人工智能（AI）席卷全球，凭借大语言模型（LLM）、生成式人工智能（genAI）的进步以及GPU销量的飙升占据了各大头条。AI是一种日益增长的现象，为企业带来了巨大的潜力，提供了无数种方式来优化、增强和改进工作流程，从创意工作到运营效率提升，无所不包。

在技术成本管理领域，机遇尤为显著。GenAI对于技能培养和新兴业务实践领域（如IT财务管理（ITFM）和FinOps）的发展是一大福音。作为效能倍增器，AI不仅能自动化耗时的手动流程，还能充当企业每天产生的海量数据的交互界面，从而加速从数据到洞察的转化。想象这样一个世界：从庞大的数据集中获取洞察不再需要专业技术知识，而是可以用自然语言来实现。

在Apptio，我们对AI充满热情。在我们最新的版本中，我们基于 IBM的watsonx 平台构建了一个AI驱动的助手，为ITFM和FinOps从业者提供了一种快速获取这些实践领域专业知识的方式，并实现7×24小时的自助支持。这类AI代理是genAI极为有效的应用，有助于简化用户体验、加快问题解决速度，并让产品更易于使用。

鉴于AI的众多潜在用例，市场已进入白热化阶段——而金钱数字就是证明。Capital Group的分析师 估计 2024年的资本支出总额达1890亿美元，高盛预计未来几年将有1万亿美元投入人工智能项目。事实上，在我们调查的组织中，有90%的组织 2025年全球调查报告 预计其技术预算将增加，主要受人工智能和创新驱动型投资的推动。*目前，投资者对人工智能的潜力表现出浓厚的兴趣，但资金不可能在没有成果的情况下永远流动。人们对这些前所未有的投资何时能获得回报存在合理且日益增长的担忧。因此，明智的企业正在加紧审视其人工智能项目背后的财务状况。

人工智能的资源密集型特性

人工智能不仅仅是包含数千行代码的算法——驱动和支撑这一新兴技术需要大量资源。以下是成本开始累积的主要方面：

  • 数据：人工智能——尤其是生成式模型——需要海量数据集进行训练，这会产生大量的数据清洗、标注和存储成本。随着 2025年全球数据创建量预计达到180泽字节，管理不断增长的数据量将成为一项巨大的开支。
  • 算力：前沿人工智能需要大量的硬件资源，推高了高性能GPU、高性能计算（HPC）系统和可扩展云基础设施的成本。虽然英伟达和云服务提供商从这一需求中获益，但客户的成本也在迅速攀升。
  • 云服务：许多公司没有足够的资源或能力完全依赖本地计算基础设施，因此他们利用云服务提供商来获得灵活性、可扩展性和规模经济。然而，由于AI所需的海量计算和存储资源，成本可能迅速飙升——尤其是在资源密集型的模型训练期间。
  • 熟练劳动力资源：对顶尖AI人才的竞争推高了薪资水平，尤其是数据科学家、工程师和AI基础设施专家。这些角色对开发至关重要，但AI还需要治理、安全和持续维护方面的专业人才。此外，作为一个新兴领域，AI需要持续学习和技能提升，进一步增加了成本。
  • 能源：AI消耗大量能源，尤其是在模型训练期间。事实上，ChatGPT查询所需的电力几乎是Google搜索的10倍——而且 高盛研究 估计到2030年AI电力需求将增长160%。随着电力需求不断上升，企业因其可持续发展努力而受到越来越多的审视，因为AI项目继续消耗更多能源。

以上只是运行AI项目所需资源中的一小部分。网络安全、法规合规、许可、知识产权（IP）和法律成本也伴随着巨额支出。

资金从哪里来？

尽管企业正投入数十亿美元加速推进AI计划，但它们面临的压力不仅在于寻找资金，还在于证明资金投入的合理性，确保不会损害现有运营或干扰其他关键项目。除非企业寻求外部融资或风险投资（当然，这些资金最终需要偿还——往往会加大投资回报周期压力），否则企业需要从现有项目预算中划拨资金。我们的调查显示，50%的组织通过内部资本配置为AI提供资金，39%利用AI驱动效率提升带来的成本节省，36%设有专门的AI创新基金。做出这些决策需要深思熟虑地权衡取舍。如何在不负面影响业务的前提下，战略性地削减其他技术投资领域？又如何确保预期的节省足以抵消成本？

为了给这些创新举措留出腾飞空间，精明的企业正在全企业范围内深入挖掘成本效率。许多初期的AI应用都聚焦于提升效率和节省成本，帮助企业降低运营支出。通过聚焦AI在精简日常运营开支方面的潜力，企业可以产生节省，然后将这些节省再投资于增长型业务投资，如AI。

即将到来的清算：对AI投资回报时间线的预期

尽管不可否认，人工智能有望彻底改变企业运营并带来可观价值，但仍有两个重大变量让投资者和董事会深感忧虑：如何实现以及何时实现？

几个月前，市场就表现出了这种担忧的迹象，当时谷歌母公司 Alphabet的股价意外下跌——即便在业绩超出预期之后。这归因于市场对人工智能相关基础设施支出急剧飙升的担忧， 谷歌在该季度日均支出约1.45亿美元。微软、Meta以及其他科技巨头也纷纷加大了对人工智能项目的基础设施投入。尽管微软等公司已从其生成式人工智能产品中创造了50亿美元的销售额，但这仅占其2450亿美元总营收的一小部分。就连 红杉资本 也发布了一篇博客文章，质疑“收入在哪里？”并进一步指出“人工智能基础设施建设所隐含的收入预期，与人工智能生态系统中的实际收入增长之间存在巨大差距，而后者也是终端用户价值的体现。”

追踪人工智能的投资回报率和影响力，与追踪其他任何增长举措一样具有挑战性——但鉴于其高昂的成本，这一点至关重要。事实上， 高德纳咨询公司报告指出 实施AI的首要障碍是评估和展示AI的价值。这与我们的发现一致，其中58%的领导者认为，AI投资回报率的不确定性是做出自信技术投资决策时的首要挑战。* 平衡AI带来的潜在效率提升和长期成本节约，与云计算的早期阶段非常相似，当时云计算承诺了可扩展性、可靠性、更优性能和更高效率的经济利益。然而，云计算并非技术基础设施困境的万能药，如果没有适当的制衡机制来控制支出，成本很容易膨胀，有时甚至会抵消其带来的好处。

没有正确的财务管理策略，即使是最有前景的AI投资也可能无法达到预期，并遭遇与云计算类似的陷阱。管理AI项目的全生命周期——从基础设施成本到价值实现，并理解构建和维护AI应用的完全落地成本——对于寻求证明这些巨额资本支出合理性的企业来说至关重要。

AI资源管理中的挑战

AI 项目因其涉及的大量资源、AI 技术能力的快速演进以及不可预测的按用量计费模式，给成本管理带来了新的复杂性。AI 领域动态多变——应用、工具和服务不断更新——这增加了影响规划的不确定性。在推进这些项目时，成本可能迅速且意外地攀升，使得有效预测和控制支出变得困难。

确保云和本地基础设施、应用程序、专业人才、数据管理等资源得到合理优化和分配至关重要。此外，AI 项目必须经过评估，以确保它们 确实 能够创造价值。只有这样，你才能知道何时扩展——或者是否需要调整方向。

同样，就像云计算的早期阶段一样，AI 项目很容易产生突发且不可预测的成本。由于该技术仍处于萌芽和发展阶段，随着云服务提供商和专用硬件供应商不断推出针对 AI 工作负载的新解决方案，预测未来成本颇具挑战，这进一步增加了成本管理的复杂性。

奠定成功基础：有效的 AI 成本管理

我们的全球研究表明，增加收入（90%）、提升运营效率（86%）和改善决策能力（84%）是这一新兴技术的首要目标。* 然而，要有效推进AI计划，企业需要以结构化的方式管理整个企业的技术成本，而这一切始于汇总所有与技术相关的支出。试想一下，如果企业在第一天就建立了FinOps实践，它们在云投资上的效率会有多高？

通过将成本数据整合到所有技术相关投资的整体视图中，企业可以开始解读并获取有意义的洞察。这一点尤为重要，因为组织越来越依赖可衡量的成果来证明AI投资的合理性——90%的领导者将增加收入列为首要目标，86%关注运营效率，84%强调在评估AI投资回报率时改善决策能力。* 通过提高透明度，企业可以开始识别低效环节和优化机会。这还能带来更明智的决策，形成持续改进的飞轮效应，并增强应对变化或机遇的敏捷性。

Apptio的技术业务管理（TBM）解决方案组合可以从整个企业范围内拉取数据，以提升绩效、优化成本，并从本地部署、云和人力支出中创造更大价值。通过我们在成本分摊模型中引入的智能自动化和AI感知层，我们的解决方案提供了一种有效管理AI相关支出指数级复杂性的方式，帮助您从简单的成本追踪迈向加速的价值交付。这进一步凸显了在TBM框架下——包括ITFM和FinOps——实施结构化成本管理实践的重要性，92%的组织将建立衡量技术投资与业务目标一致性的指标作为优先事项。

为AI驱动型未来做好准备

随着AI支出达到前所未有的水平，成功的公司将是那些务实投资、优先考虑高效成本管理并尽早证明投资回报率的公司。通过采用结构化方法、细致追踪成本并保持敏捷性，企业可以在最小化风险的同时最大化回报。

在TBM实践领域——包括ITFM、FinOps和企业敏捷规划——中建立严谨性，不仅能提高效率，还能随着这项技术开始渗透到企业的各个角落，更好地支持AI驱动型未来。请访问我们的 创新中心 了解更多关于我们如何持续支持您整个技术版图的成本管理，同时帮助您推动创新的信息。

*Apptio，IBM旗下公司。（2025） 引导技术投资：商业领袖洞察 – 全球调查报告