧密合作，构建可信数据平台、现代化架构，并以强大的治理和安全保障推动AI规模化落地。他的工作聚焦于互操作性、合规与管控等核心议题，这些正是实现AI主权规模化不可或缺的基础。ManishGoyal为全球企业提供AI战略、治理和大规模采用方面的咨询，帮助组织从实验阶段迈向企业级部署。他融合咨询和产品经验，支持可信AI实施，并重点关注数据治理、风险管理和符合监管要求。他的工作重点是构建安全、负责任且可满足主权要求的AI能力。SripriyaSrinivasan负责领导全球软件产品、支持和站点可靠性工程，推动IBM企业软件产品组合提升性能和韧性。她在数据、AI和云平台领域拥有二十多年经验，专注于确保任务关键型系统安全、可靠地运行。她的工作帮助组织在主权和受监管环境中，以所需的管控力、可用性和安全性部署并管理AI应用。PriyaKurien是IBM商业价值研究院的研究总监，负责领导技术领导力和AI相关研究。她在工程和企业技术领域拥有超过25年经验，为最高管理层和董事会层面的领导者提供AI规模化建议，重点关注治理、架构和投资方面的结构性决策，这些决策决定管控力、韧性和业务成效。RobertZabel是IBM商业价值研究院基础设施研究负责人。他拥有25年以上咨询经验，曾就企业战略、大规模转型和技术驱动转型为高级领导者提供建议。他的工作涵盖基础设施现代化、混合云和AI,重点关注组织如何演进运营模式，以提升绩效、灵活性和长期竞争力。IBMIBV于2026年2月至4月开展了一项全球调研，旨在考察组织如何在AI技研究汇总了1,000名负责AI、数据、技术或相关企业能力的高级管理人员反馈。受访者代表覆盖16个地区和17个行业的组织，反映了广泛的运营环境、监管背景和AI采用阶段。样本偏向大型、复杂企业，受访组织的年收入或预算规模从2.6亿美元到920亿美元不等。这一样本构成既支持对AI运营模式存在实质差异的组织进行稳健比较，也能重点关注正在积极扩展AI能力的企业。研究基于四项调研指标衡量组织在以下方面的管控水平，并据此构建了数据驱-AI训练和运营数据-AI模型(基础模型和定制模型)-AI计算基础设施研究使用多重对应分析(MCA)对这些变量进行分析，以识别AI管控的底层多维结构。MCA能够识别组织在AI技术栈中分配管控力方式的结构性差异，而不是强加单一线性成熟度尺度。研究将所得受访者坐标输入层次聚类分析(Ward方法)。该方法能够最小化簇内方差，并生成紧凑、易于解释的细分群体。由此得到了一组清晰不同的AI管控画像，反映组织如何设计和治理AI系统。为验证这一细分，方差分析(ANOVA)确认各组在所有管控维度上均存在统计显著差异，表明各组之间区分清晰。事后比较进一步支持各细分群体之间存在有意义的差异。随后，研究使用这些细分群体来估算AI相关价值保护效率的差异，该效率以每10亿美元收入对应的预期避免停机损失进行标准化衡量。这一分析为以下发现提供了依据：端到端管控模式相比其他运营模式，所保护的AI相关业务价值高为衡量数据本地性不足的财务影响，我们对一家年营收200亿美元的代表性组织进行建模，并比较了本地和远程部署场景下的AI交付成本。模型测算表明，如果AI运行环境远离其所依赖的数据源，企业每年可能额外支出约5,000万美元，却无法带来能力提升。位高管16个国家和地区欧洲31IBM通过将管控、合规与灵活性嵌入组织的混合环境，帮助组织推动AI主权落地。IBM结合混合云平台、AI治理能力和咨询专业知识，使企业能够跨司法辖区和生态系统管理数据驻留位置、AI等解决方案提供即用型基础，集成管控平面、持续合规证据和受治理工作流，帮助组织在保障安全、符合监管要求并保持长期架构灵活性的同时规模化应用