芮嘉瑋╱財團法人中技社 科技暨工程研究中心主任
當企業高度仰賴的人工智慧（AI）客服或核心模型突然停擺，系統癱瘓往往只是災難的開端。如果企業的客服AI在某一天突然無法呼叫模型，問題可能不只是系統暫停。客服紀錄是否仍能讀取？API是否有替代服務？資料能否移轉？人工流程是否可以立即接手？若企業把所有核心AI能力集中在同一個模型、平台或雲端服務上，可能很快發現，自己擁有的是「備援名單」，而不是可真正啟動的備援能力。人工智慧進入企業營運後，資安與供應鏈管理已經無法各自處理。企業除了要確認誰可以存取AI系統，也必須知道AI依賴哪些模型、平台、資料與第三方工具，以及關鍵服務失效時還剩下多少選擇。這正是AI供應鏈韌性必須回答的問題。
零信任不是供應鏈韌性
零信任（Zero Trust）的核心，是不因使用者、設備或服務位於企業內部，便預設其可信。企業應依據身分、設備狀態、資源敏感度與行為風險，持續評估存取請求，並採取最小權限、分段控管與活動監測等措施。這項原則在AI環境中尤其重要。當企業導入AI代理程式（AI Agent）後，AI可能讀取文件、查詢資料庫、呼叫API，甚至執行客服、採購或製造流程。企業必須清楚界定AI可以存取哪些資料、使用哪些工具，以及哪些行動需要人工核准。否則，一次提示注入、權限濫用或錯誤指令，就可能擴大為資料外洩或營運事故。
然而，零信任做得完善，並不代表企業已具備供應鏈韌性。假設企業將所有核心AI服務集中在同一個雲端平台，即使每次存取都經過嚴格控管，只要該平台長時間中斷，企業仍可能無法維持正常運作。零信任主要降低未經授權存取與權限濫用風險；供應鏈韌性則進一步處理外部依賴、服務中斷、替代能力與持續營運，兩者有交集但治理問題並不相同。
從供應商名單到依賴圖譜
傳統供應鏈通常可以透過供應商名單與產品清單進行管理，但AI供應鏈的依賴關係往往隱藏在技術架構之中。一項看似由單一企業提供的AI服務，背後可能使用其他公司的基礎模型、雲端運算平台、資料服務、開源框架與安全工具。企業表面上只有一家供應商，實際上卻可能暴露於多層次的間接依賴。因此，企業不能只建立供應商名冊，也應建立AI技術依賴圖譜，企業必須具體掌握使用了哪些模型、API、資料集、開源套件與第三方工具，釐清哪些AI元件已嵌入核心業務流程，並盤點哪些服務具有單一供應商、單一平台或單一技術路徑的依賴。此外，更需確認模型權重、訓練與微調資料、部署環境及版本更新的控制權歸屬，並評估服務中斷時哪些業務會立即受到影響以及能維持多久。這項盤點的目的不是要求企業消除所有外部依賴，而是使關鍵依賴變得可見、可衡量、可管理。企業應為模型、API、資料、運算資源及Agent工具標示重要性，並找出一旦失效便會影響生產、客服、風險判斷或重要決策的關鍵元件。
替代方案也不只是尋找第二家供應商，企業可以準備另一個模型、不同的API服務、內部部署的運算資源、可離線執行的工具，或在必要時恢復人工處理。真正重要的是，主要服務停止時，企業能否維持最低限度的核心運作，並在可接受的時間內完成切換。
技術可以替換，規則未必相容
技術上能夠替換，不代表企業在實務上可以立即替換。替代方案還必須符合資料、資安、產業與市場規則，這就是AI供應鏈中的規則依賴。不同模型或服務可能採用不同的安全標準、測試方法、資料格式與認證制度。企業進入不同市場時，也可能面臨不同的資料保護、資安與AI治理要求。若系統設計過度綁定單一供應商或特定規範，替代方案即使在技術上可用，也可能因合規或介面不相容而無法快速導入。
2026年世界人工智慧大會人工智慧國際標準化論壇發布「求索」人工智慧評測基準體系國際版2.0，並啟動《全球工業具身智能導則》的編制。同時，中國國家標準資訊平台也列出《智能體應用安全基本要求》標準計畫，適用於智能體應用的設計研發、分發部署與上線營運階段。這些發展顯示，AI治理正從模型性能逐步延伸至評測、部署與安全要求。
因此，企業評估AI服務時，不能只比較模型速度、價格與準確率，也必須檢視資料處理方式、安全控制、服務可移轉性，以及替代方案能否符合目標市場的規範。若沒有保留技術調整空間，即使找到第二個供應商，也可能無法真正完成切換。
共同依賴需要產業協作
AI風險往往跨越企業邊界。一個廣泛採用的開源套件出現重大漏洞，可能同時影響許多企業；AI代理程式出現新的攻擊手法，也可能透過相同框架、API或部署模式快速擴散。單一企業各自防守，難以有效處理這類共同依賴形成的系統性風險。
2026年7月，NVIDIA宣布成立Open Secure AI Alliance，邀集雲端運算、資安、企業軟體、開源及AI研究等領域的企業與組織，推動AI安全工具、漏洞發現、修補與資訊分享。8月，聯盟成員提出Shared AI Findings Exchange（SAFE）草案，規劃以機密方式分享AI安全事件與近乎事故，協助組織辨識重複出現的控制缺失。至2026年9月，該聯盟已加入Linux Foundation，朝向較中立的協作治理發展。
SAFE目前仍屬提案與協作機制，不能視為已完成的強制性通報制度；但其方向值得注意。對企業而言，產業協作可以降低自行蒐集資訊與辨識威脅的成本。若每家公司都必須獨自研究相同漏洞與攻擊情境，整體反應速度必然受限；共享事件資料、測試方法與修補經驗將有助於更早發現跨企業的系統性風險。
台灣企業建構韌性的三項行動
對高度融入全球科技供應鏈的台灣企業而言，AI供應鏈治理可從三項行動開始。第一，將AI依賴納入企業整體供應鏈風險管理。AI不應只是資訊部門的工作，採購、研發、資訊、法遵、資安與營運部門都應掌握重要AI能力建立在哪些外部技術之上，並評估其集中度、替代性與中斷影響。第二，為關鍵AI服務建立可啟動的替代路徑。企業應設定最大可容忍中斷時間，預先規畫替代模型、備援API、運算資源與人工接管流程；同時確認資料格式、系統介面與模型輸出是否可以移轉，避免備援方案只有名義上的存在。第三，將切換與復原納入實際演練。企業應測試主要模型停止服務時需要多久完成切換、API中斷會影響哪些業務，以及第三方套件出現漏洞時能否迅速找出受影響系統。合約也應納入事件通報、資料移轉、服務終止、版本回溯與供應商協助等條款。
演練結果不應只停留在報告中，而應回饋到下一輪風險盤點，企業必須確認替代服務多久能上線、人工流程能否接手，才能確認自己擁有的是備援能力還是備援想像。
從信任管理走向選擇權管理
AI供應鏈治理不可能一次完成。模型、API、開源套件、雲端平台與安全威脅都在快速變化，今天建立的風險清單，半年後可能已經不完整。企業應建立「風險辨識、控制調整、效果驗證、再次辨識」的持續循環，並將事件、近乎事故與演練結果納入下一輪治理。AI供應鏈韌性的核心不是供應商越多越好，而是企業在關鍵服務失效時還剩下多少選擇。零信任決定誰能存取什麼；依賴管理盤點企業仰賴誰；標準治理確認替代方案能否被接受；產業協作則讓不同企業共同處理跨組織風險。
企業不必消除所有AI依賴，但必須確保關鍵模型、API、平台或第三方服務失效時，仍能維持核心營運、迅速完成切換，並把每一次事件轉化為下一輪治理能力。AI競爭的下一個戰場，不只是誰擁有更大的模型，更包括誰能建立更具韌性、並保留更多選擇權的AI供應鏈。
責任編輯：吳碧娥
【本文僅反映專家作者意見，不代表本報及其任職單位之立場】
