案例背景
2026年10月，美国政府出台规定，明确禁止联邦民用机构使用中国人工智能企业深度求索（DeepSeek）的产品或服务，理由集中在数据跨境安全、算法透明度与技术来源的地缘风险。此前一段时间，已有多国监管机构以相似理由对本国公共部门使用境外大模型设限。
值得注意的是，此次禁令针对的是”民用机构”，而非传统的国防与情报系统。这意味着人工智能治理的边界已经从国家安全核心领域扩展到日常行政办公，AI服务的可获得性不再只由技术性能和采购成本决定，而越来越由监管属地与政治信任决定。对于已经把大模型嵌入客服、文档处理、数据分析等流程的企业而言，这条新闻并非远方的国际政治，而是直接落在自身采购清单上的一道新约束。
核心分析
一、AI供应链的风险属性：从效率逻辑转向安全逻辑
传统供应链管理中，企业选择供应商的核心标准是成本、质量与交付速度，追求的是交易成本最小化。但当采购对象是大模型服务时，评价函数发生了根本变化：模型训练数据的来源是否合规、推理过程是否留存日志、服务中断时是否存在替代方案、监管政策变动会不会导致服务被强制切断——这些非技术因素上升为决定性变量。用资源依赖理论的视角看，企业对AI服务的依赖越强，其面对外部制度环境的脆弱性就越高。
美国此次禁令提供了一个清晰信号：AI服务的可得性存在”政策断供”风险，且这种风险的触发并不依赖企业自身的行为是否合规。这就把AI从效率工具重新定义为关键基础设施，企业的采购决策必须把国家风险与政策连续性纳入评估框架，而不能停留在算力单价和响应速度的比较上。
二、合规成本内生化：AI治理需要三道防线
制度理论认为，组织为了获得合法性，会把外部规制要求内化为内部结构与管理流程。面对日益细密的AI治理要求，企业不能只靠法务部门出具一纸合规意见，而要建立分层防御。第一道防线是采购环节的模型准入审查，包括供应商属地、训练数据合法性、服务条款中的责任划分与数据留存约定；第二道防线是运行环节的数据分级隔离，明确哪些数据可以出企业边界、哪些必须在本地处理、哪些需要做脱敏与去标识化；第三道防线是退出环节的预案，即在供应商被禁用或服务终止时，业务能否在可接受的时间内完成切换。
三道防线的关键在于成本前置。许多企业在AI落地时选择先跑起来再规范，这在监管环境稳定的阶段是有效率的，但在地缘政策频繁变动的背景下，事后整改的代价远高于事前设计。被强制停用已深度嵌入业务流程的模型，往往意味着流程再造，而不是简单换一个接口地址。合规投入看似是摩擦成本，实质是避免未来更大损失的保险费。
三、组织适应：把可替换性建成一种动态能力
动态能力理论强调，企业持续竞争优势的来源不是某项具体资源，而是重构资源组合的能力。在AI语境下，这种能力的具体形态是模型可替换性：在架构层面避免与单一供应商深度绑定，采用中间层抽象、多模型路由、提示词与知识资产同模型解耦等设计，使切换模型的成本从项目级降到配置级。可替换性越强，企业在谈判桌上和政策冲击面前的回旋余地就越大。
实物期权思想同样值得引入。企业不必为每一种政策情景都做全额投入，而应保留若干选择权，例如同时维护境外高性能模型与境内合规模型的接入能力，平时按场景分配流量，政策变化时快速调整权重。这种冗余看似抬高了短期成本，实质是购买了应对不确定性的期权。衡量它的标准不应是浪费了多少算力预算，而是最坏情景下的业务中断时间缩短了多少。
管理启示
美国禁止联邦民用机构使用DeepSeek，本质上是AI治理从技术议题走向制度议题的标志性事件。对管理者而言，至少有三点启示。第一，AI采购的决策主体需要从信息技术部门上升到管理层甚至董事会，因为它同时涉及技术路线、合规责任与战略安全。第二，AI资产的账本不能只记算力支出，还要记依赖度，对单一模型供应商的依赖程度应当像财务杠杆一样被度量和定期披露。第三，合规不是创新的对立面，把合规约束前置到架构设计阶段，反而能减少后期的推倒重来。那些在AI落地初期就把可替换性写进技术规范的企业，在政策冲击面前展现出的韧性，会明显强于追求单点性能最优的企业。
其他思考
- 如果你的企业目前正在使用境外大模型处理核心业务数据，请做一次断供演练：假设明天服务不可用，哪些流程会停摆？停摆时长是多少？这个数字就是你现在真实的风险敞口。
- 多模型策略会抬高集成与评测成本。你认为在什么业务规模下这种冗余是划算的？有没有更轻量级的替代方案，例如仅在关键环节做双活？
- 合规要求往往因行业而异，金融、医疗、政务的数据敏感度差别很大。你所在行业的AI治理红线是什么？企业能否参与行业标准制定，把被动合规转化为主动话语权？
关键词：AI治理、供应链风险、组织适应
来源：新华社、第一财经 | 整理：经管大课堂
原文链接：https://www.rcbom.com/aibps/6678.html
