为何每家企业都需要 AI 模型退出策略
企业应当能够更换模型而无需重构工作流、无需放弃机构知识、也不失去对核心差异化智能资产的控制权。AI 战略讨论往往都从同一个问题开始：哪个模型在赢？答案随着每个新模型发布而不断改变，因为新的能力不断涌现，竞争格局也在反复重塑。
Ganesh PadmanabhanAutonomize AI 创始人兼 CEO。
从我们在美国多家大型医疗企业部署 AI 工具的实践中，我认为这种追逐新功能的摇摆心态，正让企业忽视一个更有价值的问题：如果你依赖的模型明天发生变动或无法使用，你的 AI 业务还能否不间断地运转下去？
每家企业都需要为任何单一 AI 模型准备退出策略。这并不是要放弃前沿模型——它们仍将是企业 AI 技术栈的重要组成部分——而是要确保组织的工作流、知识产权和机构知识永远不会被某一个模型或供应商绑架。
Latest Videos FromTechRadarWatch full video here:模型正在成为基础设施
领先的 foundation model 能力强大，但彼此之间的差距正在缩小。今天某家供应商的差异化功能，往往几周内、有时甚至几天内就会出现在其他多家供应商的产品中。
云计算的发展历程与之类似：算力获取至关重要，但很少单凭这一点就能形成持久的竞争优势。真正的优势来自组织在其之上构建的东西——应用、数据、运营流程和专有知识。
AI 也正走向同样的方向。模型应当始终只是企业 AI 架构中的一个组件，而不应成为承载组织业务逻辑、运营知识或专有流程的容器。
这一点在医疗领域尤为重要。模型或许能总结临床病历或解读政策文件，但它并不天然理解某家健康险计划如何具体执行该政策、什么情况下需要升级处理、临床医生需要审阅哪些证据，以及决策需要怎样记录才能通过审计。这些知识属于组织本身。
企业 AI 的 70/30 现实
通用模型通常能搞定任务的前 70% 左右：提取信息、对文档分类、生成摘要、回答问题，以及完成大范围的推理。
剩下的30%往往决定了AI系统是仅在演示中令人印象深刻，还是在生产环境中值得信赖。这最后的一英里需要领域术语、企业策略、专业逻辑、一致的输出、可追溯的证据、基于已知标准的评估，以及向人类专家的明确升级路径。
模型可能正确识别了广泛的临床问题，却应用了错误的策略。它可能生成令人信服的解释，却没有给审查员提供验证所需的证据。在服务商更新后，其行为也可能发生变化。这些差距存在于最后的30%中，在受监管的环境中，它们决定了系统是否能在生产中被信任。
在医疗领域，这意味着将专为临床和行政任务构建的专业模型与前沿模型相结合，以前者能利用后者的广泛能力带来价值。企业自身的知识、策略、评估系统和治理控制应围绕这些模型建立，这样即使底层模型发生变化，也不会带走组织的智能。
生产环境中的模型依赖表现
当AI从实验阶段进入生产阶段时，过度依赖单一模型的风险会变得更加明显。服务商可能发布新版本，其信息结构不同、对指令的响应方式改变，或不一致性地表达不确定性。在测试期间可靠运行的工作流，随后可能开始产生微妙不同的结果。
这种变化也可能是商业或运营层面的，而非技术层面的。价格可能上涨，延迟可能恶化，使用限制可能影响可用性，或者服务商可能在不符合组织验证和发布流程的时间表上停止支持某个模型。即使模型仍然可用，它也可能不再是特定工作流的最好选项。
在这种分离机制就位后，组织可以使用相同的性能标准评估不同的模型，并通过受控流程引入变更。它可以随着新能力的出现而采用它们，为不同任务使用不同模型，并在更换服务商时无需重建围绕其构建的工作流和运营知识。
AI退出策略即所有权策略
从实际角度看，AI退出策略意味着保持对几类关键资产的所有权、治理和控制的可移植性：
- 专有数据与企业知识
- 提示词、策略及决策逻辑
- 工作流定义与编排
- 评估数据集与性能基准
- 人工反馈与决策记录
- 审计跟踪与治理控制
这些资产共同构成了企业的智能层，记录了组织的运作方式和决策机制。通用模型本身很难带来差异化优势，真正的竞争力在于塑造模型使用方式的专有知识、策略及运营经验。
如果这些上下文嵌入在特定模型的工具、专有功能或托管记忆系统中，企业将面临失去对自产智能控制权的风险。此时，更换模型所需付出的代价远超简单替换 API，可能需要重构多年来积累的业务逻辑、工作流设计、专家反馈及运营经验。
界定模型与企业的边界
维持模型与企业之间的界限，也有助于保护人类专业知识。专家与 AI 系统的每一次交互都极具价值：临床医生可能会纠正建议，护士可能会澄清政策执行方式，运营负责人可能会调整升级路径，合规团队可能会确立新的审查要求。
随着时间的推移，这些交互将转化为机构智能。关键在于，这些智能应当增强企业自身，而不是流失至供应商平台，或在企业更换模型时变得不可访问。
模型依赖过度的警示信号
其中一个警示信号是，提示词和业务逻辑针对特定模型编写得过于具体，导致难以迁移。另一个是，更换模型需要重新设计应用程序，而非通过受控的评估和配置变更来实现。
领导者应能回答一个基本问题：如果该模型明天无法使用，我们会失去什么？
应对这些风险并不需要昂贵地推倒重来。企业可以先从以下几步入手：将业务逻辑与模型调用解耦、建立标准化接口、维护一套与具体模型无关的评估数据集、梳理并记录工作流依赖，以及把组织知识存储在自己掌控的系统里。
此外，应该在真正需要之前就测试模型的可替换性。让同一工作流跑在多个模型上，有助于暴露隐藏的依赖关系，也能让企业获得关于性能、成本、延迟和风险的宝贵数据。
模型选择应保持可逆
我们在开头提出了一个问题，但我认为更重要的问题不只是企业今天该用哪个模型。决策者还应追问：明天要换掉这个模型，有多难？
这正是退出策略的意义所在。它不是为了放弃 AI、远离前沿技术而做的准备，而是为企业赢得选择权、韧性以及对自身智能资产长期掌控力的根基。
本文是 TechRadar Pro Perspectives 专栏内容之一，该专栏致力于呈现当今科技行业最优秀的思想。
本文观点仅代表作者本人，不一定代表 TechRadarPro 或 Future plc 的立场。如果你想投稿，请见：https://www.techradar.com/pro/perspectives-how-to-submit