企业 AI 经济学：如何扩展智能而不扩展成本

企业 AI 已进入新阶段。第一阶段关乎采用：公司买聊天机器人、上线 copilots、分发许可，并鼓励员工试验。下一阶段关乎经济学。

在 McKinsey 最近的一项调查中，93% 的组织报告 AI 预算超支，而随着公司扩大部署，支出增加了近四倍。Walmart 已为内部 AI agent 引入固定 token 额度。Atlassian 现在给部分员工按月发放 AI wallet（AI 钱包）。公司在问一个不同的问题：它们负担得起多少智能？

本能反应是施加预算、告警与模型限制。但公司无法靠「节流」走向 AI 转型。如果企业 AI 的经济学取决于人们少用它，那架构就是错的。

Coinbase CEO Brian Armstrong 最近描述了另一种做法：用更好的默认值、model routing（模型路由）与 caching（缓存），即便 token 用量指数增长，也让支出相对持平。企业需要的不是更少智能，而是更聪明地架构智能。

AI-Native 企业 vs. 其他所有人

多数公司关注模型或 token 的价格。但最便宜的模型并不总是最经济的。一个低成本模型若产生错误、需要反复提示与人工复核，可能比正确完成任务的高端模型更贵。反过来，用最强模型做例行分类，就像用超级计算机当计算器。

更有用的指标是 cost per successful outcome（每次成功结果的成本）：解决一个客户案例、审阅一份合同，或识别需要随访的患者。

这把问题从「我们用了多少 AI？」转向「AI 完成了多少有价值的工作？」这也是部署聊天机器人与构建 AI-native 企业之间的差别。创造持久价值，需要一套跨四个相连层的新架构，每一层角色不同。

第 1 层. 数据：连接公司所知

大公司在 SAP、Salesforce、Workday、Microsoft 365 等系统中持有海量信息。AI 需要一个共享基础（例如 data lake 或 lakehouse），连接这些信息，并揭示客户、交易、运营与决策之间的关系。

它也可以调用经授权的外部或实时来源，并通过识别新模式与相关性创建可复用洞察。但广泛访问并不意味着每项任务都用上一切。无关信息会抬高成本并可能降低可靠性，因此 AI 应只检索最相关、最可信的上下文。

例如，Morgan Stanley 的内部助手可搜索约 10 万份文档，但该公司持续精炼如何为每位顾问的问题浮现正确知识。

AI 需要对「公司所知」有广阔视野，但对手头任务只需聚焦信息。

第 2 层. 上下文：理解公司如何运作

数据捕获发生了什么。它很少解释工作如何完成：案例如何在团队间流转、审批发生在何处，或例外如何处理。

这种运营上下文，是许多 AI 策略中缺失的一层。

Skan AI——Cathay Inno 投资组合中的一个例子——正在构建它所谓的 Context Graph of Work（工作上下文图）：一份持续演化、机器可读的记录，描述工作如何在人员、系统、决策与例外之间发生。

Skan 不依赖文档或静态流程图，而是观察跨应用的工作流。它捕获决定实践中工作如何完成的变体与判断调用。

企业可以用这种理解来识别 AI 机会，把工作流翻译成 agent-ready 流程，并在有人监督与可审计性的前提下部署 agent。AI 不是从零开始，而是作用于一份持续更新的业务模型。

数据告诉 AI 公司知道什么。上下文告诉 AI 公司如何运作。

第 3 层. 推理：让智能匹配任务

企业没有理由把每项负载都标准化到单一模型上。不同任务需要智能、速度、隐私、可靠性与成本的不同组合。

复杂编码、战略或高风险临床推理，可能值得用前沿模型。分类、摘要与抽取，往往可以跑在更小、专用或 open-weight 模型上。CI 投资支持的 Moonshot AI 推出的 Kimi K3 显示格局变化有多快：open-weight 模型现在可以与领先专有系统竞争，给企业更大灵活性去平衡能力与成本。

Harvey 最近用 Tenet——其与 Fireworks 共同开发的、基于 Kimi K3 的模型——展示了这种灵活性。Tenet 在几乎持平的每任务成本下，完成了比基座模型近两倍的 held-out（留出）法律任务。

正确架构从经济的默认值开始，仅在复杂性或风险需要时再升级。缓存请求、复用上下文、评估新模型，可进一步改善每美元性能。

目标不是到处部署最聪明的模型，而是在正确时刻部署适量智能。

第 4 层. 执行：把智能接到行动上

仅有推理创造的价值有限。经济价值出现在 AI 成为工作流一部分、并帮助完成真实工作之时。

再看我们的 Inno III 公司，Qualified Health 在医疗领域提供了绝佳例子。其平台用 Claude 分析临床数据、识别推荐护理中的缺口，并在临床医生工作流中浮现相关患者。在 University of Texas Medical Branch，它帮助识别可能否则未被发现的心衰患者。临床医生决定干预；AI 执行人类无法以相同规模持续进行的分析。

这一模型跨行业适用：

• 合规团队可以调查优先例外，而不是每笔交易
• 律师可以聚焦被标记为风险的条款
• 客服可以带着完整案例史开始
• 投资团队可以评估从数千份文档综合而来的机会，而不是审阅每一个来源

价值不来自生成一个答案。它来自弥合「知道」与「去做」之间的鸿沟。

推理创造潜在价值。执行捕获价值。

人类判断变得更有价值

可经济扩展的架构，不会不分青红皂白地移除人，也不要求审阅每一个例行步骤。AI 可以处理可预测工作，同时把模糊与高风险决策升级给人。

平衡因工作流而异。临床医生仍对患者护理负责。合规官决定某一告警是否需要行动。在较低风险流程中，人可能仅在系统识别出不确定性时介入。

AI 把人类判断集中在它创造最多价值的地方。

从 AI 采用到架构

第一代企业 AI 把聊天机器人放在每位员工面前。下一代将把智能放进每一个重要工作流。

企业数据
↓
运营上下文
↓
适合任务的正确模型
↓
AI 执行
↓
人类判断

实施这一架构，不像安装传统软件。软件通常接入技术栈、配置并运行。AI 伸入业务栈：任务如何执行、决策如何做出、人如何与机器共事。

第一天不会一切最优。公司必须观察工作流、自动化可预测步骤、保留人类判断，并持续精炼流程。随时间推移，AI 也可能提出——并最终实施——新的工作方式，尽管那种自主的节奏与程度仍不确定。

持久优势将属于那些让人与机器共同改善结果的公司。这就是部署 AI 工具与构建 AI-native 企业之间的差别。