2026.09.22 | AC | Software | AI Apps (5): Enterprise Cost Control ≠ Peak

摘要

• AI落地的人才、FDE与企业部署瓶颈：当前大模型人才高度集中于Model Labs和头部创业公司，传统企业缺乏能够连接模型能力与实际业务流程的人才，以及Anthropic等厂商通过咨询公司和FDE体系推动企业落地的路径。
• 企业AI部署中的安全、合规与组织流程问题：B端客户在ROI之外对隐私、安全、VPC、私有化部署的关注，中美企业部署环境差异，以及Legal/Security/Compliance Review和内部审批流程对AI项目落地速度的影响。
• Cowork及下一阶段AI应用方向：Cowork与Coding在渗透速度和生产力释放上的差异、Human-in-the-loop的必要性，以及3D/Physical AI、医疗、AI药物研发等潜在高价值应用方向。

以下是专家观点：

Chris：调研显示现在在co-work场景上，大部分落地还是很单点任务，比如发票审核、运营类或偏财务类的任务，比较简单。企业已经开始控成本，整体IT预算没有再上升，AI支出已经达到较高比例，比如40%到50%，很难再往上走。所以已经开始在价格上竞争，在一些简单任务上会用更便宜的模型。在大家都开始控制支出、卷价格的前提下，该如何看待行业的下一步演进？

专家：首先需要思考，大家形成这种判断的原因是什么。这其实是导致大多数人得出截然不同逻辑的关键点。大部分企业会觉得，自己花了大量的钱，使用了Anthropic和OpenAI的模型，但效果并没有预期中那么突出，于是就想要降本。但实际上，这种思路是完全相反的。像这类偏咨询或IT服务公司，本身水平有限，服务的企业更是参差不齐。最终，很多企业只是做了Vibe code，比如找几个本科毕业的小朋友，去企业里开发一个简单、质量很差的聊天机器人。这些机器人被接入公司内网后，开发团队连写Harness的能力都没有，只能硬塞一个业务流进去，消耗的却是最贵的模型。企业发现，自己找的都是权威机构，花的钱也不少，但为什么没有看到生产力提升？于是就归因于模型不行，转而只关注谁能提供更便宜的模型。这套逻辑链其实很诡异。实际上，像OpenAI这样的头部模型厂商，甚至大部分一线模型厂商，根本没有关注这些企业。因为沟通成本高，业务壁垒强，每家企业的业务流又极其多样，难以标准化。在实际落地层面，基本是一线模型厂商带着一堆初创公司在快速推进，没有人真正关心这些企业的具体落地问题。见过很多类似的案例，很多本科计算机毕业的小朋友就敢去指导企业怎么做AI落地方案，只因为他们带着权威的名头。所以，省钱这件事要分几个维度来看。每个企业省钱有没有必要？当然有。因为上半年，所有企业都在盲目扩张、盲目投入AI，完全没有方法论。

可以把这个现象类比为20世纪电力革命后，第二次工业革命让人类进入电气时代。哪个国家电力消耗高，就被认为工业更发达。从宏观逻辑上看，这没错。但如果一个办公室里，有个人总是把所有电器都开着，耗电量是别人的两倍，这个人的生产力就一定更高吗？未必。所以，不能简单地认为先满足了耗电，生产力就自然提升。只有当电力被有效转化后，生产力和电力才存在相关性。不是说先烧电，生产力就一定会来。但上半年，大家的思路就是这样。人类有时候真的很奇怪，认为21世纪AI革命来了，Token就是生产力。于是每天什么都不做，只是在不断消耗Token，甚至设立Token比赛，谁烧得多谁就最厉害。结果一帮人开始作弊，让AI生成问题再让AI解答，24小时不停运转，一个月刷掉一百万美金，声称自己是公司最有生产力的人。这是上半年的问题。像Meta、Uber这样的企业把这种做法执行得极端，但其实所有企业都有类似问题。归根结底，整个工业界，无论是金融、制造业，甚至互联网公司，真正把AI用明白的企业其实很少。最终还是Model Labs和AI初创公司在自娱自乐。普及AI知识会非常难，因为技术进步太快，而普及速度和大家对普及的要求也很高，这两者之间存在巨大矛盾。人类发明电之后，花了很长时间才普及电力。现在发明了AI，普及AI也需要很长时间。从ChatGPT问世到现在也就三年，这三年里，大多数组织其实还没有真正学会用AI，但大家却莫名其妙得出了一个很诡异的结论。

Chris：其实大家还没有真正研究明白AI，但已经开始出现“这个东西没什么用”的观点。也就是说中间缺少了一个环节，即缺乏能够填补模型与实际应用落地之间鸿沟的专业人才？

专家：可以回想一下，过去认识的那些在认知里搞AI最厉害的人，他们在哪里？很少听说这些人在普通的SaaS公司、制造业公司或金融公司。如果有人说自己有大模型的一手经验，可能从2022年、2023年就开始做大模型了。如果他在中国的一线城市，比如北 京、上海、深圳，去腾讯工作，一年拿1000万也不为过。这样的人为什么会去制造业公司用AI？所以现在最大的问题是，全球范围内AI人才供给极度短缺。短缺到什么程度？高校教AI的人，可能自己也不一定懂AI。虽然顶级研究员分享时会说，很多AI的本质 其实就是微积分，但怎么把微积分的知识应用到几万张GPU集群上？如果有这样的know-how，现在大概率不会在高校待着。为什么要一年拿几十万人民币去教一帮学生？如果在Meta，一年基本上就是150万美金以上，这是很常见的数字。所以现在能真正懂 AI的人基本都被一线大厂或AI创业公司吸走了，或者自己创业去了。人才供给出现断层，下面的企业其实很挣扎。他们听说AI很厉害，但找来讲解的人也只是三流选手。更神奇的是，现在无论在中国还是美国，甚至找不到一本能把AI最新进展讲明白的书。因为现在 知识迭代太快，大家已经不再通过书籍，甚至不发论文，很多前沿实验经验直接发推特或Notion，写个文档就分享链接，因为这样更快，导致知识断代。大量企业其实用得着的业务模型，并不需要什么高端模型。但问题在于，如何把这些模型用起来？始终需要有人来 教，但能教的人又不愿意去做，现在就是这样的状态。

Chris：如果这样来看，人才都集中在OpenAI、Anthropic这样的Model Labs，他们又希望追求收入增长或ROI闭环，因为他们也一直在大量烧钱，不可能一直这样持续下去。那是不是他们也会有一个转向，分配更多精力去做这些事情？是不是会在人才最集中的地方，让他们更多地投入到实际应用？

专家：对于Anthropic来说，他们能做的事情其实并不多。前沿模型的竞争非常激烈，所以他们不会轻易派高薪工程师去服务一些传统企业，比如SAP或IBM，因为这在成本上很难划算。一个工程师的年薪可能高达三到五百万美金，因此他们会把资源集中在刀 刃上。商务拓展方面，他们通常会优先与麦肯锡、BCG、Accenture等咨询公司合作，目前Anthropic就是这样做的。记得他们和BCG成立了一个联合子公司，主要目的是快速培养一批工程师。这些工程师不需要了解大模型的底层原理，但必须掌握A nthropic的工具库以及如何在不同场景下为用户选择合适的工具。通过这种方式，大规模批量训练和培养FDE，让他们去解决实际问题。现阶段，这种方法是最理想的解决方案。实际上，现在很多企业对接服务，比如Harvey，采用的也是类似的逻辑。

Chris：就目前的情况来看，现在所谓的人才“断代”，预计什么时候会出现拐点？

专家：认为至少还需要三到四年。这个时间主要是供需关系平衡的问题。现阶段全球都知道AI行业非常赚钱，未来几年会像当年大家争相报土木专业一样，所有学生都会选择AI相关专业。只要他们打好基础知识，将来进入工作岗位后，类似Anthropic的公司再 进行培训，他们很快就能上手。现在很多新招的FDE其实都是以前做搜索或推广系统的，推荐系统的搜广推，他们虽然没有大模型的一手经验，但毕竟做过机器学习，所以对底层工具的使用、模型优化、基础设施遇到的问题都有一定的基础。将来大学毕业生能达到这个水 平就已经很不错了。大模型的很多工具和经验迁移性很强，等到人才供给上来，这个问题会缓解很多。

Chris：在B端企业客户部署模型时，除了成本和模型能力之外，他们最关注的是什么？是安全、风险、可控性，还是更倾向于私有化定制能力？现阶段企业在部署过程中最关心的是什么？

专家：企业最关心的是投资回报率（ROI）。很多企业现在处于鸡生蛋和蛋生鸡的阶段，因为看不到回报，所以不愿意投资。除了这个，最重要的还是安全和隐私。对于北美企业来说，这方面问题不大，因为大多数大云服务商如Hyperscaler都提供虚拟私有云（VPC），能很好地保障安全。例如Google或AWS可以确保集群物理上稳定运行，但集群权限Google自己没有。企业可以对私有集群加密，即使Google人员需要修复软件问题，也必须获得授权密钥才能进入，且进入后会收到邮件提醒和警报。这是一种比较安全的方式，商业上也有成熟解决方案。美国企业数字化上云已经做了十几年。但中美国情不同，中国企业很多情况下完全不可行。老板认为只有算力跑到自己的工厂或医院里才放心，整体缺乏信任，这是最大的问题。比如国内医疗或智能制造场景，老板硬性要求算力必须在本地，工业级GPU如B200、B300无法使用，因为没有制冷条件，只能用游戏级GPU如5080、5090。这就是中美之间的巨大差异。对于隐私要求强的场景，中国企业基本上难以实现，只有需求不那么强的公司，比如做To C的APP、推荐系统、短视频，这些场景是可行的。目标客户如果本身是科技公司，了解VPC和权限设置，那大家还是能达成共识。

目前大家还在同一个语言系统里，但很多传统行业基本上没有太多可操作性。在美国，AI的落地在技术层面基本没有大的问题，更多的挑战在于合规。美国的大型企业，尤其是历史越久、规模越大的企业，合规要求越多。AI落地最大的难点在于，即使解决方案让客户非常满意，内部团队也希望尽快上线，但在签合同阶段，法律部门就会介入，审查模型输入输出是否存在风险词汇，是否符合法律规范，模型最终部署到厂商集群时，是否正确去除了所有身份信息等。整个流程会有Legal Review、Security Review、Compliance Review，甚至还有人权Review，每个环节都可能持续三个月，一年下来项目还未落地。实际上，大模型普及到现在也不过三年，很多时候为了签一个合同，金额可能只有50万美元，却要花上一年时间。这也是为什么美国大厂在AI落地上进展缓慢的主要原因。

Chris：怎么看AI在3D或者类似工业设计领域的应用前景？比如在硅谷，3D validator公司很火，从而进一步涉及到游戏和Physical AI等领域。

专家：3D领域其实可以看作是coding的泛化。3D的底层基本都是一套物理引擎，比如Unity，做游戏的逻辑也是一样。3D场景之所以容易实现，是因为可以通过模拟来验证。例如，在生成式AI出现之前，Waymo、特斯拉等公司都有自己的simul ation团队，专门搭建类似游戏的软件，在虚拟环境中测试算法。只有确保车辆在虚拟世界中连续运行三天都不会出问题，才会装到真实车辆上路。验证容易，正是因为物理引擎可以高度模拟现实。类似地，Co-work场景也容易落地，比如用Excel填表，计 算平均数、中位数、方差等，这些结果都很容易验证。

Chris：Co-work场景中很多环节还是需要human-in-the-loop，AI很难完全独立完成？

专家：确实如此。其实只要保持一个开放的反馈机制就可以了。比如整理公司的财务数据，假设是一个Agentic Loop，中间的数据都可以自动计算，但最后一步需要有责任人签字。这一步可以通过问答形式实现，或者与DocuSign等软件集成，最后一步由人工签字。中间能自动化的部分尽量自动化，最后关键环节还是需要人工把关。

Chris：如果看Co-work场景，未来一到两年内，展望其增长曲线或斜率能否达到类似coding场景的轨迹？

专家：绝不可能。Co-work虽然是一个更大的市场，但它的adoption curve一定会非常缓慢。Anthropic明年（2027年）大概率会拓展其他方向。Coding会继续推进，但不会再依赖垂直行业来支撑增长。Co-work是一个非常靠谱的方向，但它不像coding那样能让人直观感受到生产力的巨大提升。以coding为例，过去在大厂，一个毕业生一天能在GitHub上产出三个PR已经很不错了，现在常规情况下可以做到12到15个PR，效率提升至少五倍，顶尖的人甚至能做到30到40个PR。生产力的提升在数据上非常直观。现在写代码也变得非常容易，过去需要开三个月的会确保方向一致，现在只要大致方向对得上就可以开始写，后续有不一致也可以通过AI调整，只需在下游做好测试即可，生产力的释放是非常明显的。但Co-work场景下，很多白领工作压力大，并不是因为写PPT不够快。以Google和微软为例，AI让写代码的速度提升了五倍，但代码的审核还是需要人工完成，审批流程并没有因为生产力提升而同步优化。很多时候，开发者很快写完代码后，还要到处催各部门负责人审批。类似地，财务人员原来需要三小时整理报表，现在十分钟就能完成，但签字环节依然受限于领导的时间安排，最终完成时间并没有本质变化。因此，瓶颈并不在于生产力，而在于组织关系。即使Co-work产品非常成熟，在企业组织结构不变的前提下，生产力未必能实现三到五倍的提升。

Chris：在垂直行业，比如法律、医疗、金融等场景，比如Anthropic等Model Labs会不会做类似Harvey那样的事情？还是会有其他方向？

专家：目前法律领域的整体体量还不算大，Anthropic可能并不看重这块，但在医疗领域确实有兴趣。不过他们的切入点并不是与OpenEvidence、DocuSign等企业正面竞争，而是更关注人类对AGI的畅想，比如与Stanford医学院、 Mayo医学院等合作开展医疗研究，很可能会做AI驱动的药物研发。实际上，Anthropic最近已经与做临床实验的公司签约，涉及药物研发前期的独立性实验和后期大规模临床实验，包括招募病人、购买保险、跟踪用药和临床反应等。这类外包公司现在已经与 Anthropic合作，说明他们大概率会做AI驱动的药物研发。如果能像Moderna一样开发出癌症疫苗，估值达到一万亿甚至两万亿都是有可能的。AI不能用传统工业界的逻辑去衡量，比如用ROI、客户DAU、MAU等指标来评估并不合适。做AI要赌 的就是，只要逻辑成立，哪怕三年没有突破，第四年可能就会有重大进展。