让 AI 成为资产，而非开支
2026-09-30 · MIT Technology Review
让 AI 成为资产，而非开支
从实验到生产的经济模式转变
当客户谈论 AI 时，话题往往从 token 成本开始，以访问云端最强大的模型结束。然而，随着 AI 从实验阶段走向生产阶段，模型选择只是方程的一部分。当需求变得稳定且对业务至关重要时，仅采用按量付费的方法会将 AI 支出变成难以预测的月度可变项目。此时，问题不再仅仅是选择哪个模型或哪家供应商的 token 价格最低，而是如何以经济、可预测且在持续规模下运行 AI。
AI 正在从孤立的试点项目进入生产组合，包括助手、检索知识系统和智能体应用。客服、IT 研究和业务流程智能体可以跨企业系统执行多步工作流，从而产生跨模型、数据和工具的持续需求。德勤的《企业 AI 现状》报告反映了这一趋势：2025 年员工对 AI 的使用率上升了 5%，预计六个月内至少 40% 的 AI 项目进入生产阶段的公司比例将翻倍。
当 AI 成为始终在线的工作负载而非实验集合时，经济模式就会发生变化。消费定价为团队提供了灵活性，但当使用量变得稳定且足够大以保持容量时，领导者需要思考：按请求购买 AI 是否仍然具有经济意义？是否到了投资可以优化和控制的 AI 容量的时候了？
基于工作负载的商业决策
这并非抽象的云与本地部署之争，而是基于工作负载的商业决策。在未来 12 到 18 个月内，企业需要评估预期的 AI 需求量以及容量使用的一致性。当多个工作负载共享容量时，企业可以通过更高效的使用来分摊固定成本，从而改善拥有的经济效益。
核心问题在于运行量：拥有权并不总是成本更低的答案。只有当企业能够保持容量被充分利用时，它才具有意义。每个组织都存在一个“交叉点”，即持续使用达到一定水平时，拥有容量比按请求购买更经济。这个点没有统一标准，它取决于使用的模型、输入输出 token 的平衡、性能要求、设计、能源成本以及所需的运营模型。
例如，一个需要处理大量上下文的知识系统，其成本特征与简单助手截然不同。智能体工作流也可能有所不同：单个业务任务可能涉及多次推理、检索、模型调用和工具使用。因此，通用基准测试是不够的。企业必须对实际工作负载进行建模，了解需求，并据此确定容量规模。在合适的利用率水平下，好处不仅是有效成本降低，还有更高的可预测性：将 AI 容量视为战略基础设施投资，而不是看着月度支出随模型使用和负载需求波动。
运营模型与价值实现
资本决策只是方程的一半。即使经济性支持拥有权，容量也只有在快速投入生产并持续运行时才能创造价值。这需要的不仅仅是基础设施，而是一个将技术与采用和业务联系起来的运营模型：引入用户和工作负载、治理 AI 使用、监控利用率，并不断识别下一个高价值用例。
目标是尽早创造价值，然后在此基础上发展。这意味着衡量使用情况、识别未充分利用的容量，并将更多高价值工作负载引入平台。如果没有这种纪律，企业可能永远无法实现证明投资合理性的经济价值。有了它，AI 容量就成为了企业可以优化、扩展并用来创造可衡量价值的生产性资产。
领导者需思考的三个问题
在投入资本之前，领导者应该问三个问题：
1. 需求是否变得稳定、可预测且足够大，以证明专用容量的合理性？
2. 在什么使用水平下，拥有容量才具有经济意义？
3. 我们能否通过采用、治理和持续扩展用例来保持容量的充分利用？
结论
随着 AI 走向生产，创造最大价值的企业将不再只关注 token 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，并拥有运营纪律来使该容量产生效益。那时，AI 就不再是开支，而是成为了资产。