根据Gartner的数据,AI原生公司的增长速度比传统SaaS公司快40%。但这种增长正遭遇成本危机的冲击。
比如,有一家公司曾在单月内因AI使用而被收取了五亿美元的账单。尽管这可能是个例外情况,但它也是一个早期预警信号。在企业争相成为AI原生企业的过程中,成本危机与性能要求正在碰撞。大多数领导者都缺乏管理这两者所需的洞察力。
现代化的压力是真实存在的,但从固定订阅模式向按使用量计费模式的转变,带来了企业尚未准备好应对的波动性。尽管模型的整体成本正在下降,但矛盾的是,用AI完成一项任务的实际成本往往高于企业的预期。
在按消耗量计费的合同模式下,有无数因素可能导致企业的AI账单飙升。如果不考虑任务的目的而对AI活动设置支出上限,这同样会限制创新。在我看来,成为AI原生企业,归根结底要协调好三个方面的能力:智能基础、智能经济学和持续优化。
可持续的AI优势并非来自部署最先进的模型,而是来自让这三大支柱协同运作,从而在企业规模上实现可衡量的业务成果。以下是这在实践中的具体表现。
大多数AI项目跳过的基础工作
乍看之下,所谓AI原生公司是指从第一天起就围绕AI构建其运营模式和工作流程的公司,对于初创企业来说这更容易实现,但对于运营着数千名员工、跨数十个系统的大型企业而言则困难得多。
这正是大多数企业现代化工作停滞不前的地方。智能基础必须优先建立,这包括那些并不光鲜的数据平台和负责任的AI防护机制。如果跳过这些基础建设,其他每个方面的能力都会继承同样的下游盲区。
风险的规模很容易被低估。根据Gartner的数据,到2026年,预计将有60%的AI项目因底层数据从未达到AI就绪状态而被放弃。这种情况很常见:一个模型在演示中表现良好,是因为有人在幕后花了一周时间悄悄清理数据集,但一旦投入生产环境,模型就会崩溃。
这很少是模型本身的问题,而是基础问题:从未被整合的碎片化系统。数据现代化不是在"真正的"AI工作开始之前需要完成的预备步骤,它是AI原生企业中其他一切赖以运转的基础设施。
那些将数据就绪性视为持续性工作而非一次性清理的企业,才拥有足够坚实的基础去支撑其他支柱。
用智能经济学超越使用成本
但成为AI原生企业并不意味着不加区分地应用技术,也不意味着对创新设置任意的支出限制。
实际上,某些用例推高消耗成本的速度会远远超过其他用例,而当高使用量能创造真正价值时,它完全是合理的。与此同时,数据显示,最具生产力的工程师往往也是消耗Token最多的人:高支出与高价值常常相伴而生。
在这种情况下,领导层的任务不是配给AI资源,而是治理AI使用。在这里,智能经济学将每一个AI驱动的行动都视为一个成本与价值的单元,权衡任务运行的成本与其所带来的业务成果。
要做到这一点,企业需要获取正确的数据。根据毕马威(KPMG)最近的一份报告,只有26%的组织能够实时了解大规模运行AI的成本。
那些掌握了如何衡量使用情况和性能的企业,便能够运用推理经济学来严谨地管理各项计划。推理经济学指的是每个交给AI处理的任务或查询所产生的经常性运营成本,而管理这一成本需要严谨的方法。做对这件事会带来实实在在的回报。举例来说,法律AI公司Harvey最近测试了一种混合配置方案,其表现优于在所有任务上都使用前沿模型的方案——而成本仅为后者的39%。
这个教训具有普遍意义:对于特定任务而言,最昂贵的模型未必是最准确的,而智能路由在质量和价格上都可能胜过蛮力式的方法。
通往持续优化之路
成本可见性只讲述了故事的一半。企业还需要知道AI是否在推动那些真正重要的指标,而这个问题并不会在工作流程上线后就消失,它只是换了一种形式存在。
这正是持续优化的要义所在:不要把AI系统当作有终点的项目,而要将其视为需要随着条件变化而被持续监测、调整和优化的基础设施。在实践中,这意味着要将AI计划与领导层真正关心的成果紧密挂钩。
这意味着要在采用环节投入与部署环节同样多的精力;如果使用者在几个月后又回到旧的工作流程,那么治理得再好的AI计划也难以创造多少价值。
因此,持续优化弥合了其他各个方面之间的闭环。正是通过它,企业才能知道自己的基础建设和成本治理是否真正在不断累积形成价值。
迈向AI原生企业之路
在2026年,AI带来的业务价值将是智能工作流程、成本效率和采用程度三者的总和。
最具竞争力的优势将属于那些围绕智能基础、智能经济学和持续优化构建起来的AI原生企业,它们有能力协调创新以实现业务增长目标,同时保持成本的可持续性。
