供应冲击揭示的不是稀缺，而是你的哪些能力是租来的。今天任何一份AI路线图，往下数几层，最终都落在别人的政策上；能挺过替换的公司，是那些把校准资产保持在可迁移形态里的公司。
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
2023年7月，中国对镓和锗实施出口许可管理，而这两种材料，中国掌握着全球原生镓供应的98%以及精炼锗的大部分。次月，两者的出口降至零。手上有库存的公司面对的是成本问题。依赖持续供货的公司面对的是生死问题。
这个区分才是有用的部分，因为今天每一份AI路线图都有一张依赖图，往下数几层，最终都落在别人的政策上：一个贸易主管部门、一个定价委员会、一张停止支持的时间表。冲击所揭示的从来不是稀缺，而是你的哪些能力是租来的。
对自有库存的限制是成本问题；对租用访问的限制是生死问题
一个你手上有库存的受限元件，只会推高价格、迫使你重新排产。一项你租来的受限能力，会在合同消失的那一刻一同消失，并且带走它的全部副产品：它产生的数据、围绕它搭起来的工作流、已经训进团队里的预期。
今天企业里的AI能力，大多恰恰租在这一层。租约覆盖的不只是模型：还包括嵌在供应商平台里的判断层、打分、路由，以及你的运营在无声中依赖着的摘要质量。没有人给「它消失」这个情景定价，因为在采购当天，它看上去像一个服务可用性的问题，而不是它真正的样子：一个资产归属在哪里的问题。
模型下线，是每个人都能拿到的一次彩排
做这个实验不需要一场贸易战。托管模型的版本会按公布的时间表退役，而每一次退役都在演练同一件事：模型本身是可替换的，而且通常被换成更好的。真正断掉的，是所有按旧行为校准过的东西。
打磨了十八个月的提示词库。阈值靠经验定下来的评测集。针对某一个模型特有失败方式写成的护栏。团队内部对「什么算好输出」的那种感觉。企业总是在一次被迫迁移的过程中才发现：他们确实积累了一份真资产，却把它存成了只对一家供应商有效的形态。
这个发现是有价格的，而且是在最没有筹码的时刻付的。行为回归测试集的存在，正是为了让这样一次迁移成为一次差异比对，而不是一场考古挖掘。
弄清楚你在哪一层积累价值
一个有启发的对照：NASA的罗曼望远镜将会带来它从未为之立项的小行星发现，因为NASA拥有仪器、拥有巡天节奏、也拥有数据。假如它当初买的是「暗能量测量即服务」，那些小行星就归供应商了。
这里的论点不是让你自己造模型，而是让你精确地知道：你的技术栈里，究竟哪一层在积累你的价值，并确保那一层由你掌控。评测、提示词资产、路由逻辑、数据模式、流程知识，全都可以以与供应商无关的形态存在。积累在那里的价值，会在你日后切换到的每一个模型上继续复利。而积累在租用层里的价值，每换一次就归零——这与那份亲手毁掉自身上行空间的业务论证是同一个陷阱，只是换了一层。
依赖关系地图
这项工作耗时两周，却会永久改变采购的行为方式。对每一项依赖AI的能力，只回答一个问题：它是通过别人掌控的API访问的，还是坐落在我们自己拥有的数据和接口之上？
如果是租来的： 就假定它可能在十八个月内被收回或重新定价，并投资于它周围的那一层——评测、提示词、路由、数据模式——而且要以能挺过替换的形态来做。
如果是自有的： 别再优化模型选型了，改去延长数据留存、规范化模式、把系统以编程方式开放出来，因为副产品是在那里形成的。
如果你说不清是哪一种： 这份说不清本身就是结论。在下一份模型合同续约之前把地图做出来，而不是之后。
你已经在付费的那些席位，正是租用层的正确用法
对于身处覆盖295,000家公司的智能体推进计划之中的迪拜企业而言，这套框架可以收敛成一条实用规则。你公司已经在付费的Claude、ChatGPT和Copilot订阅就是租用层，而在这一层租用是正确的：模型是靠别人的资本在变好。
自有层，是你把这些席位接进去的地方：流程定义、评测习惯、被记录下来的决策，以及团队真正理解其设计的、能跑起来的智能体。把价值积在那里，更换供应商就变成一次配置修改。把价值积在供应商的专有围墙之内，每一次续约都是一场人质谈判。
从回本最快的地方开始画这张地图。五步咨询方法会盘点你的AI能力中哪些是租来的、哪些是自有的，以及在下一次续约之前必须把什么从一边挪到另一边。而Claude认证项目把评测与智能体构建的能力装进你自己的团队里——那是唯一一层，任何供应商都无法宣布停止支持。
Frequently asked questions
What happens to AI assets when a hosted model is deprecated?+
The model itself is replaceable; there is usually a better one. What breaks is everything calibrated against the old behaviour: the prompt library tuned over eighteen months, evaluation thresholds set empirically, guardrails written against specific failure modes. Firms discover mid-migration that they accumulated a real asset and stored it in a form that only worked with one supplier.
Which AI layer should an enterprise own rather than rent?+
The calibration layer: evaluations, prompt assets, routing logic, data schemas, and process knowledge, kept in a form that survives supplier substitution. The model can stay rented. Value accumulated in the rented layer disappears with the contract; value accumulated in the owned layer compounds across every model you ever switch to.
How do you assess AI dependency risk?+
Commission a dependency map before the next model contract renews. For each capability, answer one question: is it accessed through an API someone else controls, or does it sit on data and interfaces you own? If the answer is unclear, that ambiguity is itself the finding.