据TechRadar 9月15日报道，两篇观点文章分别提出，企业应为所依赖的人工智能模型准备退出策略，政府衡量技术主权则不应只看系统托管和数据存储地点，而应看对技术全生命周期的控制能力。
第一篇由Autonomize AI创始人兼首席执行官撰写。文章称，AI战略讨论常从“哪个模型领先”开始，但答案随新模型发布不断变化；更实用的问题是，如果依赖的模型明天变化或不可用，AI运营能否不中断。每家企业都应对任何单一模型制定退出策略，并非放弃前沿模型，而是确保工作流程、知识产权和机构智能不依赖某一个模型或供应商。
文章认为，模型能力正在趋同，持久优势来自企业在其上构建的应用、数据和流程，模型应只是企业AI架构的一个组件，不应存放业务逻辑、运营知识或专有流程。在医疗领域，模型能总结临床记录或解读政策，却未必理解某健康计划如何适用政策、何时升级案件、临床医生需审查哪些证据，以及决策如何记录以供审计；这些智能属于组织自身。
文章提出70/30现实：通用模型通常处理约前70%的任务，剩余30%决定系统能否在生产中可信。后者需要领域术语、企业政策、专门逻辑、可追溯证据和向人类专家升级。模型可能识别出临床问题却适用错误政策，或给出有说服力的解释却没有验证证据，也可能在供应商更新后表现不同。AI进入生产后，供应商改版、涨价、延迟、使用限制或停止模型，都可能让可靠流程产生不同结果；将模型与业务逻辑分离，企业才能按同一标准评估和切换模型，不必重建流程。
第二篇由Quantexa政府解决方案副总裁撰写。文章称，政府采用AI和数字基础设施时，注意力常集中在系统托管地、数据存储地和供应商所在地，但主权最终是组织对其依赖技术保留多少控制权。对政府而言，这意味着看见系统如何运行、决策如何形成、监督数据，并保留随情况调整的灵活性。技术主权应以运营控制、问责和韧性衡量，地理只是其中一部分；情况变化时能否维持控制，是主权的清晰检验。
文章还称，AI主权讨论常从技术开始，更根本的是数据质量与治理。公共部门数据分散在各部门、遗留平台和不同环境，整合后可形成更完整可信的信息。政府将AI用于欺诈检测、医疗、税收和公共福利时，尤其依赖准确、可访问且治理良好的数据。数据基础强也支持透明度，组织知道信息来自哪里、如何连接和使用，才更有信心对待技术产生的决策。
技术主权还取决于有意义的选择。政府需要自由采用新技术、与不同供应商合作并演进系统；互操作性、开放标准和可移植数据可支持转换，供应商多样性也能带来更多选择、创新和韧性。随着AI支持复杂决策，政府需要看见其运行和输出来源，理解参与决策的数据、逻辑和流程。在技术影响医疗、税收、福利等公共服务时，可解释、可审计和人类监督构成基础。