2025年初企業AI支出趨勢分析

2025 年上半年，是企業 AI 支出從研究預算轉變爲資本配置問題的半年。在大型組織中呈現出的模式高度一致：錢沒有流向更多試點，而是流向了讓既有試點能在生產環境中活下來的基礎設施、數據地基與治理。這是一個健康的信號，因爲它意味着實驗階段已經產出了足以支撐建設階段的證據——但它也製造了一個新問題：基礎設施支出容易獲批，卻很難歸屬到收入上。

本文說明錢流向了哪裏、結構爲何改變、哪些行業領先、推理經濟學如何改變了計算方式，以及財務負責人在年內後續階段應當關注什麼。它是爲那些必須在預算評審中捍衛這個數字的人寫的，而不是爲提出這個數字的人寫的。

2025 年上半年企業 AI 資金流向了哪裏？

綜合來自分析機構、雲廠商與企業調研的公開信息，五個方向吸收了絕大部分支出，而這個排序本身就是結論。

1. 數據地基與集成。最大也最不耀眼的一項。在一個模型能可靠回答一個問題之前，底層數據必須可訪問、有定義、且是當前的。組織在 2024 年以慘痛的方式明白了這一點——那些建立在數據抽取之上的試點，在生產規模上全線失敗。這裏的支出覆蓋連接器、語義層、數據目錄，以及讓它們協同工作所需的工程。它同時也是最容易被低估的一項，因爲它看起來像管道工程。

2. 算力——尤其是推理。2023 與 2024 年，訓練佔據了頭條；2025 年，推理佔據了預算。一旦系統投入生產，你就要爲每一個被回答的問題永遠付費，而這個成本隨使用量增長的方式，會讓那些按"訓練跑批"來做預算的團隊大喫一驚。

3. 人才與賦能。兩個經濟性截然不同的部分：一小批昂貴的專家，以及數量龐大、需要改變工作方式的現有員工。後者規模更大，而且在大多數組織中，相對於它對採納度的影響而言，投入不足。

4. 治理、安全與合規。由監管驅動，而非熱情驅動。模型風險管理、評估框架、審計軌跡與數據保護控制，都成了有具名負責人的預算科目。

5. 應用支出。買而非建，尤其是在客服、銷售、文檔處理與內部知識這類橫向場景上——在這類場景，自建還是採購的算術已經決定性地倒向採購。

值得注意的缺席者是試點。組織並沒有停止試驗；它們停止的是把試驗當作一個獨立類別來資助，而是把它們併入產品預算，與其他一切在同一起跑線上競爭。這是數字中最重要的一項結構性變化。

爲什麼支出從實驗轉向了基礎設施？

因爲失效模式變了。2023 與 2024 年，AI 項目失敗是因爲技術做不到那件事；到 2025 年初，項目失敗的原因變成了組織性的，而恰恰是錢能解決的：數據不可訪問、定義有爭議、生產環境裏沒有人擁有這個模型，或者單筆交易成本讓單位經濟學不成立。

三個機制推動了這次重新配置。

試點煉獄變得可見。高管們能夠數出有多少個概念驗證走到了生產，而這個數字低到觸發了治理反應。典型的補救措施是：在既有組合被分診之前，停止資助新項目——這就把預算從實驗重定向到了那些實驗所依賴的地基上。

單位經濟學逼出了這個問題。一個試點幾乎可以吸收任何單次查詢成本；一個生產系統不行。一旦財務問起單筆交易成本，團隊就會發現真正的約束不是模型質量，而是數據檢索與編排效率。

監管截止日期到來了。有固定日期的合規義務不會等待熱情。治理支出是由截止日期驅動的，這也正是它出現在預算裏的速度快於出現在路線圖裏的原因。

哪些行業投入最多，爲什麼？

這個排序跟隨的是"決策變快"的價值，而不是該行業 IT 預算的規模。

• 金融服務領先，因爲風險與欺詐決策頻次高、價值高，而且已經被充分埋點。覆蓋銀行卡、支付與賬戶接管向量的實時欺詐評分，回報清晰且可度量：誤報率每降低一個基點，既是成本節約，也是客戶體驗收益。
• 零售與消費品緊隨其後，集中在需求預測、庫存分配與個性化上。它帶來的回報是營運資金與毛利，而非人效，這讓它對 CFO 很有吸引力。
• 製造業投向質檢與預測性維護——在這些領域，資產基數讓停機變得昂貴，而傳感數據本來就已存在。
• 醫療與生命科學投入更慢，但每個項目的治理開銷更高，這既反映了監管環境，也反映了"出錯的代價"。
• 專業服務投向文檔密集型工作流——合同分析、盡職調查、監管報送——其價值單位是一小時的專家時間。

共同點是：決策頻次高、已有埋點、且"慢"的代價可度量的行業，投入最早也最多。決策週期長、數據稀疏的行業選擇等待是正確的——而「願意等」這種紀律本身，就是相對於前一年的進步。

是什麼在驅動推理成本曲線？

三股力量朝相反方向拉扯，而淨結果決定了你的單位經濟學是否成立。

單位成本所對應的模型能力大幅提升。更小的模型在窄任務上變得明顯更好，蒸餾與量化也讓服務成本更低。2024 年需要前沿模型才能做的任務，到 2025 年初往往可以用便宜一個數量級的模型完成，而且在定義清晰的工作上質量相當。

使用量的增長快於效率的提升。這就是傑文斯悖論在推理上的版本：單次查詢成本下降，查詢量的增長卻快於節省額。那些按"查詢量穩定"來做預算的團隊無一例外都錯了，因爲一項 AI 能力一旦變得有用，使用量就會向相鄰工作流擴張。

上下文長度成爲成本驅動因素。檢索增強系統把 token 花在上下文上，而不是花在生成上。切分不當或檢索過寬，其成本可能超過答案本身。這已成爲生產系統中最大的可控成本之一，而且它是一個工程決策，不是一個採購決策。

務實的應對是路由：把每個請求發給能滿足質量門檻的最便宜模型；激進地做緩存；把檢索收窄；並度量"每個成功結果的成本"，而不是"每個 token 的成本"。做到這些的組織，通常能在不出現質量退化的前提下把推理支出砍掉一半。

爲什麼智能體 AI 的預算出現得如此突然？

因爲技術前置條件到齊了。智能體是一個能夠跨步驟規劃、調用工具、觀察結果並從錯誤中恢復的系統。它需要可靠的函數調用、一組受治理的工具，以及足以讓人信任這個循環的評估基礎設施。這些能力在 2024 年下半年成熟，因此預算在 2025 年初跟上。

智能體項目內部的支出結構很有啓發：大部分花在工具與集成上，而不是花在模型上。這再次印證了數據地基那一桶所教出的同一課——模型很少是約束。限制一個智能體的，是它能否以正確的權限觸達正確的系統，並拿回一個可信的答案。

風險在於可預測性。一個會循環的智能體，成本高於單次調用；而一個循環失控的智能體，可能在失敗之前花掉大量錢。請爲硬迭代上限、單次運行的成本天花板，以及高價值動作上的人工審批編列預算。這些都是低成本的控制手段，也正是"一次受控實驗"與"一張令人不適的賬單"之間的差別。

企業如何爲 AI 支出籌資？

四種模式，而選擇哪一種，本身就暴露了承諾的認真程度。

中央創新預算。早期階段常見。它加速探索，但製造了交接問題：沒有任何東西被資助去「運維」，於是成功的試點無處可去。2025 年仍把它作爲主要機制的組織，正是生產轉化率最低的那些。

業務單元出資。業務線負責人付錢，因此也擁有結果。這能產生最好的商業論證，也產生最碎片化的架構，因此需要一箇中央平台團隊來防止重複建設。

平台出資 + 內部結算。中央團隊建設數據與工具地基，業務單元按使用量付費。這在成熟組織中日益成爲默認模式，因爲它資助了那個"沒有別人願意付錢"的共享層，同時把問責留在消費方。

從既有科目中重新分配。靜默的大多數。AI 支出常常表現爲別處的縮減——外包的分析服務、人工處理成本，或許可證整合。這是健康的，也正是頭條上的 AI 預算數字低估真實投資規模的原因。

究竟存在哪些可信的投資回報證據？

這裏要謹慎，因爲廠商主張與實測結果之間的鴻溝很寬。可以站得住腳的是：

• 週期時間縮短是度量得最可靠的一項收益。在基線爲人工的文檔審查、代碼審查與報表任務上，時間縮短幅度大且可重複。
• 風險與欺詐場景中的誤報下降可以直接折算成錢。每一筆被誤拒的合法交易、每一次不必要的人工複覈，都有已知成本。
• 營運資金與庫存效應是真實的，但更慢。預測改善以季度而非周爲單位顯現，而且很容易與需求變化混淆。
• 個性化的收入效應是真實的，但難以歸因。麥肯錫的個性化研究發現，個性化做得好的公司比同行平均多產生約 40% 的收入，但這一溢價反映的是多項投資，AI 只是其中之一。
• 人效削減是最不可靠的一項主張。大多數組織是重新配置人力而非裁減，收益表現爲成本增長的避免，而不是成本的下降。

把可信的項目與樂觀的項目區分開的，是反事實設計。請在與建設同步的時間點資助度量工作——基線、對照組，以及一個對數字具名的負責人；否則在下一個預算週期，你將無法爲這筆投資辯護。

錢最常浪費在哪些地方？

該用檢索時卻做了微調。微調適用於行爲與風格，不適合用來注入事實。爲了教會模型"它本可以檢索到的東西"而微調的團隊要付兩次錢——一次在訓練時，一次在事實變化時。

自建了本可以買到的東西。文檔抽取、客服摘要、內部搜索這類橫向能力已經是商品。自建意味着選擇永遠擁有維護責任，而這很少能被「差異化」所正當化。

上下文供給過量。明明三段話就夠，卻把整份文檔發出去，這是最常見的一項可避免的推理成本。

地基重複建設。三個業務單元各自採購自己的向量庫、數據目錄與評估框架，是一個常見且昂貴的模式，也正是設立平台團隊最強的理由。

把治理做成文檔。沒有人在代碼裏執行的政策並不降低風險，它只是留下了一條「你早已知情」的紙面軌跡。請把錢花在自動化執行上。

靠熱情續期的、無法度量的試點。一個說不出自身反事實的試點應當被停止，而不是被延長。停止是一個正當的結果，而且通常是爲更好的東西籌資最快的方式。

財務負責人在下半年應該盯住什麼？

六項指標，按優先級排序：

• 生產轉化率。已獲資助的 AI 項目中，帶有具名運維負責人、真正在生產環境運行的比例。如果這個數字不上升，追加預算也無濟於事。
• 每個成功結果的成本。不是每個 token 的成本。這纔是決定一個用例能否在規模化後活下來的數字。
• 推理支出對比預算。要預期由使用量增長帶來的超支；真正的問題是這些超支是否產出了價值。
• 共享地基支出佔比。太低意味着碎片化，太高意味着一個沒有消費方的平台。兩者都是失敗。
• 已度量收益的覆蓋率。凡是重要的用例中，具備基線與反事實設計的比例。目標應當接近 100%。
• 目標用戶中的採納率。不是發放了多少許可證，而是周活躍用戶佔目標人羣的比例及其趨勢。

領導者現在應該如何重新配置？

三個動作，按順序。第一，在下一次建設之前先資助反事實度量：基線與對照組相對於它們所保護的預算來說很便宜。第二，把推理支出從"更大的模型"轉向"更好的檢索與路由"——更窄的上下文既更便宜，也更準確。第三，把重複建設的地基整合進一個帶內部結算的平台，讓共享層有人付錢，同時讓業務單元繼續對結果負責。

在數據層成爲瓶頸的地方——而在大多數組織中情形正是如此——通往可辯護回報最快的路徑，是讓既有數據回答更多問題，而不是獲取更多能力。蜂啓諮詢（Beehive Strategy）的平台正是基於這一前提構建的：它通過 MCP 連接器與語義層接入既有系統，使查詢能夠針對實時的、受治理的數據解析，並通過團隊日常使用的即時通訊工具交付答案。以託管服務方式約兩週即可部署，它能在不做數倉項目的前提下，把基礎設施支出轉化爲可度量的決策速度——這恰恰是 2025 年上半年的支出數據所表明的錢應該去做的事。