让AI成为资产，而非开支
摘要
本文探讨了企业将AI从实验阶段转向生产阶段时的经济策略，重点在于根据工作负载需求和成本可预测性，评估所有权与消费模式。
<p>当客户谈论AI成本时，对话通常从令牌价格开始，以获取云端最新、最强大的模型结束。他们是否总是需要这种级别的能力？不一定。但这通常是对话的方向。</p>
<figure class="wp-block-image size-large"><img fetchpriority="high" decoding="async" width="1200" height="675" src="https://wp.technologyreview.com/wp-content/uploads/2026/09/Cheri-blog.jpg?w=840" alt="" class="wp-image-1145189" srcset="https://wp.technologyreview.com/wp-content/uploads/2026/09/Cheri-blog.jpg 1200w, https://wp.technologyreview.com/wp-content/uploads/2026/09/Cheri-blog.jpg?resize=300,169 300w, https://wp.technologyreview.com/wp-content/uploads/2026/09/Cheri-blog.jpg?resize=768,432 768w" sizes="(max-width: 1200px) 100vw, 1200px" /></figure>
<p>随着AI从实验阶段转向生产阶段，模型选择只是等式的一部分。当需求变得稳定且对业务至关重要时，仅消费模式可能会将AI开支转变为难以预测的月度可变项目，因为使用量、工作负载和模型需求会变化。</p>
<p>到那时，问题不再是简单地消费哪个模型，或哪个提供商提供最低的令牌价格：而是如何经济、可预测且持续规模化地运行AI。</p>
<p>AI正从孤立的试点项目进入生产组合：助手、检索与知识系统以及智能体应用。客户服务、IT、研究和业务流程智能体可以执行跨企业系统的多步骤工作流，在模型、数据和工具方面创造持续需求。</p>
<p>这已经开始发生。Deloitte的2026年<em><a href="https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-the-enterprise.html" target="_blank" rel="noreferrer noopener">State of AI in the Enterprise</a></em>报告反映了许多领导者的观察：2025年员工对AI的访问率提高了5%，并且预计六个月内，拥有至少40% AI项目处于生产阶段的公司比例将翻倍。</p>
<p>当AI成为一组始终在线的工作负载组合，而非一系列实验时，经济学发生了变化。消费定价为团队提供了灵活性并限制了承诺。但当使用变得稳定、可预测且规模足够大以保持产能高效时，领导者需要问一个不同的问题：按次购买AI是否仍然具有经济意义，还是时候投资于可以优化和控制的产能了？</p>
<p>这并非抽象的云与本地部署之争。这是逐个工作负载的业务决策。在未来12到18个月内，公司可以合理预期多少AI需求？该产能的使用将有多一致？当多个工作负载共享基础设施时，企业可以将固定成本分摊到更多高效使用上——从而提高所有权的经济性。</p>
<h3 class="wp-block-heading">问题在于你运行多少</h3>
<p>所有权并非自动就是低成本的答案。只有在企业能够保持产能高效时才有意义。</p>
<p>每个组织都有一个交叉点，即持续使用水平达到时，拥有产能可能比按次购买更经济。没有一个通用的数字。这取决于使用的模型、输入和输出令牌的平衡、性能要求、系统设计、能源成本以及支持它所需的运营模式。</p>
<p>一个检索密集型知识系统的成本结构可能与简单助手非常不同，因为它可能在每次交互中处理更多上下文。智能体工作流又可能不同：单个业务任务可能涉及重复推理、检索、模型调用和工具使用。这就是为什么通用的成本基准不够。企业需要建模其实际工作负载，了解预期需求，并相应调整产能规模。</p>
<p>在适当的利用率水平下，效益不仅在于更低的有效成本，还在于更高的可预测性：能够将AI产能作为战略性基础设施投资来管理，而不是看着月度支出随着模型使用和工作负载需求波动。</p>
<h3 class="wp-block-heading"><strong>所有权只有在投入使用时才有效</strong></h3>
<p>资本决策只是等式的一半。即使经济性支持所有权，产能也只在业务快速将工作负载投入生产并保持运行时才能创造价值。</p>
<p>这需要的不仅仅是安装基础设施。它需要一个将技术与采用和业务成果联系起来的运营模式：引导用户和工作负载上线，治理AI的使用，审查利用率，并持续识别下一个高价值用例。</p>
<p>目标是尽早创造价值，然后在此基础上构建。这意味着衡量使用情况，识别未充分利用的产能，并随着时间的推移将额外的高价值工作负载引入平台。没有这种纪律，业务可能永远无法实现证明投资合理性的经济价值。有了它，AI产能就成为业务可以优化、扩展并用于创造可衡量价值的生产性资产。</p>
<h3 class="wp-block-heading"><strong>三个要问的问题</strong></h3>
<p>在投入资本之前，领导者应该问三个问题：</p>
<ol class="wp-block-list">
<li>需求是否变得稳定、可预测且规模足够大，足以证明专用产能的合理性？</li>
<li>在什么使用水平下，所有权在经济上有意义？</li>
<li>我们能否通过采用、治理和持续的用例扩展来保持该产能的高效？</li>
</ol>
<h3 class="wp-block-heading">有意地推动转变</h3>
<p>随着AI进入生产阶段，创造最大价值的组织将超越令牌价格和最新模型。他们将知道何时持续需求需要不同的经济模型——并且他们将有运营纪律来使该产能高效。</p>
<p>这就是AI从开支变为资产的时刻。</p>
<p><em>本文由HPE制作，并非由MIT Technology Review的编辑人员撰写。</em></p>
<p></p>
查看缓存全文
缓存时间: 2026/09/29 15:26
# 让AI成为资产而非开支
来源：https://www.technologyreview.com/2026/09/29/1145186/making-ai-an-asset-not-an-expense
当客户谈及AI成本时，对话往往始于代币定价，终于对云端最前沿、最强大模型的访问权限。企业是否始终需要这种级别的能力？未必如此。但对话通常总会走向这个方向。
随着AI从实验阶段迈入生产环境，模型选择只是决策方程的一部分。当需求变得稳定且业务关键时，仅采用消费模式可能使AI开支转化为难以预测的月度变动项目——随着使用量、工作负载和模型需求的变化，其波动性将持续加大。
此时问题已不再局限于选择消耗哪个模型，或哪家提供商能提供最低的代币价格：真正的考量在于如何经济、可预测且可持续地大规模运行AI。
AI正从零散的试点项目演变为产品组合：包括助手系统、检索知识系统以及智能体应用。客服、IT运维、研究分析和业务流程智能体能够跨企业系统执行多步骤工作流，在模型、数据和工具层面创造持续性需求。
这种转变已初现端倪。德勤发布的《2026年企业AI现状报告》(https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-ai-enterprise.html)印证了许多领导者的观察：2025年员工AI使用率提升了5%，而拥有超过40%AI项目投产的企业比例预计将在六个月内翻倍。
当AI成为持续运行的工作负载组合而非实验集合时，其经济逻辑便发生改变。消费定价虽赋予团队灵活性并限制了长期投入，但当使用量变得稳定、可预测且规模足以维持产能的高效利用时，领导者需要提出不同的问题：按次购买AI服务是否仍具备经济合理性？还是时候投资那些可以优化并掌控的产能了？
这并非抽象的云服务与本地部署之争，而是针对具体工作负载的业务决策。未来12至18个月内，企业能合理预期多少AI需求？这些产能的使用稳定性如何？当多个工作负载共享基础设施时，企业可以将固定成本摊薄至更广泛的生产用途中——从而提升自主拥有的经济效益。
### 核心在于运行规模
自主拥有并不自动等同于低成本方案。只有当企业能持续保持产能高效利用时，该模式才具备经济合理性。
每个组织都存在一个临界点——当使用量达到特定水平时，自主拥有产能会比按次购买更经济。这个标准并无统一数值，它取决于所采用的模型、输入输出代币的比例平衡、性能要求、系统设计、能源成本以及所需的支持运营模式。
检索密集型知识系统的成本结构可能与简单助手截然不同，因为前者每次交互可能需要处理更庞大的上下文信息。智能体工作流又有所不同：单个业务任务可能涉及反复推理、检索、模型调用和工具使用。这正是通用成本基准不够用的原因——企业需要建模实际工作负载，理解预期需求，并相应规划产能规模。
在适当的利用率下，收益不仅在于更低的实际成本，更在于更高的可预测性：能够将AI产能作为战略基础设施投资进行管理，而非被动观察月度开支随模型使用和工作负载需求波动。
### **唯有投入使用才能创造价值**
资本决策只是方程的一半。即使经济模型支持自主拥有，产能只有在业务能够快速将工作负载投入生产并保持持续运行时才能创造价值。
这不仅需要安装基础设施，更需要一种将技术与实际应用和业务成果相结合的运营模式：推动用户和工作负载接入、制定AI使用规范、评估利用率，并持续发掘下一个高价值应用场景。
目标是尽早创造价值并持续迭代。这意味着衡量使用情况、识别未充分利用的产能，并随着时间推移将更多高价值工作负载迁移至平台。若缺乏这种纪律性，企业可能永远无法实现当初投资所预期的经济价值。反之，AI产能将成为企业可优化、可扩展并创造可衡量价值的生产性资产。
### **三个关键问题**
在承诺资本投入前，领导者应考量：
1. 需求是否正变得稳定、可预测，且规模足以证明专用产能的合理性？
2. 在何种使用水平下，自主拥有模式才具备经济合理性？
3. 我们能否通过推广、治理和持续扩展应用场景，保持该产能的高效利用？
### **主动进行战略转型**
随着AI进入生产环境，创造最大价值的组织将超越代币价格和最新模型的局限。他们能识别周期性需求对不同经济模型的需求，并具备使产能高效产出的运营纪律。
这正是AI从开支转变为资产的决定性时刻。
*本文内容由慧与公司（HPE）提供，未经《MIT科技评论》编辑团队撰写。*
相似文章
你的AI战略是在烧钱还是创造资本？
本文批判了当前企业中的AI狂热，由于Token滥用等低效使用方式，飙升的成本往往超过投资回报率。文章倡导同时关注组织流畅性和算法成本降低（例如观察掩码），从而将AI从资本消耗者转变为价值创造者。
AI成本管理中最难的部分或许并非削减成本
本文重点介绍了将AI费用追溯到特定项目和工作负载的挑战，并提出了一种主动预算和监控成本的实用方法。
如何应对AI成本上升？
一篇探讨AI开发与部署成本日益增长的文章，并提出了应对这些成本的潜在策略。
AI token 使用在什么情况下会成为业务问题？
文章强调了AI token使用经济性在大规模应用时被低估的挑战，讨论了随着组织从概念验证转向企业级部署，成本如何成为治理问题。它提出了关于成本可见性、监控以及平衡性能与成本的问题。
每个AI提示都需花费成本——这改变了一切
文章认为，AI的真正挑战不仅在于构建更智能的模型，更在于以规模化的方式降低成本效率，强调了减少token使用、提升速度以及优化基础设施的重要性。