我接觸到的大多數企業，在AI上的投入比以往任何時候都多，但換來的清晰度卻越來越少。預算已經批了，供應商在四處遊說，高管的簡報裡滿是「轉型」二字。然而表象之下，同一個令人不安的現實不斷浮現：數據沒有準備好、平台沒有準備好、用例也不夠成熟到可以規模化。
AI就緒程度取決於三根支柱，而大多數組織正在同時建設這三根支柱，乾淨、受治理的AI就緒數據；能夠跨生態系統編排智能代理的平台；以及已經從實驗階段畢業、進入可重複商業成果的用例。如果你對自己誠實，你的組織大概在這三方面都還在努力。那麼，企業架構師到底該怎麼做？
我在成熟的AI項目中見過最重要的轉變，是拒絕將「AI」視為一個單一的預算項目。取而代之的是，每一項AI計劃都會對照三種策略姿態進行分類。防守（Defend）意味著將AI嵌入現有應用以維持競爭對等，想想嫁接到CRM上的Copilot，或者在現有交易平台上運行欺詐檢測的ML模型。這裡的採用模式很簡單：消費應用、嵌入模型API。你的採購嚴謹度應該與之相稱，人才和諮詢方面中等盡職，加速器和IP方面高度重視，行業專業知識方面要求較低，因為供應商在承擔主要工作。延伸（Extend）意味著用自定義代理、檢索增強生成（RAG）或微調模型來優化特定工作流程。這是當今大多數有雄心的企業所處的位置：在基礎模型之上構建特定領域的智能。評估側重點會發生劇烈變化，你需要強大的合作夥伴生態系統和數據工程深度，供應商的版權和合規審查升至中等。顛覆（Upend）意味著構建全新的由AI驅動的商業模式或產品，自定義模型開發、新穎的數據策略、專有訓練管線。在評估量表上，一切都是「高」：人才、倫理、行業經驗、商務條款。如果你真的要顛覆市場，你應該以併購級別的嚴謹度來對待AI採購。
關鍵在於：治理的力度、你聘請的供應商、你撰寫的合約、以及你衡量成功的方式，都應該由你所處的策略姿態來決定。把「防守」和「顛覆」混為一談，結果要麼是在商品化能力上過度投入，要麼是對真正具有變革性的賭注治理不足。
我們正在目睹三個傳統上各自獨立的學科發生碰撞：數據與分析、軟件工程與基礎設施、以及商業流程設計。在交匯處，越來越多人稱之為「AI服務」，但我會為架構師重新定義它：這是你需要掌控的新整合層。這個匯聚區中正在浮現的能力，洞察工程（Insight Engineering）、AI整合（AI Integration）和工作編排（Work Orchestration），不整齊地歸屬於任何一個團隊。你的數據科學家不會去構建代理編排。你的平台工程師不會去設計商業工作流程。你的業務分析師也不會理解大規模推理運算的基礎設施約束。作為企業架構師，這個匯聚區就是你的領地。你需要成為那個定義參考架構以連接這些領域、建立共享服務層、並確保平台策略不會碎片化為影子AI項目的人。
雙層AI用例管理模型值得研究。他們將「為什麼」（由資深行銷領導組成的管理團隊每月開會設定策略方向和審批優先事項）與「怎麼做」（各子職能的用例負責人每週開會規劃、調整和追蹤執行）分開。關鍵洞察是：為每個用例配備一位專門的子職能負責人，由其評估團隊承接AI項目的容量，這正是防止AI計劃被堆疊在已經超負荷的團隊之上的關鍵。容量評估不光鮮亮麗，但它是用例能否交付與死在共享待辦列表中的分水嶺。
AI項目中最被低估的失敗模式之一，是高管層的不一致。每位領導者帶到桌面上的關注點截然不同。業務領導者希望定義策略雄心，但擔心失去人類控制。IT和數據領導者需要與現有系統的互操作性，但在整合複雜度上舉步維艱。法律和合規關心IP保護和監管合規，但無法始終確保模型層面的公平性和問責性。而財務和採購希望看到ROI和成本透明度，但往往缺乏衡量AI專屬價值的框架。架構師的角色是讓這些關注點彼此可讀。在每個階段設置人類決策點的門控方法，解決了業務領導者的擔憂。每個整合關卡的驗證檢查點滿足了IT的需求。合約中的IP覆蓋處理了法律部門的問題。而FinOps的嚴謹，我接下來會談到，給了財務部門所需的東西。
以下是太少組織做出的合約模式轉變：如果你的供應商用AI編碼速度快了50%，但你仍然按小時付費，你就輸了。AI工具帶來的生產力提升全部流入了供應商的利潤。這個轉變是從購買工時轉向購買成果。合約模式的光譜從傳統的按時計費和人員外派（勞動密集型、維持現狀的績效）延伸到基於成果和風險共擔的模式，將付款與實際商業成果掛鉤。對於AI密集型項目，你應該要求基於成果或價值的定價而非FTE固定區塊、創新和概念驗證的風險共擔模式、AI增強產能（AI PODs）而非純人員增補、以及直接寫入合約的代理效率指標。衡量這些「數字員工」的新KPI包括代理效率指數（Agent Efficiency Index，代理完成任務相對於最優工作流程的效率如何？）、自主利用率（Autonomy Utilisation Ratio，有多少百分比的任務在無人干預下完成？）和決策準確率。如果你沒有在衡量這些，你就是在盲目飛行，不知道AI投資是否真正在產出。
AI的風險格局確實複雜。至少有18個相互關聯的風險橫跨四個類別，行為風險（準確性、偏見、範圍違規）、安全風險（敏感數據洩露、黑客濫用、供應商版權問題）、透明度風險（未披露AI參與、可解釋性缺口）以及一個涵蓋營運風險的統稱（能源浪費、人力資源依賴、多代理複雜性）。這就是為什麼信任、風險與安全管理框架對架構師至關重要。五項核心要求值得內化：將AI納入現有企業風險分類體系的治理框架；具有持續監控和明確供應商責任的合規與問責機制；要求供應商披露對客戶數據的AI使用且高風險輸出需人工審查的人類監督與透明度要求；通過包含法律、風險、IT/數據和業務的融合團隊實現的跨職能協作；以及能力與培訓轉移，意味著你的供應商應在合約中承擔支持變革管理和AI素養的義務，而不僅僅是交付代碼。
案例在此頗具啟發性。他們的GenAI卓越中心提供結構化培訓，涵蓋從基礎模型概念到Token大小和提示詞決策對成本影響的方方面面。其CIO的觀點很犀利：任何人都可以下載一個GenAI培訓，但領導者需要理解他們的AI決策對成本的影響。這是一門FinOps紀律，而不僅僅是技術問題。
最後一個架構轉變或許是最根本的。傳統的共享服務模式，集中式、工廠式、什麼都自己建，無法為AI擴展。你不能成為瓶頸。相反，共享服務應該提供AI平台和護欄，然後讓業務在這些邊界內安全地構建。問責模式翻轉了：「你建的，你買單。」技術債務要追溯到擁有者，而不是由中央吸收。這也意味著要認真對待共享決策權和共享成本。關於什麼該共享、什麼該保持主權的決定，需要由合規和數據主權要求來驅動。可變成本，這是基於消費的AI定價所固有的，需要FinOps紀律來管理，重點是用可證明的ROI來回收投資。
當你真正走向市場時，採購流程本身也需要進化。傳統的RFP然後談判的循環對AI合作夥伴關係來說太慢也太僵化。基於衝刺的競爭性共創方法效果更好。從一份長名單和初始的RFS開始，篩選和接入候選供應商。然後與3-6家供應商進行共創衝刺，協作塑造交易。縮小到2家進行詳細共創、盡職調查和SOW開發。最終衝刺：競爭性談判和合約簽署。這種方式敏捷、有結構、以成果為導向，而且，至關重要的是，全程保持競爭性。你不是在紙上評估提案；你是在承諾之前親眼看到供應商如何與你的團隊合作。RFP問題本身也應該以成果為導向：商業論證如何展示ROI？續約、擴展和託管服務的定價結構如何？治理如何管理風險？有什麼框架來確定用例優先順序？能否展示具有可衡量成果的行業特定案例？
最後一個提醒：AI服務成本是累積性的，而且容易被低估。模型開發、數據管理、許可、基礎設施、整合和持續支持都會疊加。需要關注的關鍵合約條款包括定價機制和數據/IP條款（高風險）、XLA/SLA/KPI和責任分配（高風險）、以及退出和持續性條款（中等風險）。AI服務市場預計到2029年將達到1.11萬億美元，間接服務的複合年增長率為49%。僅應用實施一項就預測達到3500億美元（其中直接服務1600億、間接服務1900億）。資金在流動，問題是它流向了成果，還是僅僅流向了活動。
如果要我為同行架構師提煉出一個可操作的框架，那就是這樣。為價值而採購，將每一項AI計劃分類為防守、延伸或顛覆，並相應地調整你的採購嚴謹度。停止盲目採購AI。為安全而治理，落實框架，強制要求跨職能融合團隊，並要求供應商在每次合作中都支持變革管理和AI素養。捕獲AI紅利，從按時計費轉向基於成果的合約，要求代理效率指標，並在基於消費的成本失控之前建立FinOps紀律。做到這些的組織不僅僅是在採用AI。他們正在架構一種技術、商業成果與供應商合作之間全新的關係。而這，正是企業架構師應該引領對話的匯聚區。