随着AI工作负载延伸至日益多元的技术生态系统，敏感数据与操作上下文也随之流转。慧与科技（Hewlett Packard Enterprise）混合云CTO Brian Gruttadauria指出："供应商蔓延的真实代价，不仅仅是复杂性的增加，更是在AI最依赖数据、上下文、治理与控制的关键时刻，这些要素却遭到分裂。"
在多云战略中推进供应商多元化，意味着将工作负载分散至AWS、微软Azure、谷歌云等多家云服务商。这一做法的初衷在于降低供应商锁定风险、提升弹性与冗余能力，并优化成本与性能。然而一旦与AI结合，供应商多元化便可能迅速演变为一场难以收拾的混乱局面。
误判问题的危险信号
网络安全管理公司TDI Security的CIO Jesse Dean表示，太多组织将多云AI视为架构问题，而实际上它本质上是一个组织与财务问题。"受制于对供应商锁定的恐惧，加上宽松的治理机制，企业将数据和模型分散到多个云平台中，"他说，这不仅会稀释工程团队的能力，还会推高长期成本。Dean建议IT领导者正视基础性缺陷，"优先制定统一的数据标准化策略，并坚定以主云为核心的数据布局，是降低技术复杂度与支出的关键所在。"
备份与恢复软件公司Commvault的CIO Ha Hoang则指出，问题并不在于企业依赖多个云平台——毕竟许多企业有其合理的业务需求——而在于"允许每个云平台演变为独立的AI生态系统，各自拥有不同的模型、数据管道、治理策略和开发工具。"
Hoang认为，AI只有在能够安全访问可信企业数据、并在整个业务层面保持一致运行的前提下，才能真正释放价值。一旦数据碎片化、各云平台安全策略各行其是，企业将陷入智能体割裂、投资重复、业务结果不一致的困境。"多云应当是一个经过深思熟虑的架构决策，而非各自为政的技术选择所产生的意外结果。"
Gruttadauria表示，过度分散供应商最明显的信号，是数据和工作负载无法在各环境中保持统一的可见性与可治理性。"如果IT团队无法看见并控制某项资产——无论它位于云端、本地还是边缘——这说明架构已经超出了治理的掌控范围。"
以数据织网打通出路
DataArt软件工程与IT咨询公司CTO Yuri Gubin指出，应对多云AI陷阱的关键在于构建一套横跨云端、本地与边缘的统一数据网格，建立单一的操作命名空间，而非任由数据孤岛四处林立。"当数据、工作负载与AI共享同一基础底座，无论在哪里运行，都能保持可见、可治理、可迁移。"这样一来，企业便能在享受多供应商创新红利的同时，不必承担多供应商带来的复杂性负担。
Hoang建议从治理入手，而非从技术入手。"明确一批经过审批的AI平台，建立通用的安全与身份标准，将企业数据视为共享资产，而非某个云平台或业务单元的私有财产。"她还建议，IT领导者应在业务合理的范围内设计可移植性。"这并不意味着每个工作负载都必须在云间自由流动，但确实意味着要避免在核心AI能力上产生不必要的锁定。"这种灵活性将成为企业竞争优势的来源之一。
聚焦业务目标
Hoang强调，最好的预防措施是在AI采用规模扩大之前，率先建立企业AI运营模型。"每一个新引入的AI平台，都应满足安全、数据访问、可观测性、治理与成本管理方面的统一标准。"同样重要的是，确保每一项AI投资都与可衡量的业务目标相挂钩。"目标不是支持所有模型或所有云服务商，而是以最低的运营复杂度实现业务成果。"
Q&A
Q1：多云AI战略中，供应商多元化会带来哪些风险？
A：供应商多元化若缺乏有效治理，会导致数据分散在多个云平台，各自形成独立的AI生态系统，造成数据治理失控、工程能力稀释和长期成本上升。智能体之间相互割裂、安全策略不一致，最终导致业务结果难以统一，投资也容易重复浪费。
Q2：什么是数据网格，它如何解决多云AI的混乱问题？
A：数据网格是一种横跨云端、本地与边缘环境的统一数据管理架构，能够建立单一的操作命名空间，取代分散的数据孤岛。它让数据、工作负载和AI模型共享同一基础底座，从而实现统一可见、统一治理、跨环境可移植，帮助企业在享受多供应商灵活性的同时，避免因复杂性失控带来的管理难题。
Q3：CIO在制定多云AI策略时，应该优先从哪里入手？
A：应优先从治理层面入手，而非直接选型技术。具体包括：明确少数经过审批的AI平台、建立统一的安全与身份标准、将企业数据作为共享资产管理。同时，在AI规模扩大之前，先建立企业级AI运营模型，确保每项AI投资都绑定可衡量的业务目标，以最低复杂度实现业务成果。
