AI投资变成“糊涂账”：七成企业看不清成本黑洞

张明坐在办公室里，对着一份季度财务报告发愁。他是某中型科技公司的CFO，最近被一件事困扰着：公司的AI相关支出，每个月都在增长，但具体花在了哪里，哪些投入真正产生了价值，他始终理不清。

“算力费、API调用费、数据标注费、模型训练费……光是看账单就几十页，对不上账是常态。”张明苦笑，“我们投了AI，但AI到底花了我们多少钱，说实话我们自己也不确定。”

这并非个例。毕马威（KPMG）2026年发布的最新调查显示，全球范围内仅有26%的企业表示对自身的AI成本拥有完整的可见性，这意味着近四分之三的公司和张明一样，在AI投入这件事上基本处于“盲开”状态。

这个数字让我想起自己去年参加的一场行业闭门会。当时一位制造业CIO抱怨，他们上马AI质检系统后，电费单据突然多了几十万。一开始以为是财务出错，查了半天才发现是GPU集群跑模型的电费——模型越大、调用越频繁，电费涨得越凶。“我们这才意识到，AI的成本不只是买几台服务器那么简单。”

成本迷雾：AI账单为什么越来越难看懂

AI成本之所以难以捉摸，首先在于它的构成远比传统IT支出复杂。

算力成本是最大的变量。大模型的训练和推理需要海量GPU算力支撑，而GPU租赁市场的价格波动剧烈。以英伟达H100为例，2024年初的租赁价格约为每小时2美元，到2025年年中已降至1.2美元左右，但进入2026年，随着新一代芯片供应趋紧，价格又出现小幅回升。企业很难预测和控制这部分成本。

API调用费用是另一个“黑洞”。当企业调用GPT-4、Claude等第三方大模型API时，费用按token计费。听起来简单，但一旦接入的AI服务超过十个，每个服务的计费模型、优惠策略都不同，月末账单往往让人一头雾水。更麻烦的是，内部开发团队可能绕过统一采购，直接调用API——这种事在我采访过的科技公司中至少发生过三次。

隐性成本更是难以量化。数据准备（清洗、标注、存储）、模型微调、AI团队的薪酬溢价、系统运维人员的培训成本……这些支出分散在不同的预算科目里，很少被归类到“AI成本”一项下统一核算。

根据IDC的研究，到2026年底，全球企业在AI基础设施上的投入预计将超过3000亿美元。但麦肯锡的一份报告指出，仅有不到15%的AI项目能够实现预期的投资回报率。投入越来越大，回报却越来越看不清——这种不对称正在让越来越多的企业决策者感到焦虑。

盲开的后果：预算失控与战略失焦

“看不见的成本，必然导致看不见的风险。”

我接触过不少这样的案例：某零售企业为了追赶AI热潮，在没有充分评估的情况下上马了智能客服系统。结果运行三个月后发现，模型幻觉导致的错误回答率高达12%，客诉量不降反升。团队不得不紧急召回人工客服兜底，AI项目的试错成本最终比预算超出了40%。

预算失控是最直接的后果。当企业无法准确追踪AI支出去向时，超支就变成了大概率事件。德勤的一项调研显示，在AI项目中，成本超支30%以上的企业占比达到了惊人的58%。这不仅影响单个项目的盈亏，更会拖累整个企业的财务健康。

更深层的问题在于战略失焦。当管理层无法看清AI的真实投入产出比时，制定AI战略就变成了空中楼阁。我见过有些企业盲目追求“大模型战略”，投入巨资训练自己的基座模型，结果训练到一半发现钱不够了，项目烂尾。也有些企业因为看不清哪个业务场景的AI价值更高，把资源撒胡椒面一样分配，最终哪个都没做成。

更危险的是，这种盲目可能形成恶性循环。当AI投入变成一笔糊涂账时，财务部门倾向于削减预算，技术部门为了保护项目则开始报喜不报忧，信息失真越积越深，企业对AI的真实判断力也在一步步丧失。

破局之道：从“盲开”到“精算”

值得欣慰的是，行业正在觉醒。

越来越多的企业开始意识到，AI成本治理已经不是选择题，而是生存题。在资本效率被前所未有地强调的当下，花钱可以，但必须知道钱花在了哪里、花得值不值。

我认为，破解成本迷雾需要三步走：

第一步，建立统一的成本核算框架。这意味着企业需要把散落在各处的AI支出归集到一个总账下，包括算力、API、数据、人力等所有相关成本，并建立清晰的归属和分摊机制。一些先行企业已经开始采用FinOps（云计算财务管理）的方法论，将其延伸到AI成本管理上。

第二步，引入实时监控和归因分析工具。就像传统企业有ERP系统追踪每一笔支出一样，AI时代也需要类似的工具。AWS、Azure、Google Cloud都在推出各自的AI成本分析面板，而像Cast AI、Spot.io这样的第三方工具也在兴起。但坦白说，目前市面上的工具成熟度还不够，企业往往需要定制化开发。

第三步，建立AI项目的ROI评估标准。不是每个AI项目都能立竿见影地带来收益，但至少应该有一套方法来评估其长期价值。我建议企业从业务指标（效率提升、错误率下降）、财务指标（成本节约、收入增长）和战略指标（能力积累、竞争优势）三个维度来综合评估，避免单一指标带来的误判。

说实话，这三步做起来并不容易。它需要技术、财务和业务的深度协同，需要管理层真正重视AI的成本治理，需要投入资源去建设系统和方法论。但我判断，未来一到两年，AI成本可见性将从“加分项”变成“必选项”——就像十年前企业必须搞清楚自己的云计算账单一样。

写在最后

回到文章开头张明的故事。上周我再联系他时，他说公司终于下定决心组建了一个“AI成本治理小组”，由他牵头，技术VP和业务负责人参与。他说的一句话让我印象深刻：“AI是很贵，但如果我们连贵在哪里都不知道，那怎么知道该在哪里省钱、在哪里加码？”

这或许就是AI成本治理的本质：它不是限制AI投入，而是让每一分钱花得更明白。

当行业从狂热追逐转向理性计算，当企业从“盲开”走向“精算”，AI或许才能真正从一项昂贵的实验，变成一门可持续的生意。而那些率先看清成本的企业，将在接下来的竞争中占据先机。