萨提亚·纳德拉的警告：别让一个AI供应商变成你公司的脑子

引言

微软CEO萨提亚·纳德拉对那些急于将所有业务标准化到单一AI平台的公司发出警告：最大的风险或许不在于模型质量或代币价格，而在于失去对构成公司价值本身的知识的控制。

在2026年7月26日接受CNN《法里德·扎卡利亚GPS》栏目采访时，纳德拉认为，公司应当保留员工使用AI过程中所产生的数据、提示词、元数据、上下文、记忆以及编排层的所有权。

他的担忧直截了当。

一家公司越是将AI深度融入日常工作，就越会向系统提供关于组织实际运作方式的信息：团队如何服务客户、管理者如何权衡决策、工程师如何调试产品、分析师如何评估风险、员工如何修正不完美的模型输出。

随着时间的推移，这些互动会逐渐形成公司运营知识的数字记录。

如果这份记录只存在于某一家模型提供商的专有产品中，那么日后更换供应商可能意味着需要重建的远不止一个聊天机器人集成。

纳德拉提出的解决方案并非让每家公司都去训练自己的前沿基础模型。

相反，他主张分离。

模型应该是可替换的。公司的上下文、记忆、元数据、智能体框架、工作流程以及积累的知识，应当始终由公司掌控。

这种架构让组织能够为特定任务使用最强大的模型，而无需让某一家供应商成为其机构智慧的唯一存放地。

把一切押注在单一AI上，相当于外包自身能力

乍看之下，承诺使用单一AI供应商似乎效率很高。

员工只有一个界面。采购更简单。安全团队只需审批一个平台。开发人员只需构建一套集成方案。组织可以在单一技术栈上标准化提示词、智能体和内部工作流程。

问题会逐渐显现。

企业级AI系统早已不再仅仅是一个连接到模型API的文本框。

随着采用程度的加深，系统会积累：

• 内部文档
• 提示词库
• 对话历史
• 用户偏好
• 长期智能体记忆
• 评估结果
• 工具权限
• 工作流程规则
• 检索索引
• 人工修正记录
• 工具调用历史
• 业务特定指令
• 审批模式
• 内部术语
• 成功与失败的工作案例

这些项目中的任何一项单独来看，未必像是战略资产。

但当它们汇聚在一起，就可能成为一张详尽描绘公司思维方式的地图。

AI使用创造了一种新型机构记忆

传统的组织知识分散在

众多地方。

其中一些记录在政策、手册、数据库和维基中，但大量内容并未被记录下来。

它们存在于员工反复做出的决策中：

• 哪个客户请求值得升级处理？
• 什么样的销售线索才算真正合格？
• 哪些工程捷径是可以接受的？
• 公司如何回应异常的退款请求？
• 在受监管市场中，哪些语言是可接受的？
• 哪些产品缺陷需要立即回滚？
• 经验丰富的经理注意到了什么，而初级员工却忽略了？

当人工智能系统参与这些决策时，交互历史就开始捕捉这种隐性知识的部分内容。

用户提出问题。

AI 检索信息。

员工纠正答案。

系统调用工具。

用户拒绝一个结果，选择另一个。

工作流得到更新。

经过数千次交互后，公司无论是否有意为之，都已创建了一个宝贵的训练和评估数据集。

关键问题是：谁拥有并可以重用这个数据集。

供应商锁定远不止 API 兼容性问题

企业通常将 AI 锁定视为一个 API 问题。

如果供应商 A 变得过于昂贵，那就用供应商 B 的 API 端点替换它。

这种方法仅在模型本身是主要依赖项时才有效。

现代智能体系统包含许多其他层级。

如果所有这些层级都嵌入到一家供应商的专有产品中，那么更换基础模型可能就需要重新设计整个技术栈。

这造成了实际上的依赖关系。

原供应商可能会：

• 提高价格
• 停用某个模型
• 更改速率限制
• 改变记忆行为
• 修改智能体功能
• 限制某项能力
• 改变区域可用性
• 更改数据处理策略
• 在关键任务上落后于另一模型

采用模块化架构的公司可以通过更换模型来应对。

而对于那些记忆、框架、上下文和工作流逻辑都融合在单一服务中的公司来说，选择权可能就少得多了。

真正的风险是失去解释工作如何完成的能力

当组织不再维护自身关于 AI 辅助工作相关推理和反馈的记录时，最深的锁定形式就出现了。

设想一个客户支持流程，经过两年数千次 AI 交互的改进。

员工反复纠正系统。

这些修正教会了工作流何时应该退款、何时升级、使用何种语气。

使用方式、存在哪些异常情况以及应涉及哪些内部团队。

如果所有这些学习成果仅存在于专有代理服务中，迁移可能意味着丢失使工作流有效的历史记录。

公司可能仍然拥有原始文档。

但可能不再拥有因使用这些文档而产生的完整运营记忆。

这正是纳德拉警告所隐含的担忧——公司最终可能将部分思考能力外包。

这个说法听起来有些戏剧性，但架构问题本身非常具体：企业需要对其人工智能生成的知识拥有足够的控制权，以便能够重构、审计、迁移并改进自身工作流程。

最智能的模型可以租用，企业的“大脑”应留在内部

纳德拉提出的解决方案是将基础模型与企业拥有的外围层分离。

在CNN采访中，他特别主张将控制框架与模型分离，并且将上下文和记忆与模型分离。

这形成了一种不同的架构。

企业不再将单一AI提供商视为完整的智能平台，而是将基础模型视为可替换的推理引擎。

企业保留以下内容的控制权：

• 自身数据
• 自身提示词
• 自身记忆
• 自身工作流状态
• 自身评估数据
• 自身工具层
• 自身元数据
• 自身权限
• 自身业务规则
• 自身审计追踪

模型仅接收当前任务所需的上下文。

纳德拉所指的元数据

在企业AI系统中，元数据可包含以下信息：

• 员工提出了什么问题
• 哪个模型处理了该请求
• 检索了哪些文档
• 调用了哪些工具
• 使用了哪些工具参数
• 模型生成了什么结果
• 用户是接受还是拒绝了该结果
• 员工如何编辑输出内容
• 任务耗时多久
• 任务成本是多少
• 工作流是否成功
• 触发了哪些安全或策略检查

这些记录可能变得极具价值。

它们可用于：

• 评估模型
• 识别常见故障模式
• 改进提示词
• 训练分类器
• 调优路由规则
• 构建内部数据集
• 创建领域特定模型
• 改进代理工作流
• 审计重要决策

纳德拉的核心观点是，这个学习循环应始终为企业所用。

如果组织保留自身的交互历史，即使基础模型发生变化，它也能持续改进。

保持控制框架独立

控制框架是围绕AI模型的软件层，它将原始模型响应转化为代理工作流。

它可能处理以下事项：

1. 提示词构建
2. 上下文检索
3. 规划
4. 工具选择
5. 工具执行
6. 记忆读写
7. 重试机制
8. 输出验证
9. 审批流程

请求
10. 日志记录
11. 模型路由
12. 最终响应生成

如果框架与某一提供商的模型紧密耦合，更换模型可能意味着需要替换整个代理系统。
若框架与提供商无关，相同的工作流即可调用不同模型。

例如：

• 编码任务可使用强编码模型。
• 长文档任务可采用大上下文窗口模型。
• 简单分类任务可选用小型模型。
• 敏感工作负载可部署自托管开放权重模型。
• 复杂规划任务可升级至前沿推理模型。

业务流程保持稳定，而推理引擎可灵活切换。

多模型架构正成为真实的企业模式

这已不仅是概念设计。
微软自身现已提供多AI模型间路由的基础设施。
Microsoft Foundry的模型路由器可分析提示词，根据质量、成本、延迟及配置的模型子集将其路由至符合条件的基础模型。
Azure API管理的AI网关可通过统一的企业边界暴露多个模型提供商。微软文档描述了对包括Microsoft Foundry、Azure OpenAI、AWS Bedrock、Google Vertex、OpenAI、Anthropic及自定义模型端点在内的后端支持。

网关架构可集中管理：

• 身份验证
• 模型选择
• 提供商凭证
• Token限制
• 速率限制
• 日志记录
• 监控
• 内容安全策略
• 网络策略
• 成本追踪

应用程序转而调用企业控制的网关，而非在整个代码库中直接嵌入单一提供商。
这并非彻底消除锁定问题。网关本身可能成为需要管理和迁移的基础设施。
但它将模型选择提升至企业可控的层级。

实用的企业级AI架构

一个供应商中立的企业AI堆栈可视为若干独立层级：

员工/应用程序
|
v
企业代理/框架
|
+------ 企业记忆
|
+------ 检索/上下文
|
+------ 工具/MCP/内部API
|
+------ 评估/策略
|
+------ 可观测性/元数据
|
v
AI网关/模型路由器
/       |        \
v        v         v
模型A    模型B   内部模型

关键边界在于企业知识与模型推理之间。
公司的记忆、提示词、工作流、工具及评估数据位于模型层之上。
模型可被更换，而无需丢弃围绕其构建的组织化状态。

第一层：企业数据

将权威业务信息保存在组织控制的系统中。
示例包括：

• 数据仓库
• 文档存储库
• CRM系统
• 产品数据库
• 源代码管理平台
• 内部知识库

模型应检索所需内容，而非成为信息的唯一持久副本。

第二层：上下文与检索

将检索构建为独立服务。

这让组织能够更换嵌入模型、重排序器或生成模型，而无需重建原始知识库。

检索层应保留来源信息，以便用户了解哪些内部资料影响了某个答案。

第三层：记忆

当记忆具有战略重要性时，将长期记忆与模型提供商的原生聊天历史分开存储。

可能的记忆范围包括：

• 用户记忆
• 项目记忆
• 客户记忆
• 智能体记忆
• 组织记忆

每种记忆类型都应有明确的保留、权限、导出和删除规则。

第四层：智能体框架

将业务逻辑置于企业能够检查和版本管理的系统中。

该框架应定义：

• 存在哪些工具
• 谁可以使用它们
• 哪些操作需要审批
• 重试机制如何工作
• 哪些状态需要持久化
• 何时可以切换模型
• 什么算作成功

这能将智能体从供应商特定功能转变为企业工作流程。

第五层：AI网关或路由器

当多模型灵活性很重要时，在应用程序和模型之间放置一个路由层。

路由器可以根据以下因素选择模型：

• 任务类型
• 质量要求
• 成本
• 延迟
• 数据驻留地
• 上下文长度
• 安全要求
• 提供商可用性

网关还可以提供故障转移功能。

如果一个模型端点不可用，工作流程或许可以继续使用另一个符合条件的模型。

第六层：元数据和评估

存储足够的交互元数据，以了解系统是否正常工作。

不要不加区分地保留所有数据。隐私、安全和监管要求仍然适用。

对于适当的工作流程，有用的记录可以包括：

• 模型版本
• 提示模板版本
• 检索到的来源
• 工具使用情况
• 延迟
• 令牌使用量
• 用户反馈
• 人工修正
• 评估分数
• 最终结果

这些数据能让AI系统随着时间的推移变得更好，而无需将这种改进与某个特定提供商绑定。

即使当前某个模型明显最佳，这为何仍然重要

企业架构的构建着眼于比基准测试排行榜更长远的视野。

今天最强的模型，六个月后可能不再是。

AI市场变化迅速，因为改进可以来自：

• 新的预训练
• 更好的推理能力
• 更低的推理成本
• 新的上下文窗口技术
• 新的多模态能力
• 更好的编码
• 更好的工具使用
• 更快的服务
• 开放权重的发布
• 专业领域模型

一个能够在不改变其操作系统的情况下更换模型的公司，将从这种竞争中获益。

而一个深度绑定在某个专有技术栈上的公司，则可能无法获益。

这并非主张企业应不断切换模型。

频繁切换本身也可能带来问题：

• 输出不一致
• 新

评估工作

• 安全审查
• 提示词不兼容
• 不同工具行为
• 新型故障模式

目标是可选择性，而非永久性更替。

公司应在有充分理由时能够做出改变。

YC代币方案揭示初创公司为何担忧平台依赖

源文章将纳德拉的警告与初创社区早前的讨论联系起来。

2026年5月，OpenAI CEO萨姆·奥尔特曼向当前Y Combinator批次中的每家初创公司提供价值200万美元的OpenAI代币，以换取股权。

TechCrunch报道称，该投资将采用无上限SAFE形式，并在后续定价融资轮次中进行转换。

这对AI初创公司颇具吸引力。

模型推理可能是公司早期最大的支出之一。获得大量代币配置能让团队在无需花费同等现金的情况下构建和测试产品。

但这同时也引发了对战略依赖的明显质疑。

投资人杰森·卡拉卡尼斯公开警告创始人，平台提供商可能会获知初创公司的开发内容，并随后与之竞争。

这种担忧并非证明OpenAI会实际抄袭某家公司的产品。

这是典型的平台风险论点：一家基础设施提供商对业务越核心，就越需要了解该提供商能获取哪些数据以及切换成本有多高。

OpenAI方案独立于YC标准交易

Y Combinator自身的标准投资仍保持独立。

YC目前将其标准交易描述为50万美元投资，包括：

• 12.5万美元换取固定7%的股权
• 37.5万美元通过带最惠国待遇条款的无上限SAFE提供

TechCrunch报道的OpenAI代币安排是附加方案，而非对YC标准融资的替代。

因此，对创始人而言，战略问题并非仅仅关乎免费或补贴推理的价值。

而是接受这一优惠是否会导致初创公司架构发生变化，从而增加未来独立运营的难度。

企业AI知识正成为新型战略资产

以往，公司的优势往往体现在人才和流程中。

经验丰富的员工知道如何解决异常问题。管理者明白哪些例外情况至关重要。销售团队了解哪些信号代表真实购买意向。工程师记得多年前看似古怪的架构决策背后的原因。

AI系统开始将部分积累的判断力编码为机器可读的产物。

这些产物包括：

• 提示词库
• 智能体指令
• 上下文存储
• 评估套件
• 人工反馈数据
• 工具使用轨迹
• 决策日志
• 智能体记忆
• 微调数据
• 工作流定义

这并非意味着AI已掌握组织的全部智能。

大量专业知识仍存在于人才、文化、人际关系和隐性判断中。

但机器可读部分的比重正在增长。

这使得所有权和可移植性变得更为重要。

模型正日益成为商品层

昂贵且技术难度大。

对大多数企业而言，从零开始训练一个模型在经济上毫无意义。

真正的变化在于，企业拥有了更多选择。

例如，微软Foundry提供了来自微软、OpenAI、Meta、DeepSeek及其他供应商的模型访问权限。企业网关亦可路由至其他云平台托管或第三方直接提供的模型。

因此，模型可被视作一种专业化的基础设施组件。

企业持久的特有价值存在于以下层面：

• 专有数据
• 工作流知识
• 内部反馈
• 评估体系
• 业务规则
• 记忆系统
• 客户上下文
• 组织决策

正是这些层次让通用模型得以展现企业的专属AI能力。

每个企业都应执行的迁移测试

衡量AI锁定程度的一个实用方法，是提出一个简单问题：

假如我们的主要模型供应商明天消失，我们会失去什么？

答案应当被记录在案。

1. 模型访问
   应用程序能否指向另一个模型端点？
   如果可以，代码需要修改多少？

1. 提示词
   系统提示和代理指令是否存储在企业自有仓库中？
   它们能否被导出并进行版本管理？

1. 上下文
   源文档和检索索引是否由公司控制？
   更换模型是否需要重建知识层？

1. 记忆系统
   长期记忆能否被导出？
   组织是否了解其架构？
   该记忆是否与其他代理系统兼容？

1. 工具集成
   工具集成是基于可移植API或MCP等标准构建的吗？
   还是关键工作流仅存在于某个供应商的专有代理产品中？

1. 元数据
   公司是否保留自己的交互日志和模型评估结果？
   能否通过历史任务对比两个供应商的表现？

1. 评估体系
   能否用另一模型测试相同的验收标准？
   若无可复用的评估集，更换模型将沦为主观的迁移尝试。

1. 身份与权限
   业务权限是否由企业系统自身强制执行？
   模型迁移不应要求重建公司的授权模型。

1. 合规性
   公司能否说明数据流向、处理模型及保留内容？
   只有当治理体系保持完整时，多模型灵活性才有价值。

1. 运维故障切换
   当主要供应商不可用时会发生什么？
   关键工作流能否优雅降级？
   一次迁移测试往往能揭示架构图遗漏的依赖关系。

多模型并非将每个提示发往所有地方

避免供应商锁定并不意味着同时向多个模型供应商发送数据。
那样会造成不必要的隐私和安全风险。
受控的多模型策略应使用路由规则。

例如：

决策支持 | 已批准模型+人工审核
| 供应商中断 | 预批准故障切换模型 |

公司仍需制定数据治理策略，明确哪些模型可处理哪些信息。

模型选择应保持灵活。

数据处理应当严格。

架构本身存在权衡取舍

纳德拉的提议听起来诱人，但将每个层级分离会增加工程工作量。

多模型系统可能需要：

• 兼容性测试
• 提示词规范化
• 供应商特定适配器
• 评估基础设施
• 成本追踪
• 路由策略
• 统一可观测性
• 多供应商安全审查
• 数据驻留控制
• 模型特定回退逻辑

小型公司起初合理选择单一供应商。

关键在于避免不必要的锁定。

创业公司在产品市场匹配前无需构建复杂的内部AI平台。

它仍可：

• 将提示词存储在自己的代码库中
• 将源数据保留在模型供应商外部
• 维护可移植的记忆模式
• 在统一内部接口后抽象模型调用
• 记录模型版本
• 保留评估数据集

这些相对简单的决策能让未来迁移更加轻松。

战略问题是谁拥有学习循环

企业AI最值钱的部分可能不是模型本身。

而是员工使用模型时产生的反馈循环。

公司提出问题。

模型给出答案。

员工纠正错误。

调用工具。

衡量结果。

更好的工作流程应运而生。

如果组织拥有该循环，就能将积累的学习成果从一代模型迁移至下一代。

如果该循环完全归属于供应商，公司可能会发现AI系统有所改进，但自身的可移植能力并未提升。

正因如此，纳德拉的警告比简单建议使用多个供应商更具深意。

这是一项关于企业智能应存于何处的建议。

模型可以租用。

但组织应保留让模型发挥作用的情境。

常见问题

萨提亚·纳德拉对依赖单一AI模型有何看法？

在2026年7月26日接受法里德·扎卡里亚采访时，纳德拉认为公司不应让单一AI供应商控制其数据、元数据、上下文、记忆和智能体框架。他警告称，公司若失去对这些层的控制，就可能把部分思考能力外包。

纳德拉是否认为公司应自建基础模型？

不一定。他的提议是将企业自有上下文、记忆、元数据和编排层与模型分离，使公司能在使用多个前沿或开放权重模型的同时保留自身知识。

什么是AI智能体框架？

框架是围绕模型的软件层，负责管理提示词、工具、上下文、记忆、规划、重试、权限、评估和执行。将其与单一模型供应商分离有助于提高业务流程的可移植性。

什么是AI网关？

AI网关是位于企业应用与模型供应商之间的受控层。它能集中身份验证、

路由、速率限制、监控、策略、模型选择及供应商凭据。

企业为何应保留AI元数据？

AI元数据能揭示使用的提示词、检索的信息、调用的工具、用户修正输出的方式以及任务是否成功。这些历史记录可用于评估、工作流优化、模型路由或未来内部培训。

多模型架构能消除供应商锁定吗？

不能。它降低了模型层的依赖，但网关、向量数据库、记忆系统、智能体框架或云平台都可能形成新的锁定形式。可移植性需要在整个技术栈中统筹考量。

OpenAI向Y Combinator初创公司提供了什么？

据TechCrunch 2026年5月报道，OpenAI向当前YC批次每家初创公司提供价值200万美元的Token，通过不设上限的SAFE换取股权。这项安排独立于YC标准的50万美元投资协议。

小型初创公司应立即构建多模型平台吗？

通常不需要。早期团队可以先用单一供应商，同时保持模型调用的抽象化、提示词的版本控制、数据自主可控和评估的可移植性。这些选择能在不增加不必要基础设施的前提下保留未来调整空间。

相关工具

• Microsoft Foundry：微软用于发现、评估、部署和运营多种AI模型的平台。
• Microsoft Foundry Model Router：根据质量、成本和配置策略选择合格模型的中间路由层。
• Azure API Management AI Gateway：用于管理多AI模型及MCP工具访问权限的托管网关。
• Model Context Protocol：通过标准化接口连接AI应用与工具及数据源的开放协议。
• OpenTelemetry：开源可观测性框架，适用于采集AI应用基础设施的追踪、指标和日志。
• Y Combinator SAFE：YC官方关于未来股权简单协议融资结构的资源。

相关链接

• Fareed Zakaria GPS专访萨提亚·纳德拉：2026年7月26日访谈中纳德拉讨论企业AI的风险与收益。

• TechCrunch：萨提亚·纳德拉谈单一AI依赖：关于纳德拉建议将企业上下文、记忆及控制层与基础模型分离的报道。

• Microsoft Foundry Model Router：微软多模型路由系统的官方文档。

• [Azure AI Gateway概述](https://learn.microsoft.

• Azure API Management 中的 AI 网关概述：通过单一企业端点治理多种 AI 模型与工具的官方文档。

• Azure API Management 中的统一模型 API：微软关于在面向客户端的单一 API 背后呈现多个模型后端的官方文档。

• TechCrunch：OpenAI 向 YC 初创公司提供 200 万美元 Token 要约：报道 OpenAI 向 2026 年 YC 批次企业提出的“以 Token 换股权”提案。

• Y Combinator 标准投资条款：YC 官方对 50 万美元标准投资结构的说明。

总结

萨提亚·纳德拉的警示并非仅仅建议企业订阅多种 AI 模型。其更深层的含义在于：企业应避免将积累的上下文、记忆、元数据、智能体逻辑及运营知识置于无法独立保存或迁移的系统中。

模块化架构使企业的知识层与模型层保持独立。企业可根据编码、长上下文处理、低成本任务、敏感工作负载或故障切换等需求选择模型，而无需重建完整的 AI 操作系统。

这种灵活性带来了工程复杂度，但即使是小团队也能通过从初期掌控自身数据、提示词、记忆架构、评估标准及模型接口，来保留未来的选择权。

前沿模型可以租用，而解释企业运作机制的学习回路，应当永远属于你。