“人工智能+”进入经营账：算力、数据与运营的三本账

“人工智能+”已经不只是技术部门的议题。国务院《关于深入实施“人工智能+”行动的意见》提出，到 2027 年新一代智能终端、智能体等应用普及率超过 70%，到 2030 年超过 90%。政策目标很明确，企业的动作也很快：搭平台、接模型、做知识库、上智能体。

但进入生产系统之后，问题会变得很具体：这一次推理要花多少钱？这个智能体替谁完成了什么工作？模型出错时谁负责？如果算不清这三笔账，AI 项目很难从“创新试点”变成“持续经营”。

一、第一本账：算力账，不是卡越多越好

智算中心的建设热潮，掩盖了一个事实：算力利用率并不天然很高。行业调研显示，全国智算中心的平均利用率大约在三成左右，部分地方平台更低；与此同时，头部企业的自建集群又接近满负荷。

差距不在卡的数量，而在算力能不能被有效调度和使用。企业算力账至少要算清楚：

算力账的核心，不是“买了多少卡”，而是“每单位有效任务花了多少钱”。

企业 AI 的瓶颈，越来越多地出现在数据侧。模型可以采购，算力可以租用，但高质量、可授权、可追溯的数据，往往需要自己积累。

数据账要算的不只是存储成本，还包括：

一个常见的误区，是把“数据多”当成优势。对于 RAG 和行业模型来说，数据的相关性、时效性和权限边界，比总量更重要。把大量过期、重复、无授权的数据灌进知识库，只会让模型更容易给出错误答案。

AI 时代的数据账，算的是“可用数据”的成本，而不是“数据总量”的成本。

智能体进入生产系统后，企业需要像管理员工一样管理它：它负责什么任务，向谁汇报，权限有多大，绩效如何衡量，出错时如何止损。

运营账至少包括：

如果只用“上线了多少个智能体”来衡量，很容易得到漂亮的数字，却看不到真实的业务结果。更有意义的指标是单位任务成本、处理时长、一次解决率、人工接管率和业务满意度。

AI+ 落地到一定程度，会触及组织边界。业务部门提需求，IT 部门建平台，数据部门管数据，安全部门管风险，但谁来对“AI 在生产系统里稳定运行”负责？

比较可行的做法，是建立三层责任：

三层之间需要有明确的接口和流程，而不是把所有事情都压给“AI 小组”。当智能体开始调用生产系统，运维团队必须提前介入，把监控、告警、回退和变更管理纳入设计。

企业 AI 项目常见的失败方式，是“POC 很成功，规模化很难”。要跨过这道坎，需要依次通过四道关口：

AI+ 的成败，不在于模型有多先进，而在于能不能把一次试点变成一条可持续的运行线。