当四款应用共用同一个"大脑"思考
多年来，企业一直在构建表面上看似多元化的技术组合。针对销售、运营、合规、软件开发、供应链，各有不同工具。供应商各异，合同分开签署，团队各自为政。这种可见的架构传递出一种独立性的印象。
然而，大多数企业技术资产清单都未能捕捉到一个隐藏层面：驱动每款应用的人工智能模型。如果十款工具中有四款运行在同一个基础模型、同一模型家族或同一API提供商之上，那么在组织架构图上体现出的多元化，在真正做出决策的地方根本就不存在。多元化只存在于外壳，而非推理逻辑之中。
这正是福布斯技术委员会（Forbes Technology Council）近期一篇文章所称的认知集中现象：运营多款人工智能应用的组织，最终依赖同一套底层知识系统，一旦该系统发生变化或故障，风险便会悄无声息地蔓延至表面上相互独立的各个业务流程之中。这篇文章由一家全球金融机构的高级技术主管撰写，与其说是危机报告，不如说是一份风险管理预警。但文中描述的这一合理假设，在当前市场结构中已有足够的依据，值得认真对待。
运营看板上看不见的问题
传统技术集中有一个意想不到的优点：一旦出现故障，你马上就能察觉。云服务提供商宕机，系统随之停摆；主服务器出现故障，警报立即响起。中断是可见的、可量化的，而且有时间节点。
认知集中的运作方式则截然不同。系统在技术层面可能运转完全正常，但其产生的判断已然改变。基础模型的一次更新，可能悄然调整系统在信贷审批流程、网络安全告警分类、法律合同审查或商业提案生成中对特定变量的权重——而这些变化中的任何一项都不会触发警报。看板依然全绿，应用正常响应，用户照常工作——而与此同时，组织正在以一套刚刚在所有层面同步改变的推理逻辑，做出相互关联的决策。
市场证据表明，这一场景并非空穴来风。英格兰银行与英国金融行为监管局（Financial Conduct Authority）于2024年对118家金融机构开展的一项调查发现，三家主要外部提供商占据了所报告云服务的73%以及模型提供商的44%。与此同时，这些机构55%的人工智能用例涉及某种程度的自动化决策。这两组数据合在一起，勾勒出风险的轮廓：大量自动化决策，底层却只有为数不多的几个真实模型。
语言模型市场结构进一步印证了这一判断。Menlo Ventures对企业生成式人工智能支出的估算显示，2025年Anthropic、OpenAI和谷歌三家提供商合计占据企业语言模型支出的约88%。这并非违法垄断，也不涉及反竞争行为，不过是当前市场成熟阶段的现状而已。但与企业导入这些能力的速度相叠加，其数学结果就是：在应用层面多元化的表象之下，智能层面实则高度集中。
据同一份Menlo数据，企业在生成式人工智能上的支出从2023年的17亿美元增长至2024年的115亿美元，再跃升至2025年的370亿美元。如此迅猛的采用速度意味着，许多组织在尚未来得及严格梳理的情况下，便已形成了深层依赖。架构建得很快，因为有展示成果的压力；认知依赖的资产清单被搁置一旁，一拖再拖。对大多数组织而言，这个"拖后再说"至今尚未兑现。
当故障无声无息且相互关联，究竟改变了什么
有一个操作层面的区别值得精确阐述，因为正是这个区别决定了这一风险究竟值得高管层关注，还是可以交由架构团队处理。
传统供应商集中产生的是可用性故障；认知集中产生的是决策质量故障。这是两类截然不同的风险，检测特征也完全不同。
可用性故障在数分钟内即可发现；决策质量故障则可能在生产环境中存在数周乃至数月才被识别出来——而且前提是必须存在某种能够检测偏移的对比评估机制。大多数组织对前者拥有健全的处置规程，对后者的覆盖却少之又少，甚至付之阙如。
文章提到了一个值得特别关注的场景：模型更新。当提供商发布基础模型的新版本时，运行于该API之上的应用便会继承这一变化——有时是透明的，有时则缺乏清晰的通知。如果四款关键应用共享同一提供商，四个业务流程便会同步发生变化。部分变化可能是中性的，甚至是有益的。但如果新模型在风险类别、交易类型或特定情境方面的校准有所不同，在任何人完成衡量之前，影响便可能已然显现且相当可观。
这并非低概率场景，而是"模型即服务"的惯常运作机制。提供商会定期更新其模型；通过API使用这些模型的组织，则会在合同约定的时间范围内继承这些更新——在许多情况下，这一时间窗口极为有限。风险不在于提供商的恶意，而在于依赖关系的架构以及缺乏能够在偏移造成可量化损害之前予以检测的持续评估控制机制。
英格兰银行金融政策委员会于2026年4月发布的一项分析认为，先进人工智能在金融部门的应用尚未达到引发系统性风险的程度，但同时警告，随着部署范围的扩大，这些风险可能迅速升级。时序至关重要：在依赖关系深度嵌入之前构建控制机制，远比事后补救容易得多。一旦八个业务单元依赖同一模型做出高影响力决策，独立验证的工具化成本将远高于在系统设计阶段就予以落实的成本。
为何大多数技术资产清单未能捕捉到这一问题
IBM商业价值研究院（IBM Institute for Business Value）于2026年对16个国家的千名高级管理人员进行的一项调查发现，91%的受访者承认并不完全了解自己在提供商、模型和基础设施层面的人工智能依赖关系；71%的受访者表示，更换主要人工智能提供商或模型将是一件困难的事。这两个百分比合在一起，描绘出一种具体的处境：组织已经建立起并不完全理解、且转换成本高昂的依赖关系。
部分原因在于结构性因素。传统技术资产清单以应用或软件供应商为维度加以组织，能够很好地捕捉可见层面：使用何种平台、来自哪家公司、签订何种合同。但它无法捕捉底层智能层面的信息：使用何种基础模型、属于哪个模型家族、依托哪家计算提供商、基于何种训练数据、采用何种更新策略。而正是这个层面决定了系统的推理方式——也正是这个层面，即便可见的应用看似多元化，也可能已然高度集中。
另一部分原因在于组织的行动速度。在许多组织中，展示人工智能用例在生产环境中运行的压力，远大于记录依赖关系的压力。团队快速部署，治理控制随后跟进——如果能跟上的话。结果是，多数中大型企业的应用资产清单相当完整，但认知依赖的资产清单——涵盖模型、模型家族、API提供商、数据来源、检索系统——却缺乏同等程度的细节。
这并非对做出上述决策的团队的批评。在2023年至2025年间普遍存在的时间、资源和竞争压力约束下，快速推进往往是正确的选择。问题在于，快速行动却未能记录随之产生的依赖关系，其结果恰恰就是IBM调查中91%的高管所描述的处境：依赖关系未被完全理解，且难以更改。
董事会应当提出的问题
这篇福布斯文章提出了一个分析工具，称之为认知集中指数（Cognitive Concentration Index）。这一指标尚无行业标准，但其逻辑直截了当：梳理组织各人工智能应用共享哪些模型、API提供商、计算来源和数据存储库；将这些信息与依赖各层面的业务流程的重要程度进行交叉对比；并评估在发生故障或性能下降的情景下，完成切换所需的时间。
这个工具的价值不在于它所产生的数字，而在于它所倒逼的过程。一个组织在首次尝试构建这张地图时，会迅速发现自己真正掌握的信息，以及自己以为掌握的信息之间的差距。在已记录与被假设之间的这道鸿沟里，风险往往就在其中安家落户。
有三个变量决定了认知集中何时从架构上的不便演变为执行层面的治理问题。其一是流程的重要程度：集中在低风险营销应用且替代方案唾手可得，问题尚属次要；而集中在承保、信贷审批、欺诈检测或定价决策系统，则是截然不同的优先级别。其二是替换速度：在真实业务流程中将模型或提供商实际切换到位究竟需要多长时间——不是理论估算，而是通过持续性演练实际检验过的结果。其三是偏移检测能力：组织是否拥有在模型行为变化造成可量化损害之前，识别出这种变化的机制。
麦肯锡（McKinsey）2026年全球调查报告显示，28%的组织将超过10%的信息技术预算用于人工智能。当投入达到这一量级，依赖便不再是试验性的，而是结构性的。一项未经梳理、未经评估、缺乏持续性规程保障的结构性依赖，正是董事会有义务理解的那类风险——尽管大多数董事会目前仍缺乏准确表述这一问题的概念框架。
应用多元化是一项采购决策；认知韧性是一项架构决策。这是两个截然不同的决策，许多组织将其混为一谈，原因在于前者是可见的，而后者不是。趁依赖关系尚可调整之际及时纠正这种混淆，其代价远低于等到一次模型变更同步波及八个业务流程、被迫在危机模式下应对时的代价。
