芮嘉玮╱财团法人中技社 科技暨工程研究中心主任
当企业高度仰赖的人工智能（AI）客服或核心模型突然停摆，系统瘫痪往往只是灾难的开端。如果企业的客服AI在某一天突然无法呼叫模型，问题可能不只是系统暂停。客服纪录是否仍能读取？API是否有替代服务？资料能否移转？人工流程是否可以立即接手？若企业把所有核心AI能力集中在同一个模型、平台或云端服务上，可能很快发现，自己拥有的是「备援名单」，而不是可真正启动的备援能力。人工智能进入企业营运后，资安与供应链管理已经无法各自处理。企业除了要确认谁可以存取AI系统，也必须知道AI依赖哪些模型、平台、数据与第三方工具，以及关键服务失效时还剩下多少选择。这正是AI供应链韧性必须回答的问题。
零信任不是供应链韧性
零信任（Zero Trust）的核心，是不因使用者、设备或服务位于企业内部，便预设其可信。企业应依据身分、设备状态、资源敏感度与行为风险，持续评估存取请求，并采取最小权限、分段控管与活动监测等措施。这项原则在AI环境中尤其重要。当企业导入智能代理（AI Agent）后，AI可能读取文件、查询数据库、呼叫API，甚至执行客服、采购或制造流程。企业必须清楚界定AI可以存取哪些数据、使用哪些工具，以及哪些行动需要人工核准。否则，一次提示注入、权限滥用或错误指令，就可能扩大为数据外泄或营运事故。
然而，零信任做得完善，并不代表企业已具备供应链韧性。假设企业将所有核心AI服务集中在同一个云端平台，即使每次存取都经过严格控管，只要该平台长时间中断，企业仍可能无法维持正常运作。零信任主要降低未经授权存取与权限滥用风险；供应链韧性则进一步处理外部依赖、服务中断、替代能力与持续营运，两者有交集但治理问题并不相同。
从供货商名单到依赖图谱
传统供应链通常可以透过供货商名单与产品列表进行管理，但AI供应链的依赖关系往往隐藏在技术架构之中。一项看似由单一企业提供的AI服务，背后可能使用其他公司的基础模型、云端运算平台、数据服务、开源框架与安全工具。企业表面上只有一家供货商，实际上却可能暴露于多层次的间接依赖。因此，企业不能只建立供货商名册，也应建立AI技术依赖图谱，企业必须具体掌握使用了哪些模型、API、数据集、开源套件与第三方工具，厘清哪些AI组件已嵌入核心业务流程，并盘点哪些服务具有单一供货商、单一平台或单一技术路径的依赖。此外，更需确认模型权重、训练与微调数据、部署环境及版本更新的控制权归属，并评估服务中断时哪些业务会立即受到影响以及能维持多久。这项盘点的目的不是要求企业消除所有外部依赖，而是使关键依赖变得可见、可衡量、可管理。企业应为模型、API、数据、运算资源及Agent工具标示重要性，并找出一旦失效便会影响生产、客服、风险判断或重要决策的关键组件。
替代方案也不只是寻找第二家供货商，企业可以准备另一个模型、不同的API服务、内部部署的运算资源、可脱机执行的工具，或在必要时恢复人工处理。真正重要的是，主要服务停止时，企业能否维持最低限度的核心运作，并在可接受的时间内完成切换。
技术可以替换，规则未必兼容
技术上能够替换，不代表企业在实务上可以立即替换。替代方案还必须符合数据、资安、产业与市场规则，这就是AI供应链中的规则依赖。不同模型或服务可能采用不同的安全标准、测试方法、数据格式与认证制度。企业进入不同市场时，也可能面临不同的数据保护、资安与AI治理要求。若系统设计过度绑定单一供货商或特定规范，替代方案即使在技术上可用，也可能因合规或接口不兼容而无法快速导入。
2026年世界人工智能大会人工智能国际标准化论坛发布「求索」人工智能评测基准体系国际版2.0，并启动《全球工业具身智能导则》的编制。同时，中国国家标准信息平台也列出《智能体应用安全基本要求》标准计划，适用于智能体应用的设计研发、分发部署与上线营运阶段。这些发展显示，AI治理正从模型性能逐步延伸至评测、部署与安全要求。
因此，企业评估AI服务时，不能只比较模型速度、价格与准确率，也必须检视数据处理方式、安全控制、服务可移转性，以及替代方案能否符合目标市场的规范。若没有保留技术调整空间，即使找到第二个供货商，也可能无法真正完成切换。
共同依赖需要产业协作
AI风险往往跨越企业边界。一个广泛采用的开源套件出现重大漏洞，可能同时影响许多企业；智能代理出现新的攻击手法，也可能透过相同框架、API或部署模式快速扩散。单一企业各自防守，难以有效处理这类共同依赖形成的系统性风险。
2026年7月，NVIDIA宣布成立Open Secure AI Alliance，邀集云端运算、资安、企业软件、开源及AI研究等领域的企业与组织，推动AI安全工具、漏洞发现、修补与信息分享。8月，联盟成员提出Shared AI Findings Exchange（SAFE）草案，规划以机密方式分享AI安全事件与近乎事故，协助组织辨识重复出现的控制缺失。至2026年9月，该联盟已加入Linux Foundation，朝向较中立的协作治理发展。
SAFE目前仍属提案与协作机制，不能视为已完成的强制性通报制度；但其方向值得注意。对企业而言，产业协作可以降低自行搜集信息与辨识威胁的成本。若每家公司都必须独自研究相同漏洞与攻击情境，整体反应速度必然受限；共享事件数据、测试方法与修补经验将有助于更早发现跨企业的系统性风险。
企业建构韧性的三项行动
对于企业而言，AI供应链治理可从三项行动开始。第一，将AI依赖纳入企业整体供应链风险管理。AI不应只是信息部门的工作，采购、研发、信息、法遵、资安与营运部门都应掌握重要AI能力建立在哪些外部技术之上，并评估其集中度、替代性与中断影响。第二，为关键AI服务建立可启动的替代路径。企业应设定最大可容忍中断时间，预先规画替代模型、备援API、运算资源与人工接管流程；同时确认数据格式、系统接口与模型输出是否可以移转，避免备援方案只有名义上的存在。第三，将切换与复原纳入实际演练。企业应测试主要模型停止服务时需要多久完成切换、API中断会影响哪些业务，以及第三方套件出现漏洞时能否迅速找出受影响系统。合约也应纳入事件通报、数据迁移、服务终止、版本回溯与供货商协助等条款。
演练结果不应只停留在报告中，而应回馈到下一轮风险盘点，企业必须确认替代服务多久能上线、人工流程能否接手，才能确认自己拥有的是备援能力还是备援想象。
从信任管理走向选择权管理
AI供应链治理不可能一次完成。模型、API、开源套件、云端平台与安全威胁都在快速变化，今天建立的风险清单，半年后可能已经不完整。企业应建立「风险辨识、控制调整、效果验证、再次辨识」的持续循环，并将事件、近乎事故与演练结果纳入下一轮治理。AI供应链韧性的核心不是供货商越多越好，而是企业在关键服务失效时还剩下多少选择。零信任决定谁能存取什么；依赖管理盘点企业仰赖谁；标准治理确认替代方案能否被接受；产业协作则让不同企业共同处理跨组织风险。
企业不必消除所有AI依赖，但必须确保关键模型、API、平台或第三方服务失效时，仍能维持核心营运、迅速完成切换，并把每一次事件转化为下一轮治理能力。AI竞争的下一个战场，不只是谁拥有更大的模型，更包括谁能建立更具韧性、并保留更多选择权的AI供应链。
责任编辑：吴碧娥
【本文仅反映专家作者意见，不代表本报及其任职单位之立场】
