- 人工智能需求持续攀升，但投入量与回报并不成正比
- 企业往往低估了从试点阶段过渡到生产环境的实际成本
- 基于席位和基于消费的定价模式各有适用场景，混合策略正成为新趋势
Oracle AI 战略负责人 Hammad Hussain 近日发出警告，指出企业在人工智能应用中存在一种普遍误区：将广泛采用 AI 等同于创造实际价值。随着 AI 成本日益难以预测，许多客户正面临严峻的财务管控挑战。
Splunk 的一项最新研究显示，五分之三的企业认为不可预测的费用波动比单纯的高额固定基线成本带来更大的经营压力。
在 Oracle 近期举办的 AI World 活动间隙接受媒体采访时，Hussain 强调，尽管市场需求持续增长，企业应将关注点从单纯的“使用 AI”转向可衡量的业务成果。
AI 使用率不等于商业价值
Hussain 指出：“客户可能犯下的最致命错误之一，就是误以为只要使用了 AI，就自动获得了价值。”他明确表示，这种逻辑是错误的。
企业真正需要评估的是，AI 是否带来了体验优化、效率提升或新产品开发，而非仅仅统计 AI 的使用频率。
这一问题的核心在于平衡：企业既希望 AI 投资能对业务产生实质性影响，又必须保持成本的可见性与可控性。目前，后者已成为众多企业的痛点。
值得注意的是，即便是那些在早期 AI 采用中取得显著成功的行业巨头，如今也在积极寻求降低运营成本的路径。
不可预测的成本成为焦点
多项研究表明，不可预测的成本正在深刻影响 AI 消费者。与此同时，AI 供应商也在调整商业模式，试图让经济模型更可持续，例如从固定的基于席位的定价转向可变的基于消费的定价。
Hussain 提醒，许多客户容易低估大规模部署工具带来的财务冲击。“生产环境下的经济模型与试点阶段截然不同，”他补充道。
展望未来，Hussain 暗示一种混合式方法将成为兼顾性能与成本的“最优解”。企业可以继续利用最新的前沿大模型处理高负载任务，而对于较轻量的工作，传统的 CPU 算力可能已足够胜任，无需依赖昂贵的 GPU 和高级 AI 模型。
在这一光谱中间，开放权重模型（Open-weight models）正逐渐展现出规模效应。Hussain 解释道：“平衡成本与影响力的另一种方式是使用专门的 AI 集群。企业为特定集群支付固定费用，运行开放权重模型，从而避免按代币计费。”
通过拥有预先定义的计算资源并采用稍低阶的模型，企业能够以更便宜且更可预测的价格处理要求较低的工作负载。
与通过 API 调用第三方模型不同，在自有基础设施上运行开放权重模型允许组织处理特定工作负载而无需承担额外的代币成本。
虽然企业仍需支付基础计算设施的费用，但这种模式提供了更高的预算确定性和成本控制能力。
Oracle 方面并不认为基于消费的定价会完全消失。企业将根据自身需求选择最适合的定价策略。
“我们最初采用固定价格，”Hussain 回忆道，“但随后发现用户的使用强度差异巨大，既有重度使用者，也有轻度使用者。”
更多 AI 投入未必带来更高回报
无论企业选择何种付费方式，Hussain 认为衡量成功的关键标准始终是投资的实际回报率。
界定 AI 投资回报率（ROI）长期以来是一个难题，但 Hussain 提供了一些计算思路，帮助企业判断成效。
AI 投资必须产生某种效益，无论是提高生产率还是增加收入，前提是员工需有效采纳新技术。他警示称：“如果收益为零，乘以零的结果依然是零。”
此外，企业还需权衡成本结构：既要考虑购买 AI 服务和计算资源产生的直接成本，也要计入基础设施升级及员工培训相关的间接成本。
讨论数据显示，仅有 20% 的组织获取了 75% 的价值。这 20% 的成功者与其余 80% 的区别在于，他们能够通过 AI 重新设计业务流程。
个性化是关键因素，新兴的混合方法或许掌握了解决部分问题的钥匙。
最终，随着 AI 成本的不确定性增加，最成功的采用者将是那些能最高效地将投资转化为回报的企业，而非那些拥有最大预算或最广泛 AI 产品组合的公司。
