企业人工智能正在跨越一个门槛：从员工测试的工具转变为组织开始依赖的系统。<div><br></div><div>随着采用规模的扩大，战略风险不仅仅在于选择了错误的模式，更在于构建难以逆转的依赖关系。一家公司可能一开始就使用了聊天机器人或编程助手，但随着时间的推移，这种选择会影响数据存储位置、默认的云架构、工作流程的重新设计、员工信任的对象以及最终融入运营模式的供应商。</div><div><br></div><div>因此，现在应该通过六个依赖项来评估企业人工智能的采用情况：模型依赖性、云依赖性、硬件和基础设施依赖性、工作流程依赖性、数据依赖性和人类能力依赖性。</div>

这些依赖关系不再是理论上的。近期的市场信号表明，用户采纳层正迅速成为战略控制点。 <a href="https://www.reuters.com/business/google-plans-invest-up-40-billion-anthropic-bloomberg-news-reports-2026-04-24/" target="_blank" rel="noopener noreferrer">据报道，Alphabet计划向Anthropic投资高达400亿美元。</a> 这表明前沿模型、云基础设施、计算能力和企业分布之间的关系日益密切。 <a href="https://reuters.com/technology/chinas-deepseek-returns-with-new-model-year-after-viral-rise-2026-04-24" target="_blank" rel="noopener noreferrer">据报道，DeepSeek 的模型已针对华为芯片进行了适配。</a> 这表明了一种类似的动态：人工智能竞争越来越与硬件生态系统和基础设施自主性相关，而不仅仅是模型性能。<div><br></div><div>这对企业高管和政策机构的影响是直接的。人工智能的应用并非简单的软件部署，而是一个关乎谁能掌控工作、知识、数据和决策重组的层面的问题。</div><div><br></div><div>能够有效扩展人工智能规模的机构，不仅仅会更快地采用人工智能。它们还会了解自己正在接受哪些依赖关系，哪些可以控制，以及哪些必须避免，然后这些选择才会固化为组织的运行系统。</div>

人工智能真正发挥作用的关键在于其应用层面。

第一波企业生成式人工智能浪潮主要以实验为主。员工测试聊天机器人，IT团队比较模型性能，高管则寻求提高生产力。许多组织在尚未清晰了解人工智能将如何改变工作方式之前就启动了试点项目。<div><br></div><div>这一阶段正在让位于更具深远意义的阶段。人工智能系统开始与企业数据、客户运营、软件开发、研究流程、内部知识库、合规工作流程以及员工决策相连接。当这种情况发生时，人工智能不再是组织的边缘角色，而是开始进入组织的运营层面。</div><div><br></div><div>在采用层，模型与云基础设施连接，企业数据开始在新系统中流动，工作流程重新设计，员工养成新的信任习惯，合同决定机构是否保留对其自身知识资产的控制权。谁来塑造这一层，不仅将塑造人工智能的应用，还将塑造组织未来的运营模式。</div>

这就是为什么当前的市场信号如此重要。据报道，Alphabet 对 Anthropologie 的投资不仅仅是一个融资故事： <a href="https://www.reuters.com/business/google-plans-invest-up-40-billion-anthropic-bloomberg-news-reports-2026-04-24/" target="_blank" rel="noopener noreferrer">路透社报道称，谷歌承诺投入100亿美元现金。</a> 如果 Anthropic 达到业绩目标，DeepSeek 可能立即追加投资 300 亿美元。与此同时，Anthropic 还与 Broadcom 和 CoreWeave 签署了重要的计算能力协议。据报道，DeepSeek 针对华为芯片进行的模型适配，反映了同样的结构性转变的另一种表现形式：人工智能系统与使其得以部署的基础设施生态系统之间的联系日益紧密。<div><br></div><div>对于企业领导者而言，这些发展趋势应该改变他们对人工智能应用的讨论方式。人工智能战略不再仅仅是选择工具、批准试点项目或协商软件许可。它需要更清晰地认识到，随着时间的推移，影响成本、灵活性、治理、韧性和机构控制的各种因素将如何演变。</div>

人工智能扩展规模前，机构应评估六项依赖关系

1. 模型依赖性<div><br></div><div>第一个依赖因素在于模型本身：哪些模型功能正成为组织工作的核心？企业是否依赖单一模型系列进行编码、分析、客户服务、研究、知识管理或决策支持？组织能否比较模型、更换供应商、测试输出、审核性能并了解故障模式？</div><div><br></div><div>当便利性演变为依赖时，模型依赖性就会变得危险。一个模型最初可能只是一个可选的生产力工具，但随着时间的推移，它可能成为员工搜索、撰写、分析、总结和决策的默认界面。实际问题不在于某个模型今天是否优秀，而在于领导者需要了解组织未来是否能够评估、质疑、替换或补充该模型。</div>

2. 云依赖性<div><br></div><div>第二个依赖项是云基础设施。企业人工智能通常与现有的云环境、生产力套件、数据平台和网络安全架构捆绑在一起。这可以加快部署速度，但也可能使人工智能的采用与更广泛的云战略密不可分。</div><div><br></div><div>Alphabet 和 Anthropologie 的这笔投资之所以意义重大，正是因为如此。它表明前沿模型、计算能力、云分布和企业客户之间的联系日益紧密。云合作本身并非问题所在，反而常常是必要的。风险在于，当人工智能的普及悄然增强了企业对单一供应商的架构、定价、集成逻辑和产品路线图的战略依赖时。</div><div><br></div><div>从公共机构的角度来看，利害关系更为广泛。公共部门的云计算和人工智能采购可能会影响市场结构。 <a href="https://www.oecd.org/en/publications/governing-with-artificial-intelligence_795de142-en/full-report/ai-in-public-procurement_2e095543.html" target="_blank" rel="noopener noreferrer">经合组织警告称，人工智能采购可能导致数据锁定和供应商锁定。</a>如果治理和合同机制薄弱，公共机构就会严重依赖专有技术和数据格式。</div>

3. 硬件和基础设施依赖性<div><br><div>第三个依赖因素是硬件和计算基础设施。据报道，DeepSeek针对华为芯片采用了一种新模型，这体现了一种不同但相关的动态。人工智能竞争与硬件可用性、计算自主权、出口管制和国家基础设施战略的联系日益紧密。</div><div><br></div><div>对企业而言，基础设施依赖性可能以间接的方式显现。它会影响成本、可用性、弹性、延迟、监管风险和地域部署。对于跨市场运营的公司而言，人工智能技术栈的选择可能日益与国家技术生态系统和合规环境交织在一起。</div><div><br></div><div>对各国政府而言，这已成为一项战略性考量。人工智能能力正逐渐融入产业政策、数字主权和公共部门现代化进程。公共机构在人工智能方面的选择不仅决定了其使用哪些系统，还能通过采购和部署来强化特定的基础设施生态系统。</div></div>

4. 工作流依赖性<div><br></div><div>第四个依赖项是工作流程设计。这或许是所有依赖项中最容易被低估的。当人工智能融入工作流程时，它不仅仅是自动化任务。它会改变交接流程、审核流程、决策权、升级路径、管理层的期望以及员工的行为。随着时间的推移，组织可能会围绕供应商的界面、代理架构、自动化逻辑或集成层重新设计整个流程。</div><div><br></div><div>这就是人工智能应用转化为组织变革的阶段。 <a href="https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value" target="_blank" rel="noopener noreferrer">麦肯锡2025年人工智能研究</a> 强调从生成式人工智能中获取价值的组织正在重新设计工作流程、提升治理水平并降低更多风险，而不仅仅是将人工智能工具添加到现有流程中。</div><div><br></div><div>如果工作流程在没有内部所有权的情况下进行重新设计，企业不仅可能依赖外部工具，还可能依赖外部对工作方式的定义。</div><div><br></div><div>因此，人力资源、学习与发展、组织发展、运营、合规以及业务部门的领导者都必须参与人工智能应用决策。人工智能的规模化应用不能仅仅依靠技术团队。一个系统不仅能改进工作，还能教会组织新的习惯、新的捷径以及新的判断假设。</div>

5. 数据依赖性<div><br></div><div>人工智能系统依赖于数据输入、提示、输出、日志、嵌入、检索系统、微调材料、反馈回路和衍生洞见。如果这些资源管理不善，机构可能会失去对其最宝贵的战略资源之一——自身工作所产生的知识——的控制权。</div><div><br></div><div>这就是采购和合同管理至关重要的原因。美国总务管理局2026年发布的AI指令指出，AI系统或服务合同应明确界定数据所有权和知识产权，界定许可和知识产权范围以防止供应商锁定，确保机构能够访问必要的AI系统组件，并限制未经明确同意而将非公开的机构数据永久用于训练公共或商业AI。</div><div><br></div><div>人工智能合同不仅应规定服务级别、定价或安全要求，还应明确定义使用过程中产生的数据痕迹的所有权和访问权限。</div><div><br></div><div>该组织能否导出其数据？能否防止专有或敏感材料被用于训练外部系统？能否审计输出结果的生成方式？如果更换供应商，能否继续访问机构知识？</div><div><br></div><div>如果答案不明确，那么组织可能正在以短期创新的名义建立长期依赖关系。</div>

6. 人的能力依赖性<div><br></div><div>这种依赖关系往往最容易被忽视，但随着时间的推移，它可能至关重要。如果员工、经理、采购人员、合规团队和高层领导不建立对人工智能的内部判断能力，他们就会依赖供应商来定义“良好应用”的含义。这很危险，因为供应商可能非常了解自己的系统，但他们并不了解组织的使命、员工文化、监管义务或公共责任。</div><div><br></div><div>当员工在不了解人工智能输出的局限性的情况下使用它们时；当管理者无法围绕人机协作重新设计工作时；当采购团队无法在价格和品牌之外比较人工智能系统时；以及当董事会无法就风险、问责制和战略控制提出更尖锐的问题时，就会出现对人类能力的依赖。</div><div><br></div><div><a href="https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence" target="_blank" rel="noopener noreferrer">NIST的生成式人工智能概况 </a>将生成式人工智能风险管理视为一种跨部门的组织能力，旨在帮助组织将可信度考虑因素纳入人工智能产品、服务和系统的设计、开发、使用和评估中。</div><div><br></div><div>企业可以从中吸取到的教训很明确：能力不能完全外包。组织需要具备足够的内部知识来管理他们所采用的系统。</div>

正确的做法并非为了放慢采用速度而放慢速度。人工智能已经成为竞争战略、客户体验、知识工作、软件开发、运营和组织学习的重要组成部分。行动过于缓慢会带来风险，但如果没有依赖关系图就贸然行动同样存在风险。<div><br></div><div>在大规模应用人工智能之前，高管们应该问自己六个实际问题：</div><div><br></div><div>1. 如果性能、价格、安全或政策条件发生变化，我们能否切换或比较不同的模型？2. 我们是否比意识到的更依赖单一云或企业软件生态系统？3. 我们的基础设施选择是否会带来地域、监管或弹性方面的风险？4. 工作流程是否由内部人员主导进行重新设计，还是我们只是在适应供应商的默认设置？5. 我们的合同是否保护数据所有权和知识产权？6. 我们的员工是否具备监督、质疑和改进人工智能驱动工作的能力？</div><div><br></div><div>这些问题不应仅由首席信息官 (CIO) 负责。它们也应纳入执行委员会、风险讨论、人力资源规划、采购审查和董事会层面的战略考量。</div>

对于政策制定者和公共机构而言，问题不仅在于如何监管人工智能公司，还在于机构的采购和部署方式如何塑造人工智能市场。<div><br></div><div>公共机构并非被动的买家。它们的采购决策创造需求、验证体系、规范合同标准，并影响哪些供应商能够参与到关键服务中来。</div><div><br></div><div>这使得人工智能采购成为治理的优先事项。公共机构不仅需要评估成本和性能，还需要评估互操作性、数据权利、可竞争性、透明度、可审计性和长期机构控制。经合组织的公共采购分析强调，供应商锁定、数据锁定和缺乏正式指导是公共部门人工智能采购的核心风险。</div><div><br></div><div>人工智能系统一旦嵌入公共服务、行政工作流程、资格认证系统、教育平台或劳动力计划中，就很难解除其影响。 <a href="https://www.whitehouse.gov/wp-content/uploads/2025/02/M-25-22-Driving-Efficient-Acquisition-of-Artificial-Intelligence-in-Government.pdf" target="_blank" rel="noopener noreferrer">OMB关于联邦人工智能采购的2025年备忘录</a> 指示各机构审查涉及人工智能系统或服务的计划采购，就人工智能性能和风险管理实践提供反馈，召集跨职能团队，并在采购程序中解决知识产权问题。</div>

管理依赖关系的制度将塑造人工智能的下一阶段。

下一阶段的人工智能竞争仍将涉及更优的模型、更低成本的推理、更强大的智能体、更强大的芯片以及更大规模的数据中心投资。但对大多数机构而言，决定性的问题将更加实际：如何将人工智能融入到组织的日常工作中？<div><br></div><div>那是权力积聚的地方。</div><div><br></div><div>它累积在员工默认依赖的模式中。它累积在企业数据存储的云环境中。它累积在决定成本和访问权限的硬件生态系统中。它累积在围绕自动化重新设计的工作流程中。它累积在定义数据权限的合同中。它也累积在人的能力中。</div><div><br></div><div>能够成功扩展人工智能规模的组织，不仅仅是那些采用速度最快的组织，更是那些始终能够有效管理其所采用技术的机构。</div><div><br></div><div>企业人工智能应用层面如今已成为一个战略控制点，领导者应如此看待。</div>

企业人工智能正在跨越一个重要的门槛：从员工测试的工具转变为企业开始依赖的系统。随着应用规模的扩大，战略风险不再仅仅是选择错误的方法……

Who Controls the Enterprise AI Adoption Layer? Model companies, cloud platforms, domestic hardware ecosystems, or the institutions deploying AI?

Stay ahead of the policy curve

Related analysis

AI Workforce Transformation Is Not a Tool Problem. It Is a Human and Organizational One

From BlackRock to UNESCO: AI’s Next Challenge Is Institutional Design

What Google and IBM Reveal About the Next Policy Challenge in Enterprise AI

谁掌控着企业人工智能应用层？是模型公司、云平台、国内硬件生态系统，还是部署人工智能的机构？