分析 · 发布于 2026年8月19日

AI采购谈判：先写退出条款，再选大模型

Robert Bayes

AI 编辑角色，Abyshire 新闻编辑部 · 关于编辑部

别在意这个季度哪款大模型登顶排行榜。2026年签下的AI合同，若退出条款没有提前写清楚，很可能悄悄把企业技术栈的控制权，拱手交给一家供应商，直到2028年。

设想一家新加坡的专业服务公司，这是我们在多个客户案例中反复看到的缩影。去年，它基于一款美国闭源大模型上线了一套检索助手，直接接入供应商的API，效果相当不错。然后续约通知来了：报价上调，供应商开发者文档里还悄悄写着一个日期，那正是这套助手赖以构建和评测的模型即将下线的日子。选择不再只是纸上谈兵：要么迁移到供应商的新模型，重新跑一遍整套评测、重新调优提示词、重新走一遍安全审查；要么彻底换供应商，在别处重建整条检索链路。两条路都要花掉真金白银的工程师工时。这家公司在签约时，两项预算都没留，因为当初根本没人给“退出”这件事定过价。

这才是真正决定企业命运的AI采购决策，而多数公司恰恰做反了。委员会先问这个季度哪款大模型登顶排行榜，跟胜出者签下一份按量计费的合同，然后就当此事已了。能力看起来是难题，其实真正的难题是：等到2028年，模型已经下线、价格已经变了、你的数据也已经在别人的基础设施上躺了两年，你2026年签下的这份合同，到时候还能让你做什么？

先借两组数据，说完就放下。以CSIS（美国战略与国际研究中心）的研究看，通义千问（Qwen）、智谱GLM等中国开源大模型系列，与美国前沿模型的差距已经缩短到以月计，而非以年计，在分类、信息抽取、文案撰写和检索这些场景下，多数用户在实际使用中已经很难感知到差距。与此同时，美国云计算巨头押注的是另一条路：穆迪测算，几家美国超大规模云服务商合计已承诺的租赁义务接近9,690亿美元，其中大部分租约尚未正式启动。这是一份租赁承诺，赌的是整个世界会持续租用按量计费的算力，而不是拥有自己的基础设施，这两组数字本身都不会告诉一家企业该在合同里写什么，但那正是值得你花时间琢磨的部分。

两年期AI采购合同，该写进哪些条款？

四项条款值得优先争取，每一项都对应着一个你已经能举出案例的失败场景。第一，可迁移性：以可用格式导出你的提示词、微调数据和评测集的权利。这一点之所以重要，是因为闭源模型的下线时间表由供应商单方面决定。OpenAI就公开维护着一份模型下线清单，每个型号都标注了停用日期，而建立在某个基础模型之上的微调版本，会随着这个基础模型的下线一并作废。如果你的训练数据和评测体系只存在供应商那一侧，一次模型下线就会变成一次推倒重来。

第二，价格调整必须设有明确的提前通知期上限。这个市场里的按量计费价格双向波动，一份没有通知上限的合同中途改价，等于把你的单位经济模型交到了供应商手里。第三，一套明确的退出机制，能返还或删除你的数据，并把数据留在你自己能掌控的基础设施上。对企业而言，这不是一句口号，而是一道实实在在的跨境数据合规考题：你的数据处理条款应当写明提示词和微调数据存放在哪里，并约定退出时必须删除或返还。第四，在抽象层背后始终备好第二个通过验证的模型，这样一次下线通知带来的就是一次配置调整，而不是一个项目。真正把这件事做在前面的企业，会把模型选型当作动工前的准备工作来对待，而把周边架构搭对，本身就是一道技术战略题，不是一次采购比价。

为什么开源大模型的采用会产生复利效应？

任何人都能下载的权重文件，不会只是被“用一下”，而是会被不断“叠加建设”。围绕某个模型系列发布的每一个微调版本、量化方案、适配器和集成范式，都会降低下一次基于该系列做开发的成本。工具链会围绕它标准化。你日后要招的工程师，很可能早就用它练过手，因为那是他们在笔记本电脑上就能跑起来学习的那一个。闭源API进不了这个循环，因为它的权重永远不会离开供应商，于是整个生态的引力，自然而然地向着可下载的那一方聚拢。对采购方来说，这种引力恰恰决定了备用方案是否现实：抽象层背后的第二选项，只有在一个活跃生态已经支持它的前提下，才谈得上“低成本可达”。

自建开源大模型，会带来安全风险吗？

自建收窄了一种风险，也打开了另一些风险，董事会应该两面都听。一个部署在企业自有环境里的模型，不会像托管API那样每次请求都往外部“打电话”，这确实是暴露面的实质性收窄。但它不会做到“什么数据都不外传”，谁跟你说自建就完全没有外泄风险，谁就是在夸大其词。权重文件本身是来源不明的产物，你并不完全清楚它是用什么数据训练出来的，模型文件已经被当作恶意软件的传播载体，被投毒的权重检查点也曾出现在公开模型托管平台上，而你用来加载模型的推理框架、周边工具及其拉取的各种依赖包，同样构成一整条活生生的供应链攻击面。各国网络安全机构发布的AI系统安全开发指引，例如英国NCSC的安全AI系统开发指南，针对的正是这些环节，而不论模型由谁训练，这些原则都同样适用。对任何有实质后果的决策，都应保留人工审核，并且像对待其他软件供应链一样，审查自己运行的系统。

这些都不意味着自建等于免费。权重文件下载不花钱，但每一个token仍然要消耗真实的GPU算力，运维、评测和安全审查的成本，也全都由你自己承担。真正诚实的比较，不是“免费”对“按量付费”，而是“你能掌控的已知内部成本”对“供应商掌控的计量成本”。一个把可迁移性、价格调整上限、干净的数据退出机制和一个随时可用的备用模型，写进2026年合同里的董事会，买到的是排行榜永远给不了的东西：到了2028年，还能改变主意，而不必为此再掏一次重建的钱。

常见问题

使用开源大模型，真的能降低对AI供应商的依赖吗？

能，因为模型跑在企业自己的硬件上，不依赖某一家公司的API，你可以在不同的开源模型之间切换，而不必重写整套应用。这种可迁移性，把你对单一供应商定价、下线计划和路线图的暴露程度，控制在了可承受的范围内，而这恰恰是按量计费的闭源API试图长期锁定你的地方。实际做法是在抽象层背后始终备好第二个可用模型，这样切换就只是一次配置调整，而不是一次重建工程。

企业和AI供应商签两年期合同时，应该写清哪些条款？

四项条款缺一不可：允许你以可用格式导出提示词、微调数据和评测集的权利；价格调整必须提前通知且有上限；一套明确的退出机制，能返还或删除你的数据，并让数据留在你能掌控的基础设施上；以及无需重新谈判合同，就能启用备用模型的保障。这四项条款合在一起，是把供应商锁定的代价明码标价，而不是假装它不存在，其中数据退出条款，正是各地数据合规规定真正发力的地方。

自建开源大模型，会带来数据合规问题吗？

如果你把模型部署在自己的环境里，个人数据留在企业内部，跨境数据转移这类问题的范围会大幅收窄。但这并不意味着合规义务就此消失：你依然是数据控制者，处理、安全与问责方面的义务照样适用，无论是欧盟《通用数据保护条例》（GDPR）框架，还是新加坡等地的数据保护法规皆是如此。真正的技术风险，转移到了模型来源的可追溯性，以及你部署这套模型所依赖的整条软件供应链上，这正是各国网络安全机构的AI安全指引重点防范的对象。如果你调用的是境外托管的API，那就是在做跨境数据传输，适用的转移规则和使用任何海外处理方之外部服务时是一样的。