人工智能经济学是一个设计问题

我们观察到 2026 年上半年人工智能对话中存在的三个问题。采用会产生投资回报吗？公司应该提高使用量还是限制使用量？开源模型会取代前沿吗？

每一个都从下游太远的地方开始。我们认为更有用的管理问题是：人员、软件和模型的哪种组合可以以适当的质量水平和最低的可持续成本产生所需的结果？

对于 2026 年人工智能现状报告，我们调查了大约 300 名构建 AI 产品的软件公司的高管，采访了负责 AI 预算的财务主管，并研究了公司实际支付的费用。我们的结论是，人工智能经济学首先是一个运营设计问题，然后才是一个支出管理问题。代币、许可证和基准分数都是输入；价值单位是工作流程结果。

公司应该确定人工智能可以实质性重新设计的工作流程，设定质量和风险标准，然后优化劳动力、软件和模型的组合。代币上限或模型偏好永远不应该放在第一位。

AI活跃度很高。深度使用的情况很少见。

人工智能试点与可衡量的损益影响之间的差距现在已经众所周知。许多试点项目都是从横向工具和“使用人工智能”的广泛授权开始的。结果往往是在公司的工作方式没有任何改变的情况下进行活动。

我们的调查也显示出同样的差距。在我们调查的公司中，71% 的研发员工可以使用人工智能工具，62% 的员工每天使用这些工具，只有 39% 的员工是高级用户。销售、营销和公司职能方面的下降幅度更大。大多数公司都购买了人工智能访问权限。很少有人能够深入、可重复地使用。

更多的使用并不会自动变得更有价值。一旦人工智能得到广泛应用，员工就会默认使用它，即使是在工作中增加一个步骤而不是删除一个步骤。人工智能生成的初稿仍然会被重写。人类重复分析以验证输出。两个团队可能在不知不觉中使用人工智能来解决同一问题。当相关上下文分散在 CRM、ERP、票务、知识管理和通信系统中时，员工在查找、复制和核对信息上花费的时间可能比人工智能最终节省的时间还要多。

这些成本通常是隐藏的，因为它们很少出现在人工智能预算中。它们表现为返工、重复工作、额外审查、较慢的交接和不一致的决策。在一个应用程序中更快完成的一项任务仍然会使端到端流程变慢。

这造成了两种不同的失败模式：实验太少，无法找到有价值的用例，以及不加区别地使用人工智能，将人工智能分层到现有工作上而不删除任何内容。公司需要给予员工足够的自由和足够的支出，以测试新方法并找到人工智能在哪些方面改变了工作。但他们还需要观察完整的工作流程，并区分消除工作量的人工智能和仅转移或重复工作的人工智能。

这就是为什么成本经常出现在投资回报率之前。许可证或API账单可以立即计算。节省的时间、更快的周期时间、更好的转换或更低的支持成本可能只有在公司改变工作流程、设置基线并 确定应该改变的业务指标。

我们认为，一些最适合重新设计的候选者具有四个特征。这项工作量大且可重复，具有数字输入和输出。它具有明确的质量门槛和可观察的业务成果。它受到排队、交接或例行审查的限制，而不是受到不可替代的判断的限制。它具有足够的经济影响力来证明重新设计所需的集成、监控和变更管理的合理性。

对于这些类型的工作流程，人工智能可以成为默认路径，而人工配置则是例外。对于模糊的、低频的工作，副驾驶仍然可以提高个人生产力，但它不应该带来相同的投资回报率预期（至少目前如此）。

坡道的 Deal Desk 就是一个很好的例子。一个 2 人团队负责运营，每月为一家拥有超过 70,000 名客户的企业中的 600 多名卖家管理数千份合同。该团队重新设计了核心工作流程，以便人工智能处理标准路径：接收、定价、其他条款、文档生成和签名路由。这使得运营商能够专注于需要判断的一小部分交易——复杂的谈判、定制条款等等。

教训是给团队空间来寻找人工智能改变工作的地方，然后将投资集中在工作流程上，在这些工作流程中，自动化可以消除最多的人为接触和交接，同时保持质量。在实践中，一旦用例显示出重复的需求，这可能看起来像是一个简短的、有时间限制的工作流程审查：建立数量、周期时间、返工和成本的基线；绘制步骤和交接图；定义质量标准和例外规则；然后根据基线试点重新设计的流程。显示出实质性改进的工作流程可以获得更深入的集成和变革管理资源；那些不再担任轻量级副驾驶或已经退休的人。

计量代币支出正在管理错误的数字

根据 Ramp 的企业支出数据，排名前 1% 的公司每位员工每月在人工智能上的支出约为 7,500 美元。前 10% 的人花费约 630 美元。公司的平均支出仅为 12 美元。

这种差异并不能告诉我们哪家公司管理得更好。它告诉我们，公司正在以不同的成熟度运行不同的工作流程，并且产生截然不同的经济结果。我们认为，每位员工的平均目标几乎毫无意义。

当前的争论通常将代币的使用视为野心的证据或压制的成本。两者都是弱代理。代币计数很容易计量，但它们并不能告诉经理公司是否批准了更多合同，解决了更多案例，交付了更好的软件，或者更快地结账了。

计量仍然很重要。模型是可变成本基础设施，多步骤代理工作流程消耗的代币数量是简单聊天交换的 5 到 30 倍，我们调查的 68% 的构建者表示，内部 AI 的真实成本非常或中等难以预测。但计量是必要的管道。上限可以防止账单失控；它无法确定哪些工作流程值得投资。

我们的调查还显示了使用量随着公司规模的变化而急剧变化。在员工人数不超过 50 人的公司中，只有 30% 每月在内部 AI 代币上花费 50,000 美元或更多。在拥有 1,000 名或以上员工的公司中，36% 的公司支出超过 100 万美元，14% 的公司支出超过 500 万美元。

一般来说，更自律的公司将活动与价值分开。代币数量很容易衡量，但当团队因最大化代币数量而获得奖励时，它们就变成了一个糟糕的目标。更强大的系统将人工智能的使用费用返还给成本中心，并将其与交付的功能、解决的案例或缩短的周期时间等结果联系起来。一家早期公司为工程师提供无限的代币，但要求经理负责三到五倍的生产力回报。

模型选择遵循工作流程

一旦定义了工作流程和质量标准，开放与前沿的争论就变成了路线决策，而不是全公司的意识形态。

前沿模型主导企业钱包份额。在我们最新的调查中，82% 的受访公司使用 Anthropic，71% 使用 OpenAI，而大约 4% 到 7% 的公司使用 DeepSeek 和 Moonshot AI 的开源模型。

与此同时，在过去六个月中，每家公司的平均模型提供商数量从约 3.1 个增加到 3.3 个，并且大多数构建器都使用封闭和开源模型的组合。新版本，包括 Moonshot AI 的 Kimi，以及来自 DeepSeek、Qwen、Mistral 等的模型，正在扩大可以通过低成本或可定制替代方案来完成的任务范围。

运行更多的提供商是经过深思熟虑的投资组合架构。规则很简单：使用能够可靠地满足任务质量标准的最低成本模型，并且仅当增加的功能价值大于增加的成本时才升级。

由此产生的架构是一个杠铃。开放式、定制式或低成本模型可处理日常大批量工作；前沿模型处理复杂的推理、异常和高风险决策。开源模型往往会赢得销量。前沿模型常常赢得优质工作。

人员、软件和模型的一个操作范围

如今，许多公司分别对员工人数、软件和模型使用进行预算。然而，工作并不是单独进行的。

单独优化这些行项目可能会使整个系统变得更糟：限制模型使用并添加手动审核员；削减软件工具并创建更多协调工作；冻结员工人数并购买技术，而无需重新设计流程。

人工智能将团队推向不同的管理单位：每结果成本。例如，交易台领导者应该承担在商定的周转时间内将合同从提交到合规批准的总成本。在这个范围内，团队可以在审阅者、工作流程软件和模型使用之间重新平衡。

该范围必须包括行项目预算隐藏的成本：返工、升级、延迟、人工监督、供应商集中度、安全性和变更管理。最便宜的型号并不意味着它会引起更多评论，而是更便宜。如果软件在不删除工作的情况下添加另一层，则效率不高；当数量波动时，员工数量不一定更灵活。

治理也发生变化。财务设定了信封和回报障碍；工作流程所有者拥有质量、服务水平和每个结果的成本；平台团队提供路由、可观察性和安全性。人工智能成为运营预算的一部分，而不是一个特殊的资金池。

Coinbase 有 描述的 行进方向。该公司表示，在代币使用量持续增长的同时，它将人工智能支出削减了一半，默认使用路由、缓存和低成本开放模型。教训是不要最小化代币。它是对系统进行设计，以便在相同或较低的操作范围内容纳更多有用的工作。

基金发现和预算结果

我们相信答案可以将这三种争论归结为一种运营模式。让团队进行足够广泛的探索，以找到有价值的模式，然后重新设计并资助经过验证的工作流程。发现和纪律相辅相成。

为人们提供实验、比较工具和呈现可重复模式的空间。将最强大的模式分级为具有规模、明确规则、可衡量结果和值得消除的交接的工作流程。重新设计这些端到端的流程，让人们了解例外情况和判断，并让团队在人员、软件和模型方面保持一致。将每项任务安排到成本最低的模型，以清除质量和风险栏。

到 2027 年，我们相信人工智能的优势将不会来自于支出最多或限制最严格。它将来自运营的清晰度：知道哪些工作需要重新设计，必须实现什么结果，以及如何分配人员、软件和模型以最低的可持续成本交付它。