本周芯片制造商股价上涨，原因是市场上调了与AI需求相关的服务器CPU市场增长预期，谷歌、Meta和微软也相继修订了AI基础设施支出预测。
投资者将这股计划支出热潮解读为一个信号：超大规模云服务商依然坚定致力于构建下一代AI产品与服务所需的基础设施。这意味着大量资金将持续从AI供应商流向其上游供应商。
然而，对于企业CIO而言，更关键的问题并非供应商花了多少钱，而是这些成本最终由谁来承担。
AI繁荣大多被视为一个关于生产力提升和竞争优势的故事。但支撑这一切的经济逻辑已越来越难以忽视。训练前沿模型、扩展推理工作负载、支持AI智能体运行，以及维护日益消耗大量算力的企业级功能，都需要巨额基础设施投入，涵盖GPU、网络设备、数据中心乃至能源消耗。
随着这些成本持续攀升，企业已开始面对这样一种可能性：相对廉价、缺乏规范的AI实验时代或许即将落幕。AI支出正在承受与其他企业投资相同的压力：预算审查、运营问责和可量化的回报。
从试验探索走向财务纪律
过去两年企业AI采用的主旋律是探索。各组织部署AI助手、尝试AI辅助工作流程、批准试点项目，并在各部门开放新功能，往往缺乏完善的治理机制或集中监督。
在许多组织中，AI采用同时通过嵌入式SaaS功能、独立订阅、内部试验和员工自发使用等多种渠道展开。这种分散化的局面加速了AI落地，但也让成本追踪变得困难重重。
Noma Security首席信息安全官戴安娜·凯利表示，企业正在进入一个更为审慎的阶段。她说："对话的焦点正从'我们在哪里能用AI？'转向'哪些AI部署和使用场景能产生可量化的运营或商业价值？'"
这一转变的部分原因在于，AI的经济效益难以高效规模化。与传统SaaS产品不同——后者一旦构建完成，扩展成本相对低廉——前沿AI系统在几乎每个阶段都持续消耗大量算力：训练、推理、存储、检索，以及长期持续产生模型活动的智能体工作流。
凯利表示，随着超大规模云服务商加大基础设施投入，企业很可能通过"更多的分层定价、高级AI功能套餐、按量计费以及更严格的消耗管控"感受到成本向下传导的压力。
供应商自身也面临越来越大的压力，需要证明其大规模AI支出的合理性。随着时间推移，企业或将发现自己身处一个AI能力不仅按质量和性能差异化，还按定价结构和消耗经济学差异化的市场中。
这为CIO带来了一套全新的问题。挑战不再只是是否采用AI，而是AI在哪些场景真正能创造足够的运营价值，从而证明不断攀升的支出是合理的。
软件开发成为预算压力的第一个试炼场
这一影响已在软件开发领域初现端倪。AI辅助编程工具和智能体正在迅速推高企业内部的Token消耗。
Cynch AI首席执行官兼创始人、前安永首席AI官奈杰尔·达菲表示，企业已开始感受到供应商基础设施支出的下游影响。
"雇人和在AI智能体上加大投入之间，已经出现了明显的权衡取舍，"达菲说。
随着使用规模扩大，这种权衡愈发艰难。AI消耗不一定会按可预测的线性方式增长；与固定的SaaS许可证费用不同，基于Token的使用量可能因用户行为、工作流程和模型选择的不同而大幅波动。
"Token支出的快速增长很可能已经超出了本年度预算周期中的预测，"达菲说。
这给许多企业带来了一个尚未充分准备好应对的预算难题。AI使用往往在团队内部自发增长，尤其集中在高度投入的技术员工中。然而，员工高频使用AI可能带来真实的成本代价。
"往往是你最高效的开发者花费最多，"达菲说。
这种张力在企业AI部署中将日益普遍：组织一方面希望在AI能提升生产力的地方鼓励其使用，另一方面不受限制的使用又会带来难以预测和管控的运营成本。
达菲表示，组织越来越需要思考如何引导用户行为更加注重成本，同时又不损害这些系统所创造的价值。"挑战在于：如何让开发者在不影响生产力的前提下形成更强的成本意识？"他说。
ROI难题已无法回避
随着AI成本上升，企业还面临一个更根本的问题：许多企业仍难以用有意义的指标衡量AI的投资回报。在当前AI周期的大部分时间里，泛泛的生产力提升主张往往被不加审视地接受。竞争压力推动组织快速试验，即便可量化的成果依然模糊。
这种环境正在悄然改变。
"我认为一个关键挑战是：你究竟如何衡量ROI，"达菲说，"这些工具往往自下而上地被采用，以细微的方式影响大量活动。要弄清楚这些加起来到底带来了多大价值，非常困难。"
这一困难部分源于AI融入企业工作流程的方式。收益往往分散在各个团队中，叠加在现有流程之上，是渐进式积累而非戏剧性变革。生产力的提升可能是真实存在的，但在财务层面难以清晰量化。
"越来越有必要自己去衡量，"达菲说，"学术研究对于AI生产力影响的结论参差不齐，而AI生态系统给出的那些高度乐观数字，也很难判断该如何解读。"
并非所有AI部署都面临同样的挑战。凯利表示，ROI最为清晰的领域往往是那些本就拥有可量化运营指标的场景，包括软件开发、客户支持、网络安全运营和企业知识管理。
在网络安全领域，凯利表示，一些最有力的使用场景涉及聚焦于具体运营改进，而非大规模转型。她特别提到了那些能够减轻分析师疲劳、加速威胁分类、改善检测增强以及加快调查工作流程的部署案例。
"针对特定效率提升的收益，往往比宽泛的转型主张更易于量化，"她解释道。
AI治理承担财务管控新角色
随着AI支出增长，治理正在企业内部承担越来越重要的财务职能。凯利警告称，许多组织仍对AI在何处被使用、哪些工具存在重叠、消耗如何在团队间分布缺乏清晰的可见性。AI能力往往嵌入在更大的软件套件中，使得使用情况比独立部署更难追踪。
这使得治理的角色从主要关注安全或合规，转变为一种控制运营支出的机制。随着AI消耗愈加难以预测，组织可能越来越需要对采购、使用监控和工作负载优先级进行集中管控。
"从长远来看，可见性和使用管理的重要性可能不亚于供应商定价，"凯利说。
企业AI预算的下一个阶段
持续投资AI仍有充分理由。凯利表示，那些将AI视为未来竞争力核心的组织，可能出于追求长期运营优势的合理考量而继续加大投入。但她同时警告，实现可持续的成功需要高度审慎的战略性投入。
"真正的挑战很少只是购买技术本身，"凯利说，"而是重新设计工作流程、培训团队、管理风险，并确保AI在规模化落地时切实改善运营成果。"
达菲对当下这一时刻持同样审慎的态度。"在许多情况下，这些决策在某种程度上仍是一种信念跳跃，"他说。
目前，华尔街仍在持续奖励推动AI经济的基础设施建设热潮。但企业正在进入AI周期的一个新阶段——这个阶段的特征不再是试验探索，而是权衡取舍、优先排序和预算纪律。企业AI的下一阶段，或许更多地取决于组织决定哪些AI能力值得付费，而非模型本身变得多么强大。
Q&A
Q1：AI基础设施成本上升，企业CIO应该怎么应对？
A：企业CIO需要从"探索期"转向"财务纪律期"，重点关注哪些AI部署能产生可量化的运营或商业价值。具体措施包括：建立集中化的AI采购和使用监控机制，追踪各团队的消耗分布；对不同使用场景进行优先级排序；同时警惕分层定价、按量计费等新型计费方式带来的预算波动风险。
Q2：企业如何衡量AI投资的实际回报？
A：AI的ROI衡量目前仍是一大难题，因为收益往往分散在多个团队和流程中，难以在财务层面清晰量化。建议优先在已有可量化运营指标的领域评估ROI，例如软件开发效率、客户支持响应时间、网络安全运营效率等。专家建议企业不要完全依赖AI厂商或学术研究给出的数字，而应建立内部测量体系，自行评估实际效果。
Q3：为什么软件开发领域最先感受到AI成本压力？
A：软件开发是AI使用最密集的场景之一，AI辅助编程工具和智能体会快速推高Token消耗。与固定的SaaS许可证费用不同，Token使用量会因开发者行为和工作流程的不同而大幅波动，且往往是最高效的开发者消耗最多。这导致AI支出难以预测，很容易超出年度预算，成为企业最先遭遇预算压力的领域。
热门跟贴