导语:模型换代的速度正在跑赢企业数据的演进节奏。当81%的CIO计划使用两家以上LLM(大语言模型)供应商,真正的AI战略胜负手,不在于选对了哪个模型,而在于你能否在数据主权不失守的前提下,自由切换、持续扩展。
别再赌完美的AI模型了;构建一个数据基础,让你能自由切换模型,同时牢牢掌控自己的数据和规则。

图源:Rob Schultz / Shutterstock
AI模型正日渐成为长寿命企业数据资产中的短期租户。然而,许多组织却在为每一位新入住者重新装修整栋大楼。
市场不断追问企业该信任哪个模型:开源还是闭源,国产还是海外,这家前沿供应商还是那家。这些都是合理的问题。但这些问题的保质期也极短。模型排名月月在变。厂商会修改条款,监管机构重划边界,半年前还看似稀缺的能力转眼就成了大路货。
以笔者的经验来看,企业数据的演进速度远没有这么快。围绕数据构建的管控措施、应用程序和业务流程同样如此。这种不匹配正是为什么,对于CIO(首席信息官)来说,最重要的AI架构决策不再是选择哪个模型,而是企业能否在不碎片化数据资产、不放弃控制权的前提下,持续接纳变化。
企业AI的赢家,将是那些打造出具备足够扩展性的数据基础——既能容纳持续变化,又能保持主权掌控的企业。
一、可扩展性如今已是生产刚需
在实验阶段,架构的缺陷很容易被掩盖。团队可以把新模型连接到复制的数据集上,验证用例,然后宣布试点成功。但生产环境会暴露真实的架构全貌:身份、权限、数据驻留、数据谱系、延迟、恢复能力和成本。
每次围绕一款模型重建这些管控,这款模型就会变成一个依赖项。新增或修改能力可能意味着迁移数据、重建访问策略、重新验证数据管道、重启合规审查。试点阶段看似的速度优势,最终会变成一张点对点架构的迷宫——难以扩展,治理更是难上加难。
这并非假设。Harris Poll对600名CIO的调查发现,81%的受访者预计2026年将依赖两家或更多大语言模型供应商,93%的受访者表示不同模型在不同用例上表现更优,需要持续评估。超过半数的受访者还指出他们至少已经更换过一次供应商,主要是为了削减成本。这与我们在一线的观察一致:多模型并非CIO需要为之规划的未来场景,而是他们当下就在管理的运营现状——无论底层架构是否为此而生。
预期与架构之间的落差,才是真正成本浮现的地方。当一个模型被深度嵌入应用逻辑、数据流水线和提示词结构中时,更换供应商就会变成一个持续多个季度的工程项目,而非简单的配置变更。团队最终要付出双倍成本:一次是上线新模型,另一次是拆除所有与旧模型绑定的东西。
这有助于解释为什么AI实验始终遥遥领先于AI价值落地。CIO.com 2026年CIO现状调查发现,仅19%的受访者表示其AI计划达到或超出了业务目标。架构并非唯一原因,但为第一次模型演示而优化的系统,很少能偶然成为持久的生产系统。
笔者建议CIO们,在性能、安全、成本这些常用指标之外,加上可扩展性和控制权两项指标:团队能否在不迁移受管控数据的情况下引入新模型?能否在不重建应用的前提下改变部署环境?能否在不新增同步副本的情况下新增数据查询方式?如果答案是否定的,那企业扩展AI能力的代价,就是控制权的碎片化。
二、把控制权放在持久价值所在之处
模型正变得越来越可替换。但企业上下文环境并非如此。企业真正的差异化资产,是受管控的客户历史、运营状态、知识产权和机构知识——它们赋予了模型可供推理的有价值素材。
这使得数据层成为持久的管控锚点。身份、访问、位置、审计和策略应当尽可能靠近数据执行,放在企业可以自主运营、扩展和迁移的环境内。然后模型就可以在这些边界内被检查、沙箱测试或更换。
一个常见模式足以说明原因。为了更快上线,团队会直接针对某一模型的嵌入格式和API(应用程序编程接口)编写检索与访问控制逻辑。一两年后,新的监管要求或性能更强的模型促使团队做出切换。围绕原模型搭建的治理围栏,将导致企业需要在新供应商的环境中重新构建访问策略、重新验证管线,最终还要重新证明合规性。相反,在数据层强制执行的治理,能让新模型从第一天起就继承运营策略和审计追踪,哪怕更换模型,原有的治理边界也能保持完整。
这并不是说模型来源或安全不重要。而是让这类风险变得可控。为每个模型单独绑定治理,就相当于一堆零散的围栏,每次更换供应商都必须全部重建。锚定在数据层的治理则是产权红线:租户可以换,大楼可以扩建,但谁掌控地基不会变。
这就是主权在实操层面的定义:主权不仅关乎数据的托管位置,更关乎谁能按照自身规则治理、迁移和扩展整个环境。
三、扪心自问:企业还掌控着什么?
在批准下一个AI平台之前,CIO应当问三个问题:
1. 这套架构能否在不迁移受管控数据的情况下,吸纳新的模型或工作负载?
2. 如果供应商、部署区域或部署模型发生变更,哪些治理管控措施仍牢牢掌握在我们手中?
3. 新增该能力是扩展了现有基础,还是会额外产生又一个数据副本、新控制平面和新依赖项?
随着智能体进入生产环境,这些问题变得更加紧迫。智能体扩张速度极快,需要跨系统运行,并且必须依赖企业已经持有的受治理数据。当控制措施在数据存储的位置落地,每个新智能体默认就能继承这些控制规则。
没有这样的基础,每个智能体都会自带流水线、权限模型和数据存储空间,治理负担将随着智能体数量的增加而同步增长。
IBM商业价值研究院2026年对2000名技术高管的调查发现,在AI系统中内置管控的企业,其部署的AI智能体数量是依赖人工治理企业的16倍,而投入的预算只是后者的零头。这项研究与笔者在一线看到的情况一致。在我们与《MIT技术评论》联合发布的研究报告中,我们发现95%的企业计划在未来三年内搭建自有AI和数据平台,其中对数据主权投入程度最高的13%企业,已经在主流生产环境中交付了两倍数量的AI自主智能体和生成式AI应用。
早早搭建适配性架构的企业,更有可能保持工作负载可迁移,更换模型也更加轻松,不会被刚性依赖绑定。这类企业也报告称其AI投资回报率显著更高。这种差距清晰地指向架构层面:企业当前选择哪一款模型,远不如底层基础能否承接下一款模型重要。
下一次模型发布会抢占头条。但更具深远意义的工作藏在底层:构建可扩展的数据基础,它既能承接下一个模型、下一项监管要求、下一类工作负载,同时始终让数据处于企业的一致控制之下。
最明智的AI战略不是赌对当下最完美的模型,而是搭建一个可不断扩展、同时不放弃对所服务数据控制权的数据基础。建筑应当比租户更长寿,任何模型或平台都不应当持有企业数据的所有权。