企业AI投入的逻辑正在发生结构性转变，但这场转变并未带来预算收缩。

据追风交易台，瑞银分析师Karl Keirstead在8月10日发布的企业AI调研报告中指出，大量企业已从最初的"token最大化"阶段，转向以token优化为特征的新阶段，效率与投资回报率被放在更优先的位置。关键在于，这一变化"尚未转化为AI支出的回撤"。这为市场提供了一个重要信号：企业开始算账，但还没有踩刹车。

对OpenAI、Anthropic等前沿模型提供商及背后的云厂商而言，需求并未因成本焦虑而明显萎缩。云厂商二季度的强劲业绩也与此相互印证。真正承压的，是试图将AI功能打包销售给企业的传统应用软件厂商——企业仍普遍倾向于自建核心AI系统，传统SaaS厂商等待的拐点尚未到来。

从产业链分工看，分化已经显现：云基础设施层和数据管理层地位相对稳固，Databricks、Snowflake、Palantir在企业AI栈中持续占据关键位置；应用软件层压力最大，大型SaaS厂商的AI功能在企业采购清单上存在感有限，反而是一批专注具体痛点的小型AI原生公司切入了实际部署场景。

企业当前最核心的关切，已从“AI能不能用”转向“谁在用、用了多少、值不值”。

多家企业已部署使用追踪系统，员工达到一定额度后，请求将自动切换至更低级别模型及更慢响应速度。部分企业开始限制员工创建智能体的权限。消费计费模式的敏感度也在上升，因为它将AI使用量与账单直接挂钩。

更细颗粒度的优化发生在模型调用环节：给模型提供更精炼的上下文，而非填满整个上下文窗口；减少模型对RAG系统的反复调用；通过脚本、路由和提示词压缩来降低单次任务成本。一家企业以固定价格向客户开放前沿模型，结果模型使用成本侵蚀利润空间，未来可能被迫调整定价结构。

但整体预算端并未出现明显收缩。企业普遍担心错过窗口期，更倾向于先推进部署、再逐步加装护栏。Karl Keirstead在报告中强调，"算ROI"并非"停投AI"的同义词，至少在这批受访企业样本中如此。

模型路由兴起，中国开源模型尚未进入大企业主流

降低AI调用成本的一条自然路径，是将部分任务从前沿闭源模型路由至开源模型。然而在这批以大型非科技企业为主的受访样本中，OpenAI GPT与Anthropic Claude仍是主流选择。

部分企业明确表示仍在使用前沿模型，不过技术原生型公司对中国开放模型的接受度更高，但大型传统企业更看重安全性、合规性与可控性，政府、国防及相关供应链企业尤为如此。

目前，模型降本更多沿三条路径并行推进：将不同任务分发至不同模型、用小模型处理低价值请求，以及优化调用链路减少token浪费。中国开源模型可能是选项之一，但尚未成为多数大企业的优先选择。

Salesforce创始人Marc Benioff曾多次表达同一判断：企业自建AI最终会失败，转而购买成熟SaaS厂商的AI应用。ServiceNow也持有类似逻辑。但瑞银调研显示，现实尚未站到SaaS厂商一边。

不少财富500强企业仍倾向自建AI产品，原因主要有三：企业内部流程高度定制化，现成SaaS AI功能未必适配；自建可保留对数据、工作流编排层（harness）与智能体系统的完整控制权；部分外部产品定价偏高或交付效果不达预期。

调研中有一个典型案例：一家企业计划用Turtle文件构建自己的本体层（ontology），将SAP或PTC Windchill数据实时导入Databricks数据湖，经过多层清洗后供智能体调用，构建行动引擎，并希望以此替代Palantir方案，理由包括成本更低、人才招聘更容易、未来还可向客户开放技术。另有企业直接表示，目前SaaS厂商没有值得购买的AI功能，自己可以开发插件。

这并不意味着采购完全消失。代码审查、安全、可观测性、SIEM、工作流等具体场景中，企业仍会购买成熟产品。但对软件投资者而言，真正的信号在于：企业是否愿意为这些功能持续付费，并放弃自建选项。这一偏好如未发生反转，应用软件公司的AI产品就难以形成高ROI。

在企业AI技术栈中，数据管理公司的存在感显著强于应用软件层。Databricks在调研中被多次提及，常见于实时数据湖、数据治理和AI工具底座等场景；Snowflake被用于构建智能体，受访企业还明确指出，LLM无法直接替代Snowflake——LLM擅长处理语言，不擅长对数百万数据点进行数学处理与转换，更合理的方式是将Claude等模型置于Snowflake之上，用于异常观察。

Palantir的反馈相对复杂。一方面，它仍在企业AI与本体层中占有一席之地；另一方面，部分客户尝试用AI自建本体层替代Palantir。一家大型国防承包商提到，内部已有团队开始缩减Palantir使用，并预判该公司未来几年将面临不同挑战。但瑞银报告提示，这类案例目前仍属早期信号，尚不足以外推为普遍趋势。

数据库层也出现竞争压力。有客户在AI工作负载上选择Redis和Postgres，这加剧了外界对MongoDB能否充分参与AI工作负载的关注。

调研中一个值得关注的细节是，企业提及的上市应用软件公司数量有限，Atlassian、CrowdStrike、Salesforce均有出现，但频次不高。反而是一批小型私有AI原生公司在采购清单上更为活跃：CodeRabbit用于代码审查、Opik用于LLM可观测性、Onyx用于智能体安全、ArmorPoint用于AI SIEM、Workfabric用于数字工作流双胞胎，以及LiteLLM连接Langfuse用于模型路由与提示词压缩。

这些公司切入的并非宏观的"企业AI平台"叙事，而是非常具体的业务痛点。以代码审查为例，AI生成代码的速度远超人工审查能力，企业选择CodeRabbit以防止安全漏洞进入生产环境；在安全领域，AI可结合防火墙配置、用户权限等信息对漏洞进行优先级排序，帮助安全团队识别真正关键的威胁。

调研还指出，AI正在快速提升攻击能力，企业安全相关支出预计将随之增加。与其他AI应用场景不同，安全支出的预算逻辑更为刚性，驱动力是防止攻击面扩大，而非体验新功能。

企业AI基础设施目前仍高度集中在AWS、Azure和Google Cloud之上。受访企业极少提及大规模扩建本地AI硬件与软件栈，汽车数据、预测性维护、智能体应用、数据湖、Snowflake与Databricks上的AI工作流，大多围绕三大云构建。

调研中有企业计划将全部数据从Azure迁移至Google Cloud，理由是后者定价更具竞争力。但迁移本身并不简单，涉及数据搬迁周期至少一年，以及Power BI用户、Excel脚本与Google Sheets兼容性等问题，微软的相关支出有望被削减但不会归零。这说明云厂商之间存在价格竞争，但AI从云端迁回本地的实质性趋势尚未得到客户侧证据的充分支撑。

瑞银报告指出，尽管部分合作伙伴仍在评估"AI工厂"与模型回迁本地环境的可行性，从当前客户样本来看，AI部署的主战场仍在云端。

~~~~~~~~~~~~~~~~~~~~~~~~

以上精彩内容来自追风交易台。

更详细的解读，包括实时解读、一线研究等内容，请加入【追风交易台▪年度会员】