Deep|LLM：企业AI应用研究（第二卷）——增长持续流入生产工作流；ROI实现受"节省工时阈值"制约

FUNDA，FundaAI 提供 AI 投资操作系统，包含 AI Agent、研究报告等。关注

比较两轮的结论，以及本轮的新情况

本轮涵盖7个企业样本加上1个跨客户企业AI转型顾问，使两轮总共19个企业样本和2个顾问。两轮问题相同，但公司完全不同，相隔约一周，因此两轮差异反映了样本组成，不构成时间序列。

因此我们将通读分为三部分：第二组样本独立证实的结论，第一轮未出现的机制和约束，以及应归因于样本类型。

答：结论由第二组样本独立证实

1. AI支出仍在增长，内部样本已经出现分歧。两轮公司同时扩张和收紧。第二轮则进一步拉开两端差距：大型欧洲保险公司A计划到2027年3月实现当前消费的4–5倍，而大型东南亚制造公司A可能在未来六个月内将配额预算削减一半。

两轮的分界线相同，即AI支出是否与特定生产用例挂钩：持续增加的和仍持有人均配额的开始被削减。

2. 增长正从席位和订阅转向API、代币和生产工作流程。这是两轮中最有力的结论，从两组不重叠的公司中得到一致的证明：第一轮中，美国大型电信运营商A的订阅/API比例从50/50提升到40/60;本轮跨客户顾问认为比例从一年前的约90%/10提升到如今的约50%/50%，而大型欧洲保险公司A的业务应用支出约占消费的70%。

3. 预算池正从中央IT转移到业务单元，业务单元开始承担成本和结果。第一轮的美国大型电信运营商A、大型医疗设备公司A和大型欧洲汽车制造商A，以及本轮的大型欧洲保险公司A、大型加拿大消费品公司A和大型东南亚零售公司A，是描述同一机制的不同公司。

4. 拥有许可与实际创造商业价值之间存在数量级的差距，使用深度主要集中在工程岗位和少数重度用户群体。这一趋势在两轮中均成立。

这一轮将差距推向更极端的程度：英国公共部门组织A的Copilot覆盖率接近100%，月活跃率为80%–85%，而大型欧洲保险公司A已向所有员工开放Copilot，估计不到2%–3%的员工从中获得明显的商业价值。

5. 企业普遍采用预算管理而非代币最大化;津贴不是硬性上限，高价值项目和重度用户可以申请更多。第一轮12个企业样本中，只有1个倾向于Tokenmaxxing;本轮7个样本均运行预算，形式涵盖项目批准、个人津贴及基于消费的退款。

6. 最新的前沿模型并未大幅提升预算;它们的主要作用是提高了现有用例的准确性和复杂度上限。两轮都一致。本轮的额外证据是，一家大型欧洲保险公司的质量保证声明A：更换模型使相同数据和背景下准确率提升了约15个百分点，但实际用例仍是最初的试点。

7. 每项任务成本下降与AI总支出增加可能同时发生，节省的部分被增量使用和新用例重新吸收。两轮都达成一致。本轮跨客户顾问将分成比例约为50/50，而第一轮美国大型电信运营商A在人工智能上的再投资比例为60%至70%;方向相同，幅度取决于公司在采用周期中处于的阶段。

B. 第一轮未出现的机制和约束

1. 节省的小时数带有阈值效应。大型欧洲制药专业服务公司A指出，节省的5%–10%零散工时并不会降低项目成本，因为这段时间不足以让员工承担另一项工作;只有当某类工作投入减少约30%或更多时，才能重新分配释放的产能。

第一轮讨论了投资回报率（ROI）的高水平;这一点解释了为何投资回报率难以实现。

2. 部分效率提升被客户捕获。同一公司的客户已开始要求项目降价10%至20%，而公司估计实际只能支持约5%。第一轮将节省的目标定位为两个内部渠道：再投资或直接成本降低;这一轮新增第三个外部出口。

3. 开源模型的切换阈值首次被量化。成本必须降低大约4倍，重测和工作流程重做才值得;如果自建推理集群的GPU利用率低于约80%，自主机的成本优势基本消失;而超大规模主机托管仅能消除约20%的采购顾虑。

第一轮提供了方向性的TCO视图，但没有直接可用的决策门槛。

4. 明确采购决策的依据。这位跨客户顾问的解读是，管理层现在更看重供应商声誉和风险，而非模型能力，且他合作的50到60家大型企业中没有一家正式部署开源模式。

第一轮将开源阻碍归因于基础设施和合规流程;这一点指向采购逻辑本身。

5. 资金来源中出现了明确的替代证据。在被告知要保持总预算不变后，美国大型制药公司A开始评估对ServiceNow、Salesforce及其部分本地数据平台开支的削减;这位跨客户顾问还发现，领先的企业已有约40%的IT预算被转向人工智能，导致中央IT进一步扩展的空间有限。

第一轮仅涉及业务单元为人工智能提供资金，未明确削减哪些部分。

6. 投资回报率开始逆向限制资源配置。增量津贴必须与具体项目挂钩;无法明确表达预期收益的业务单元不会获得增量预算，大型美国制药公司A的CEO和CFO也利用此机会维持总预算持平。

第一轮投资回报率仍大多是追溯性的。

C. 各轮的观察结果不同，但应归因于样本类型

1. 开源在生产中的渗透。在第一轮中，9个可量化样本中有5个已运行开源模型，呼叫份额约为40%;本轮7个企业样本中，只有大型欧洲制药专业服务公司A大规模运行。

两组样本组成差异很大：第一轮偏向电信、电商、汽车和IT咨询，均为技术自给自足的公司;而这一轮则偏向保险、制药、公共部门、零售和制造业，均受严格监管且以采购为驱动。

综合来看，这两轮表明开源模型的渗透界限目前仍位于技术能力强的公司内部，受监管企业尚未通过采购和风险审批;将此解读为渗透率下降是误解。

2. 采用统一路由器。第一轮样本中已有路由器;本轮明确回答问题的4个样本中没有一个部署了路由器。这同样是公司类型的差异。综合来看，路由器主要是技术能力强的公司所做，而大多数企业仍通过培训、手动选择和工作流程评估来分层。

3. 量化成本优化余裕的程度。第一轮得出的硬数据如20%–30%和8%–12%;这一轮，大多数专家无法给出总体估算。这更像是受访公司是否建立了成本模型的差异。

本轮优化发生在工作流程内部，且余裕并未消失。

本轮新增模块

组织和工作流程变革（现在是一个独立的部分）。第一轮仅在各个部分零散地涉及此事。本轮首次横跨两轮全部19个企业样本，涵盖工具推出与员工适应的速度差距、非编码工作流程重设计进展、组织与问责边界变化的顺序，以及当今实际约束的环节。

两轮AI支出展望六个月（附录1）。将两轮样本的六个月支出预期放在一张图表上进行比较。

投资回报率（ROI）测量方法（附录2）。根据专家披露的测量方法将全部21个样本分为三组，并总结主要价值来源。分类仅反映测量方法，未提及回报水平。

正文新增的问题维度包括开源模型的切换成本门槛、自托管的经济性、企业是否实际部署了统一路由器、节省的工时是否转化为可重新分配的容量，以及客户是否开始要求AI驱动的价格降低。

1. 预算增长与展望

本轮我们采访了7个企业样本和1个跨客户企业AI转型顾问。下表总结了每个样本的AI支出轨迹和预算预期。

企业AI的投入总体仍在增长，但本轮样本比第一轮更分散

本轮样本间增长预期差异较大，且分散比第一轮更为明显。

一些企业仍在快速扩张，增长主要来自更多用例进入生产环境，以及使用范围从开发团队扩展到业务用户。
过去3至6个月，大型欧洲保险公司A的代理AI和业务用例支出几乎翻倍，集团层面支出现已超过每月25万美元，其中约70%用于API/消费。随着2026年开发的项目上线，专家预计到2027年3月消费量将达到当前水平的4至5倍，甚至可能更多;约70%的新项目目标是成本优化和30%的收入增长。

“现在几乎是两倍，几乎翻倍，我预计2027年会有更高的倍数，因为我们有很多用例正在开发中，2026年......到2027年3月，我们的使用量至少会是当前的四到五倍，甚至更多......一旦进入生产，商业用户开始使用，它将会爆炸式增长。”

这家总部位于新加坡的企业人工智能转型顾问（跨客户）表示，他所服务的企业和政府客户的人工智能预算在过去12个月内大约翻了一番，预计到2027年7月还会翻一番，之后将放缓至约20%-30%。过去一年的增长主要来自更多员工获得了付费的人工智能工具访问权限;现有用户的使用量并未显著增长。随着单个人工智能工具在大型企业陆续推广，增量支出将更多依赖于代理人工智能和业务工作流程的部署。

“所以我会说，在过去大约12个月里，预算翻了一番......明年七月前还会翻倍。是的，之后，可能再过一年，预算会放缓到大约20%到30%左右。”“现有用户的使用率也没那么高。新用户......是在过去12个月才加入的。”

其他企业仍在增加AI支出，但根据明确的用例和试点进展逐步发布预算。
东南亚大型零售公司A目前每月在其AI平台的支出约为4万美元至5万美元，不包括员工使用的Gemini Enterprise和OpenAI等生产力工具。将1月支出指数化为100美元，7月约为120美元，12月预计约为140美元;公司通过优化上下文和代币，将月度增长控制在3%至4%之间。2027年平台总成本预计增长约20%，若年内发现更多可部署用例，最高可达约30%。

“它的增长率每月不超过3%到4%，因为我们也在努力优化我们的上下文和代币。”“我们预计人工智能、API、整体数据处理及其他方面至少会增长20%......这20%的增长可能会根据年度用例识别而跳升至30%。”

加拿大大型消费品公司A的销售和市场AI预算从每年25万美元增至35万美元，增长了~40%。原有的25万美元用于5个已运行的人工智能解决方案，新增的10万美元将在未来六个月内分配给两个试点项目。公司计划在试点项目成功后扩大使用范围，将覆盖范围从目前约100人提升至2027年6月的150人;其计划在2027/28财年申请的总预算为~60万美元，其中~40万美元用于已上线的解决方案，~20万美元用于4个新试点。

“我刚刚解锁了这10万。我的预算是25万，现在变成了35万......我现有的十万，起初只有少数员工，因为这是试点项目。六个月内最多只有10个人能使用这两种AI解决方案。”“到2027年6月，我的目标是拥有150名用户......本财年为350名。明年我会要求......大约60万左右。”

部分企业的AI订阅支出今年剩余时间开始趋于平稳，而API支出和新解决方案开发预算则持续增长。部分企业的API支出也较年初有所下降。
在大型欧洲制药专业服务公司A约6,000至7,000人的服务交付团队中，编码代理的月度支出从2025年12月的~1,000美元或更少，增长到专家所称的~1.8万美元。未来六个月，现有的Copilot和Coding Agent预算预计将大致持平，代币使用增加被更便宜的模型和更低的任务成本所抵消;团队2027年的AI与自动化开发预算预计将达到2026年的2.5至3倍，主要用于新项目开发。

“假设12月的支出可能是1000，甚至更少，但后来呈指数增长，最终达到大约18000美元。”“我们不指望增加预算。我们预计人们会使用更多代币，但会使用更便宜的型号......明年2027年相比2026年，预算可能会增加大约2.5到3倍。但主要用于开发新解决方案。”

英国大型公共部门组织A是少数代币支出年初至今下降的样本之一。该公司重新设计了首款AI产品，减少了对Gemini的呼叫，因此信贷消费略有下降，代币支出现为每月约1万英镑。然而，随着更多产品进入开发阶段和试点范围扩大，专家预计未来六个月代币支出将大致翻倍。Microsoft Copilot的许可费为每年约150万英镑，预计未来六个月基本保持不变。代币增长主要来自AI产品开发和试点扩展：试点项目可能从10-20名员工开始，随后推广至约600人的业务单元。

“我们推出的第一款产品用的是Gemini。后来我们重新设计了产品架构，减少了模型消耗，所以我们的信用点实际上有所下降。”“我们的许可证......那不会消失。那可以维持现状。未来六个月，我看到我们的代币使用量会翻一番......很多会用于研发或开发，因为我们会先试点一些东西，然后再大规模扩展。”“当试点项目，比如说，我们可能只有10人或20名员工，那个单位里可能有600人，600名员工，我们会推广到他们。”

一些企业已开始收紧预算，要求增量性人工智能支出通过其他成本削减或更明确的投资回报率来支持;预计人工智能支出将在下半年停滞。
美国大型制药公司A的AI总支出在过去六个月内增长了~225%，代币使用量仍有可能再增长~30%。首席执行官和首席财务官要求整体预算保持不变，AI项目应显示更清晰的投资回报率和直接的成本节约，因此专家预计AI支出将持平至略有下降。

“涨了225%。”“实际上可能会稍微缩水，因为我的CEO和CFO要求更好的投资回报率指标和直接削减预算，原因是AI......代币可能会上涨30%。”“首席财务官和CEO施加压力，要求保持整体预算持平，这意味着组织其他部门不得不稍微削减一些人力开支。”

自2026年第二季度起，一家大型东南亚制造公司的本地研发子公司为约500名员工设定了每人每月400美元的企业AI津贴，相当于名义上的信用上限~20万美元/月。由于大多数员工未使用全部津贴，且非工程职能尚未显示明显的生产力提升，专家预计未来六个月整体津贴预算将降至当前水平的一半左右;津贴将集中用于从事人工智能项目、代理和工作流程的工程师，非工程岗位则减少。

“六个月后？大概是一半，因为当我们意识到很多人没有充分利用它，更多AI也没有带来大量生产力时，我认为高层管理会看到这一点。”“非工程师的资源会减少，而积极参与AI使用的工程师则能获得更多机会，创造更高的生产力。”

AI预算持续从中央IT扩展到业务单元，增量预算开始取代部分现有IT和人员支出

欧洲大型保险公司A约80%的人工智能预算由业务单元针对特定用例申请和资助，中央预算仅覆盖约20%。资金可能来自增量预算，或通过推迟现有IT项目来释放。大型加拿大消费品公司A也共同资助中央IT与业务单元共同投资人工智能，目前业务部门约80%负责IT和20%业务;公司计划在未来三年内将AI在IT预算中的比例从~3%–4%提升至15%，部分增量来自削减或整合其他IT项目和软件许可。

“对于每个应用场景，我们都需要从企业那里获得资金......80%就是这样。20%是我们中央资助的。”

这家总部位于新加坡的企业人工智能转型顾问（跨客户）指出，一些领先企业已将多达40%的IT预算转向AI，导致中央IT的进一步扩展空间有限。增量预算预计将越来越多地来自销售、市场营销、客户服务及其他业务职能的项目预算，以及通过减少人力、市场技术和Salesforce支出释放的资金。美国大型制药公司A也经历类似转变：AI支出此前主要来自增量预算，但在CEO和首席财务官要求整体预算保持不变后，公司开始评估ServiceNow、Salesforce及部分本地数据平台支出的削减。

“技术人员的IT预算被冻结了......所有资金都将来自基于项目的资本支出，基本上是业务部门负责人去找CEO要求具体预算，或者通过成本节约来资助。”

与第一轮一样，员工订阅正在到期，增量支出不断转向API、代币和生产工作流程

这家总部位于新加坡的企业人工智能转型顾问（跨客户）认为，企业人工智能软件预算中订阅、API和代币的比例比例从一年前约90%/10%上升到如今的约50%/50%。大型欧洲保险公司A的业务应用支出已经以API为主导，目前约70%基于消费，30%为固定费用;随着开发项目进入生产阶段，专家预计API调用将成为主要的收入来源。

“一年前，90%订阅，10%API和代币。今年，整个蛋糕规模扩大了，大约50%订阅，50%代币。”

加拿大大型消费品公司A中，约70%的相关支出是订阅费，30%是API。公司最初主要购买现成的SaaS产品，但一旦确认部分解决方案将持续使用，便开始将其与内部销售和市场数据连接起来;这位专家认为API集成在业务成果和成本方面都更好，尽管数据安全和数据所有权审批通常需要大约六个月。

“我们主要推动订阅和云端......但现在我们明白，从业务和成本角度来看，我们更应该专注于API和集成。”

英国大型公共部门组织A已向约3000名员工提供Copilot许可证，年成本约为150万英镑，预计未来六个月基本保持不变;目前代币支出为每月约1万英镑，但随着项目从10–20人试点扩展到数百名企业用户，专家预计未来六个月代币支出将大致翻倍。大型东南亚零售公司A同样预计API支出份额将持续上升;在其已部署的项目中，模型从开发测试进入生产后的成本通常比开发阶段高出~40%–50%。

付费AI工具的覆盖率持续上升，但活跃使用和实际业务价值仍存在很大差异

大型欧洲保险公司A已向所有员工开放Copilot，但真正通过人工智能创造明确商业价值的不到2%至3%，主要集中在编码领域，且已有少数商业应用上线;其余大多数仍使用Copilot来回复邮件和文档摘要。

“Copilot对所有人都已上线......目前实际从中获得商业价值的比例不到2%到3%。这些人大多数都在技术端，因为他们会用它来编程。”

东南亚大型零售公司A中，约30%–40%的白领员工可以使用企业级AI工具，如Gemini Enterprise和Claude，其中约60%–70%为每周活跃用户。初期采用率仅为~15%–20%;经过持续培训，部分市场营销、运营和供应链工具的使用率达到90%–95%，表明培训和明确的角色级用例仍是推动采纳的关键因素。

“最初，我们的采用率只有15%到20%......部分功能在某些工具中已经达到了90%到95%的水平。”

英国大型公共部门组织A的副驾驶覆盖率已达到100%，月活跃使用率约为80%–85%，每位活跃用户每天约有4个提示，尽管主要用例仍是聊天、会议摘要和报告初稿。一家大型东南亚制造公司A的本地研发子公司也为约500名员工分配了企业级AI积分，但实际申请更高津贴的不到10%;未来预算将转向从事代理和工作流开发的工程师。

2. 开源模型的使用

本轮样本中开源在生产中的渗透率低于第一轮，且在任何规模上只有一家企业使用开源

在本轮7个企业样本和1个跨客户顾问中，只有一家大型欧洲制药专业服务公司A的专家表示开放权重模型在某些生产工作流程中有意义的使用。其编码代理工作约有10%–20%运行在开放权重模型上;在任务更稳定且可反复测试的代理工作流中，开权重份额已达到~30%–40%。

“对于编码代理......大概在80%到90%的闭合模型之间......对于代理工作流程......大约30%–40%的开权模型和60%–70%的闭合模型。”

如今的开源模型主要用于简单、高频、重复性任务。公司在Kimi、GLM、DeepSeek及其他模型上运行相同的测试集，并选择满足输出要求的最便宜模型;复杂推理、大上下文工作和多代理协作仍在封闭前沿模型上运行。

专家估计，在某些高频重复任务中，开放权重模型可以以大约低3–4倍的成本，甚至在某些情况下达到10倍，从而实现相同的输出。然而，由于切换模型还需要重新测试和调整工作流程，公司通常不会为了仅获得约2倍的成本优势而迁移;大约需要4倍的成本来覆盖切换成本和风险。“对于这种大量重复性任务......至少要便宜三到四倍，成本可低十倍......要考虑价格差别至少要达到四倍或更高......从封闭模型中转变。”

这些开放权重模型仍主要通过AWS和Azure等云平台使用，公司自身部署的很少。自主机在公司层面曾被讨论过，但尚未大规模化。

其他企业尚未在生产环境中运行开源模型，主要受风险审批、采购习惯和内部部署能力的限制

这位总部位于新加坡的企业人工智能转型顾问（跨客户）表示，他合作的大约50至60家大型企业和政府客户中，没有一家正式部署过开源模型。企业仍然缺乏对供应商稳定性、模型更新、长期服务能力以及自身部署能力的信心;模型的能力和价格已不再是主要障碍。在一些亚洲企业，管理层还会权衡模型供应商是否仍会继续运营，以及是否可能实施出口限制。

“我大概和50、60家大公司合作。所以现在没有一家愿意部署开源模型......CEO们不再只看模型能力;他们买的是声誉和风险。”

通过AWS及其他超大规模运营商提供开源模型，虽然减少了一些采购问题，但并未完全解决供应商稳定性和政策风险。专家估计，超大规模托管仅能消除约20%的担忧。

“如果它与超大规模运营商以及像AWS这样的人一起部署，会有帮助......它可能会减轻大约20%的压力，并且如果与AWS等已有合作伙伴集成，确实会更容易。但这并不能解决DeepSeek是否还会继续运营或是否会向中国以外的公司提供的所有问题。”

对于保险、零售和大型制造公司来说，合规和安全审批仍是更直接的限制。大型欧洲保险公司A尚未批准任何开源模型用于生产。一些团队已部署DeepSeek或在测试环境中构建连接功能，若获批准可迅速投入生产，但最终未能通过监管、治理和安全审查。专家指出，保险公司几乎没有风险承受能力，因此对模型稳定性、版本更新和持续维护持谨慎态度。大型东南亚零售公司A及其大型东南亚制造公司A的本地研发子公司同样仍处于个别测试和POC阶段，尚未进入企业生产阶段。

“由于监管和治理问题，他们无法访问这些数据，尽管有些团队......已经部署了DeepSeek模型，或者在测试环境中构建了连接性......保险公司的风险承受度非常非常低。他们的风险承受度几乎为零......如果出现错误或漏洞，我们只能等开源社区来修复。”

其他公司仍偏好已集成于现有云平台的SaaS和封闭模式。加拿大大型消费品公司A目前优先通过集体指令购买SaaS云解决方案，主要因为这些产品可以直接使用，而开源模式仍需额外的数据治理、法律框架、内部开发和微调能力。其采购部门估计，开源方案在全负载下可能仅比现有云方案便宜约15%–20%，这不足以支持现在迁移。

“知识不足......我们需要数据治理。我们需要合法......开源是领导团队尚未真正理解的东西。”

英国大型公共部门组织A也处于类似境地。通过Azure Foundry或Snowflake调用模型，可以复用现有的采购和安全框架;引入新的开源模型或供应商则需要重新进行采购、部署和安全评估，而该组织目前缺乏独立评估模型安全的能力。大型美国制药公司A已在本地测试Nemotron，但在Mac上的令牌生成速度较慢，本地AI PC和自建推理的成本优势尚未得到确认。

大多数企业将继续测试开源模型，但迁移速度缓慢，将从小规模的 POC 和基于云的调用开始

大多数样本对开源模型的长期方向保持积极态度，但没有给出明确的使用份额。这位总部位于新加坡的企业人工智能转型顾问预计，在未来 18 个月到 2 年内，随着企业对代理和模型部署更加熟悉，一些客户可能会转向更便宜且具有更多控制权的开源模型。加拿大大型消费品公司 A 预计将在大约一年内开始考虑开源模式，因为该公司将聘请人工智能人才并建立内部治理；美国大型制药公司 A 同样预计在明年将 Open-weight 型号添加为正式选项。
英国大型公共部门组织 A 的速度更慢，预计仅在 2-3 年内即可对开源模型进行更系统的评估。主要驱动因素包括封闭模型代币价格的潜在上涨、公共财政压力的增加以及欧洲对数据主权和非美国模型的日益关注。

‘我认为在接下来的两到三年里，我们可能会更多地探索开源领域......将有两个维度：一个是地缘政治，另一个是金融。’

部分企业仍保持谨慎态度。欧洲大型保险公司A希望首先提高人工智能在其业务部门的使用和价值，然后才会考虑将开源模型作为成本杠杆。东南亚大型零售公司A只有在模型通过CISO和数据安全认证后才会采用；东南亚大型制造公司 A 的当地研发子公司认为，Kimi K3 等型号在性能上已经接近封闭前沿型号，但预计合规性限制将使其无法进入正式产品。
在部署渠道上，试点可能会首先通过超大规模、现有云平台或小型本地设备运行，而不是在短期内构建大型自托管推理环境。美国大型制药公司 A 正在将本地 AI PC 与 AWS 等云选项进行比较；英国大型公共部门组织 A 可能会在自己的云 GPU 上测试模型；欧洲大型制药专业服务公司A已经使用Open-weight模型，也主要通过AWS和Azure进行调用。
自托管是否省钱主要取决于体积和GPU利用率。欧洲大型医药专业服务公司A的专家预计，如果自建推理集群的GPU利用率低于80%左右，本地部署的成本优势就会基本消失。因此，即使开源使用量上升，短期内增量调用仍可能通过云平台运行。

‘如果所有 100 个 GPU 的使用时间少于 80%，那么您就已经失去了自行托管所拥有的价格优势。’

3、人工智能渗透率

与第一轮一样，付费AI工具覆盖范围不断扩大，但拥有许可证与大量深度使用之间仍存在明显差距

英国大型公共部门组织 A 已将付费 Microsoft Copilot 许可证扩展到大约 3,000 名员工，覆盖范围从约 10% 增加到接近 100%。快速扩张的部分原因是微软提供的大幅折扣。如今的主要用途仍然是搜索内部材料、汇总文件和处理日常办公任务。
东南亚大型零售公司 A 约有 1,200 名白领员工，其中约 30%–40% 拥有 Gemini Enterprise 和 Claude 等企业人工智能工具。在拥有许可证的人中，约 60%–70% 每周使用它们；推出之初，采用率仅为 15%–20%，经过培训和 AI 素养计划后，某些工具的某些功能的使用率已达到 90%–95%。该公司计划继续以 200 至 300 人为批次进行扩张，而不是一次性向所有员工开放。

‘最初，我们的采用率只有15%到20%……我们一直在做大量的培训……有些功能在某些工具中已经达到了90%、95%。’

欧洲大型制药专业服务公司 A 已向其大约 6,000-7,000 人的服务交付团队中的每个人开放 Microsoft Copilot，但实际上只有约 20% 的人使用 Coding Agent 或更专业的 Copilot Agent； Claude Cowork 等较新的工具仍在约 100 人的小规模试点中。欧洲大型保险公司 A 的全部约 60,000 名员工也可以在 Microsoft Office 中使用 Copilot，但大多数人仍将其用于文档摘要和电子邮件回复等简单任务，更深层次的使用集中在开发人员和少数业务团队中。

‘组织中的每个人都有 Copilot...但大多数用户...只是用它来总结本文档、总结电子邮件或起草自动回复。’

加拿大大型消费品公司 A 的内部 ChatGPT 部署已经向加拿大员工开放，但 Copilot 和其他付费 AI 解决方案仅覆盖约 100 人。该公司首先选择已经熟悉人工智能的员工作为“人工智能冠军”，然后由他们培训和带动其他业务团队；现有商业人工智能解决方案的用户数量计划到 2027 年 6 月增加到约 150 名，长期目标是增加约 1,000 名加拿大员工。

使用深度仍然集中在工程、人工智能团队和选定的商业高级用户组中，非技术使用仍然很浅

从第二季度开始，东南亚一家超大型制造企业A的本地研发子公司统一向大约500名员工提供外部人工智能工具，每人每月有400美元的补贴。大多数员工仍在使用它们，但使用强度明显因职能而异：大多数工程师认为津贴不足，约 10% 的工程师申请将其提高到 600 美元，而财务、人力资源和类似职能部门使用的金额要少得多，许多员工没有用完津贴。工程主要使用它进行单元测试、CI/CD 文档、代码分析以及代理和工作流工作，而其他功能主要保留在聊天和简单的问答中。

‘从我们所看到的来看，人工智能在我们的工程部门被大量使用……其他部门的使用量很小。’

美国大型制药公司 A 大约 40% 的员工付费使用了 AI 工具，相当于法务、营销、商业、研发和软件开发领域的约 600 名员工。然而，生产率的提高集中在少数成熟团队中：专家自己的 AI 团队已将开发吞吐量提高了约 52%–120%，而其他团队可能仅提高了约 4%–10%。

‘我的人工智能团队……我看到的速度提升在52%到120%之间……但其他团队，他们只有10%、4%。’

非技术职能部门的采用速度也差异很大。东南亚大型零售公司A在营销运营、商品管理和供应链方面的使用最为深入；财务部门虽然能使用一些工具，但由于模型在数字和表格上仍会出错，实际上只有少数员工真正使用它们。加拿大大型消费品公司A主要通过销售和营销部门的“AI冠军”进行推广，首先从已经熟悉AI的员工开始，然后由他们培训其他业务团队。

企业开始将人工智能嵌入代理和业务工作流中，但大多数案例仍处于试点、分阶段扩展或部分生产阶段

这位总部位于新加坡的企业人工智能转型顾问（跨客户）指出，单独的生产力工具在大型企业中已经非常普及，但能够实际连接内部系统并持续执行任务的主体型人工智能仍然很少。真正的限制在于，企业仍然不愿意向智能代理开放 SharePoint、内部文件、数据库和业务应用程序，因为存在数据泄露、操作失误和系统风险；员工是否可以使用 ChatGPT 或 Copilot 已经不再是问题。

“几乎新加坡的每家公司都允许员工使用人工智能来提高个人工作效率……问题是很少有公司在使用能动型人工智能，而这正是消耗代币并涉及内部系统的地方。”

一家大型欧洲保险公司正在测试理赔质量保证代理。对一项理赔的人工审核通常需要半天时间，因此目前覆盖范围有限；在引入多个代理后，测试准确率从约70%上升到85%以上，公司正在准备商业案例，以将试点投入生产。该公司的模型支出每月超过25万美元，也主要用于这类 API 和业务流程工作，员工的 Copilot 许可证只是其中一小部分。
英国大型公共部门组织A同样正在将人工智能从单个办公工具扩展到特定的业务流程。试点可能从10到20名员工开始，然后推广到约600人的业务单元。专家预计未来六个月代币使用量将大约翻倍，增长主要来自产品开发、试点扩展以及在实际工作流程中嵌入人工智能。

“当处于试点阶段时，我们可能会尝试让10个人或20名员工参与；在那个部门里可能有600人，我们会向他们推广。”

少量样本已经建立了相对稳定的生产工作流程。欧洲大型制药专业服务公司A已经为客户部署了定制的分析代理，这些代理可以处理多种结构化数据源，并且每天被数十到数百名客户员工使用；该公司还将重复性的任务（如转录、翻译和下游分析）整合到完整的工作流程中。在目前运行于加拿大大型消费品公司A的6个AI解决方案中，有2个已经通过API连接到内部知识库或销售数据，另外还计划在未来六个月内进行2个试点项目。总体而言，本轮进入生产最快的仍然是具有明确边界、可重复执行，并且业务成果易于衡量的工作流程。

4. 代币极大化或预算管理

与上一轮一样，这里的企业大致负责预算，但其机制涵盖项目审批、个人补贴到基于消费的退款

本轮7个企业和机构样本中，没有一个表示倾向于Tokenmaxxing。其中3家设定了个人或团队的限额，2家主要根据具体用例、项目预算和投资回报率进行管理;剩下的两个中，大型欧洲保险公司A按实际使用量收费，大型英国公共部门组织A仍主要监控用量。跨客户企业AI转型顾问另行指出，一些企业设定了代币配额或代币预算，但目前限制普遍较宽松。
加拿大大型消费品公司A没有代币配额，按特定用例管理预算。该公司仍在试验和验证阶段，但每个新的AI项目都必须提交商业案例，要求每投资1美元获得~2.5美元的回报，这笔回报可能来自成本优化、降低外部服务支出或销售增长。

“我花在人工智能解决方案上的每一美元......我需要证明投资回报2.5美元。”

大型欧洲保险公司A不设定固定的代币预算，内部根据实际使用量向每个团队收费。代币消耗必须在上线前进行预测，使用仪表盘提供每日消耗和成本提醒;如果项目预测每月100万代币，实际使用500万代币，公司会询问原因。这种方法不会在团队达到统一上限时切断服务，但会让消耗团队承担成本。

“我们没有制定象征性的预算政策......我们不想限制你们。但他们很清楚，账单会根据使用量来收费。”

英国大型公共部门组织A目前没有正式的代币上限，会监控各项目的使用情况，并根据具体情况决定是否继续。专家预计，一旦项目进入生产阶段，支出将以实际的运营支出和运行率计入正式预算。跨客户顾问合作的一些企业处于相同阶段：代币预算存在，但限制较宽松，重点仍是工具推广和员工培训，最终投资回报的问责尚未明确。

企业通常不会为每个员工设定相同的硬性上限;高价值项目和重度用户仍可申请更多

提供明确允许的3个样本中，没有一个运行完全固定的。企业通常为普通员工设定默认允许，然后允许部分用户根据角色、团队和具体项目申请更多;高成本模型也可能设置独立的访问控制。
大型欧洲制药专业服务公司A的默认编码代理津贴为每月70美元/用户，员工可申请更多;每个团队设定最终上限，专家认为平均最高约200美元/用户/月。团队必须事先定义并执行配额，同时也可通过使用免费或折扣模型在现有预算内完成更多工作。

“用户的固定——默认情况下，他们的每月预算是70美元，但他们可以申请增加......平均来说，最高大约是每月200美元。”

东南亚大型制造公司A的本地研发子公司为员工提供每月约400美元的默认AI津贴。从8月起，参与特定AI项目的员工可申请将金额提高至600美元;专家表示，当月批准的申请约为~10%，审批工作持续每月进行。API预算按项目单独申请，连续三个月未使用AI工具的员工可能会失去访问权限。
美国大型制药公司A拥有约600名付费AI用户，每个用户月费约120美元，其中约120名工程师拥有每月200美元的账户，若现有津贴不足，可通过企业批准申请更多代币。《寓言5》设有独立访问控制，目前仅对少数员工开放。

本轮样本中统一模型路由器的采用率较低;目前模型分层主要依赖手动选择、训练和工作流程优化

回答路由器问题的4个样本中没有一个明确表示它通过统一路由器自动选择型号。大型欧洲制药专业服务公司A计划推出一个，英国大型公共部门组织A正在探索路由和压缩中间件，大型美国制药公司A明确没有集中式路由器，大型欧洲保险公司A构建了一个统一的模型入口点，但仍允许每个用例团队选择型号。

“我们有一个叫LLM Lounge的东西，你可以在里面访问所有这些不同模型的API。作为业务用户或业务单元，你可以订阅API，然后使用你想要的任意模型......我们说的是全球定价......每个人都在使用同一个休息室或同一个配置好的LLM。”

大型欧洲制药专业服务公司A计划构建自己的开权推断堆栈，并在模型间添加统一的路由器。至今，每个团队和用户仍在选择编码模型。

“目前，关于编码，我们会把这部分交给每个团队......现在有一项更广泛的企业范围计划，在我们自己的栈上托管开放权重模型，并在不同模型之间开发这种路由器。”

英国大型公共部门组织A正在探索路由和压缩中间件，如Portkey。专家表示，这是为未来更高的令牌使用做准备，旨在通过模型路由和上下文压缩来降低成本。目前模型主要通过Azure AI Foundry和Snowflake调用，模型选择仍取决于平台和项目团队。

“我们正在考虑通过像Portkey这样的服务来路由和管理......压缩......当我的令牌使用率开始呈指数级增长时，我需要一些中间件。”

美国大型制药公司A通过Claude内置的模型使用指导技能指导模型选择，且没有集中式路由器。公司主要使用Opus和Sonnet，计划迈向三层结构：Opus用于更复杂的编排，Sonnet和Haiku用于总结、文档问答和提案生成等简单任务。专家指出，开发者仍使用过强模型处理普通任务，因此公司希望将更多使用推广到Haiku。

“我们创造了一个人类学的教练技能......但我们没有集中式的路由器......我们用Opus来做更多配器，而Sonnet和Haiku则用来做更简单的任务。”

一家大型东南亚制造公司A的本地研发子公司也主要依靠培训来推动模型分层。专家估计，Fable在发布后不久就占模型代币流量的~70%–90%;随着公司培训员工区分型号并监控配额消耗，Fable的份额已降至~10%–20%。员工被要求先使用Sonnet，只有在无法完成任务时才升级到Opus或Fable。

“第一个月......大约是70%到90%......现在......Fable实际上只有10%到20%......我们总是先尝试用十四行诗。然后当它失败了......我们就可以开始调用Opus。”

东南亚大型零售公司A的成本控制更多地在工作流层进行。公司剔除不必要的上下文，缓存重复请求，在小模型上运行简单步骤，并通过批处理、更好的提示和减少浪费的代理循环减少令牌消耗。专家表示，一旦项目投入生产，这种优化会持续运行，旨在控制成本而不影响用户体验。

“一是减少不必要的上下文......其他领域则缓存重复请求，使用更小的模型进行简单步骤......批量处理工作负载......改进提示，减少不必要的代理循环。”

5. AI成本优化中的余裕

本轮专家普遍未量化当前AI账单可能进一步下跌多少，但已有多家企业通过更换模型、缓存、压缩上下文、限制输出和重新设计工作流程来控制API/令牌成本。

与上一轮一样，等效任务的单位成本持续下降;但由于大多数企业的使用和生产用例仍在增长，优化主要表现为支持同一预算内更多工作或放缓支出增长。

当前AI法案的余地仍集中在API/代币和生产工作流程上

东南亚大型零售公司A持续在生产用例中剔除不必要的上下文，缓存重复请求，将简单步骤迁移到小模型，并通过批处理、更好的提示和减少浪费的代理循环来控制成本。专家表示，优化的重点是削减那些无法改善用户体验的开支;压缩AI使用本身并非目标。

“一旦AI应用进入生产，就有不少机会降低成本，而不影响用户体验......减少不必要的上下文......缓存重复请求，使用更小的模型进行简单步骤，批量处理工作负载......改进提示，减少不必要的代理循环。”

大型欧洲保险公司A已经使用缓存，并开始压缩过长上下文，限制单个请求的输出长度和令牌使用。例如，如果一个用例只需要大约100个单词或一个页面，公司会直接限制输出范围，而不是让模型生成完整报告。
英国一家大型公共部门组织的首个AI产品此前使用Gemini;产品重制后，相关信用消费略有下降。该组织还在探索模型路由和上下文压缩工具，以在代币使用规模扩大前收紧成本。

“其实，我们稍微降低了成本......我们推出的第一个产品用的是Gemini......然后我们的信用额度反而稍微下降了。”

模型降级和开放权重模型可以降低单位成本，但节省的幅度因任务和公司而异

由于统一模型路由器尚未普及，模型降级更多依赖于员工培训、手动选择和工作流程评估。在一家大型东南亚制造公司A的本地研发子公司，专家估计，70%至90%的模型令牌流量在发布后不久流向了Fable;经过培训和演示，员工逐渐接受普通任务不需要最强型号，Fable的份额降至~10%至20%。公司通常要求员工先使用Sonnet，只有在任务无法完成时才升级到Opus或Fable。

“最初几个月后，很多人......意识到我们不需要最有能力的型号......我们总是先用Sonnet。然后当它失败时......我们就可以开始调用Opus。”

对于更重复的代理性工作流，大型欧洲制药专业服务公司A通过5–6个不同模型运行同一任务，并比较输出质量与成本。对于步骤简单且输出相对确定的工作流程，开权模型可以以大约3–10倍的成本完成同一任务;复杂任务仍主要在封闭模型上运行。

“对于同类型的输出......至少便宜三倍、四倍，甚至十倍，视具体内容而定。”

其他企业则认为潜在节省要小得多。加拿大大型消费品公司A根据其法律和采购部门的初步估算，开放权重方案可能比当前商业云方案便宜约15%–20%;该公司仍受限于数据所有权、内部技术能力和治理要求，尚未正式采纳该方案。
大型美国制药公司A也在本地部署开放权重模型，但其AI负责人初步认为，硬件、托管和运营后，全面优势可能并不显著，公司仍在分析数据。

“他觉得不会有那么多节省......[按]总拥有成本来看，因为有举办费用之类的。”

一旦每个任务的单位成本下降，节省下来的部分往往会被更多的使用和新的应用场景所吸收

大型欧洲制药专业服务公司A预计，尽管员工使用更多代币，现有AI工具预算在未来六个月内将大致持平。增量使用将被更便宜的模型和更低的任务成本所吸收;在评估模型成本时，公司也更多关注完成一项任务的实际成本，单纯比较每百万个代币的价格不再是主要依据。

“我们不指望增加预算。我们预期的是人们会使用更多代币，但他们会使用更便宜的型号......完成任务时会更便宜。”

东南亚大型零售公司A处境类似。即使公司持续优化上下文、模型和代理性工作流程，专家仍预计随着生产用例的增加，总人工智能支出将增长。因此，成本优化主要减少浪费并放缓增长速度，且AI总预算不会因此减少。

“目标......不一定是减少人工智能支出......而是消除浪费的领域......在我们持续优化成本的同时，整体人工智能支出将会增加。”

英国公共部门A组织整体的代币消费已经下降，但随着更多项目从开发和试点进入推广阶段，专家预计未来六个月代币使用量将大致翻倍。每个工作流程成本下降和代币总支出上升可能同时发生。
这家总部位于新加坡的企业人工智能转型顾问（跨客户）是少数能够量化节省落向的专家之一。假设模型API价格下降了50%，他估计大约一半的节省将转化为直接的成本节省，另一半则将重新投资于人工智能，用于更多通话或新工作流程。

“我觉得至少一半会被记作储蓄，另一半会重新投入到人工智能领域。”

因此，本轮样本中的优化主要表现为增量使用时边际成本降低。只要企业持续扩大人工智能覆盖范围、增加生产用例和部署更多代理，任务成本下降与总人工智能支出的增长就能继续同步发生。

6. 国王

总体而言，和上一轮一样，API驱动的用例中的投资回报率通常比企业订阅和（公司资助的）个人生产力工具更为明确。已投入生产的业务用例现在会根据销售额、毛利率、成本节省和可重新分配的产能进行评估，少数项目有明确的回报要求或预测;然而，员工订阅仍主要以采用率和节省工时为衡量标准，且这些是否转化为实际财务回报在多个样本中仍不明确。

随着AI支出及其在IT支出中的份额不断增长，一些企业要求更明确的投资回报率，并以此来决定项目是否能投入生产，业务单元是否获得增量预算，以及员工是否可以申请更大的代币津贴。

生产环境的投资回报率通常比企业订阅和单个生产力工具更为明显

大型东南亚零售公司A对生产用例进行了相对完整的投资回报率管理。每个项目首先建立销售额、毛利率或成本基线，然后通过POC和试点比较实际结果;只有达到预期的项目才进入生产，财务团队持续跟踪这些指标。大约80%的用例主要基于销售和毛利率影响评估，剩余约20%则基于自动化和生产力。
相比之下，像ChatGPT和Gemini这样的员工订阅的投资回报率更难直接计算，公司主要依赖员工调查来估算节省的工时。

“每个用例都有明确的投资回报率。我们和财务团队一起跟踪......对于订阅......有时很难计算投资回报率......我们会问团队节省了多少时间。”

这家总部位于新加坡的企业人工智能转型顾问（跨客户）也持相同看法：在大规模发放企业AI许可后，大多数公司和组织仍然主要统计登录次数、每日和每周活跃次数以及预计节省小时数。这位专家认为这些是尚未显示出财务回报的采纳指标;推出员工工具更多是随后工作流程重塑的前提。

“他们目前使用的指标非常......虚荣的指标。他们统计的是使用人数——原始登录次数，每日使用量......估计的成本或节省时间，但也就这些了。”“有一万人拥有ChatGPT的投资回报率是多少？”这实际上意味着......它只是最终弄明白它的一个垫脚石。”

少数企业设定了明确的退货要求，但大多数项目仍处于早期阶段，实际退货是否符合审批门槛仍有待观察

加拿大大型消费品公司A要求新AI项目的商业案例回报率为~2.5倍，即每投资1美元带来~2.5美元的预期收益。这可以通过直接成本节约、降低外部代理费用、重新分配员工时间、增加交易量或提升服务水平来实现。例如，定价工具可以通过提升10%–15%的销量来证明自身合理性，而销售预测项目则可以通过将服务水平从90%提升到95%来衡量。

“我花在人工智能解决方案上的每一美元......我需要证明投资回报2.5美元。”（这是审批和监控的要求，并不意味着公司现有的人工智能项目总产量是总产量的2.5倍。）

一家大型欧洲保险公司约70%的新AI应用场景目标是成本优化和~30%的收入增长。其理赔质量保证项目预计实现~5–6倍：公司目前只能手动审核约5%的理赔，并在此过程中发现此前未报告的再保险回收;如果AI将审核覆盖率提升至~50%，业务单元预计再保险成本回收将显著提升。

“他们预计整个项目的投资回报率至少将是五到六倍。”该回报仍是业务单元根据更广泛评估范围得出的项目预期。公司计划在决定是否进一步投资前观察实际表现。

节省的工时并不等同于实际的成本降低;关键在于是否释放了可分配容量

大型欧洲制药专业服务公司A对此解释得最为清晰。员工通过AI节省5%至10%的工作时间通常不会降低项目成本，因为这段零散的时间不足以让他们承担其他工作。对于其专业服务团队来说，只有当某类工作投入约30%或更多时，才能将空闲时间重新分配给其他项目，创造真正的经济价值。

“减少5%或10%的工作量毫无意义......我们需要一个解决方案，至少减少当前工作量30%，这样我们就能释放这个人30%的时间，然后再将这部分资源重新分配到另一个项目中。”与此同时，客户开始要求项目降价~10%到20%，而专家估计公司目前实际只能支持大约5%。因此，人工智能效率的部分提升首先用于满足客户的价格需求或保护现有收入，而不是完全转化为增量利润。

英国大型公共部门组织A也主要根据预期节省小时数来衡量项目回报。专家举例指出，一到两个使用约10万英镑信贷的用例预计将产生约200万英镑的时间价值;该组织尚未决定这段时间最终是直接节省成本，还是现有团队的更高产出。因此，该数字更接近预期效率值，而非实现现金回报。
美国大型制药公司A主要通过敏捷交付指标衡量人工智能对工程团队的影响，包括完成的故事点、提交量以及自动生成代码和自动化测试的份额。这位专家认为他的AI团队的开发吞吐量增长了~52%–120%，而其他团队仅为~4%–10%，这显示了同一工具组在不同团队间表现差异，以及将单一财务回报率整合起来的困难。

投资回报率开始直接反映在项目审批和预算分配中

在过去六个月中，人工智能支出迅速增长，一家大型美国制药公司A的CEO和CFO开始要求更清晰的投资回报率指标和直接的预算节约。公司在某些领域（如代理编码）看到了相当明显的影响，但各团队的生产力提升差异很大，因此进一步投资需要相关部门提供更多资金支持。

“我的CEO和CFO要求更好的投资回报率指标和直接削减预算，因为AI的存在。”

一家大型东南亚制造公司A的本地研发子公司也开始将增量代币津贴与特定项目挂钩。仅以“需要更强分析能力”为由的申请不获批准;目前只有从事AI项目、代理和工作流程的工程师才能申请更多津贴。公司还发现，许多员工并未用尽现有津贴，非工程类职能尚未显示出明显的生产力提升。
在拥有成熟项目治理的企业中，投资回报率问责也正在转移到业务单元。大约80%的大型欧洲保险公司A的AI项目要求提出用例的业务单元列出预期收益并解决资金问题，剩余约20%由中央预算支持。大型东南亚零售公司A同样让业务单元负责最终业务指标，AI团队负责构建解决方案并协助衡量影响;如果没有企业对采纳和结果的主导权，即使技术解决方案上线后，预期投资回报率也难以实现。

“业务部门掌控业务结果。人工智能构建解决方案并帮助衡量影响。但如果业务不真正负责采用和关键绩效指标（KPI），实现投资回报率将非常困难。”

在本轮样本中，ROI衡量从采纳率和节省工时转向销售、毛利率、直接成本和可重配置产能。已经能与特定业务成果挂钩的项目更容易获得持续投资，而员工工具和广泛订阅的价值仍难以直接实现，一些企业已开始收紧相关预算审查。

7. 新用例与预算增长

添加评论

点踩

分享查看原文

参与讨论