企业AI的新经济学：从能不能用到用得多高效

编者按：企业AI正站在从“尝鲜”到“基础设施”的转折点上。当AI渗透进每一个业务流程，问题不再是“我们能不能用AI”，而是“我们如何高效地使用AI”。这是一场关于单位经济学的重新校准。

想象一下，你的公司刚刚发现了电。最初只有少数几台机器接入电网，没人会为效率发愁——用电量很低，而价值显而易见：机器转得更快，生产更灵活。但一旦电力成为真正的基础设施，每一个流程都开始依赖它，问题就变了：不再是“我们能不能用电”，而是“我们用电的效率有多高”。

今天的企业AI，正处在这场转变的中途。

第一阶段：低消耗、高确定性的试点红利期

过去两三年，企业引入生成式AI的方式很像早期用电：挑选几个高价值场景——客服问答、代码补全、文档摘要——做试点，衡量成败的标准往往是“有没有跑通”“效果好不好”。在这个阶段，成本几乎不是问题。原因很简单：调用量有限，单次调用成本虽然不低，但总支出相对于试点带来的价值微不足道。与此同时，模型能力每一轮迭代都带来明显的效果跃升，采购决策更像是技术选型，而不是财务核算。

第二阶段：当AI成为基础设施

转折点出现在AI从“少数几个应用”扩散到“每一个业务流程”的时候。客服、营销、研发、财务、法务都在调用模型，调用量从每天几千次变成每天数百万次，成本结构彻底改变。此时企业面对的问题与用电如出一辙：哪条业务线在消耗最多的推理算力？每一次调用是否真的必要？有没有更便宜的路径达到同样的效果？

效率成为新的核心指标

于是，“单位经济学”成为企业AI的关键词。所谓单位经济学，就是每一次AI调用的成本与它带来的价值之比。过去企业问的是“模型有多强”，现在问的是“每一美元能换来多少有效产出”。

这催生了一系列工程与采购策略：模型路由，把简单任务交给小模型、复杂任务才调用大模型；模型蒸馏，用大模型的能力训练更小的专用模型；提示缓存与结果复用；批处理与异步调用；以及把部分推理下沉到端侧。这些手段的目标只有一个——在保证效果的前提下压低单次调用成本。

成本归属：AI时代的“电表”

就像工厂需要电表来核算每个车间的能耗，企业也需要为AI建立“计量”体系：哪个部门、哪个产品、哪个功能在消耗token？这些消耗是否对应可衡量的业务价值？没有这套计量，AI预算就会变成一笔糊涂账，最终导致两种极端：要么因成本失控而一刀切收缩，要么因无法证明投入回报而错失布局窗口。

从技术指标到商业指标

更深层的变化在于评价体系。早期企业AI的KPI是准确率、响应时长、覆盖率；进入基础设施阶段后，KPI必须转向单位成本、单任务成本、成本占收入比，以及AI带来的增量毛利。这不是对技术的否定，而是技术成熟的标志——电力之所以改变世界，不仅因为它强大，更因为它便宜到可以普及到每一个流程。

值得强调的是，效率并不等于一味节省。真正的效率优化，是把有限的算力预算重新分配到价值更高的场景上。一家企业削减了30%的推理成本，却把省下的资源投入到能带来十倍回报的新场景，这才是“新经济学”的含义。

当一项技术从“能不能用”进入“用得多高效”的阶段，它才真正开始重塑组织。

企业该做什么

对企业而言，有三件事值得现在就做。第一，建立AI成本的可观测性，把token消耗与推理成本按业务线拆解清楚，让每一笔支出都有归属。第二，把AI采购从“技术选型”升级为“组合管理”，在大模型、小模型、开源模型、自建与调用之间做动态配比，而不是押注单一供应商。第三，把AI的价值度量嵌入业务流程，让ROI成为持续追踪的运营指标，而不是停留在技术团队的演示里。

电力的故事告诉我们：基础设施化的技术，最终比拼的不是谁先用上，而是谁用得更省、更稳、更深入。企业AI正在走进这个故事的第二幕。

本文编译自MIT Technology Review