AI热潮与千亿投资之问:需求真实存在,回报却远未明朗

AI热潮确实存在：企业越来越频繁地使用人工智能，对算力的需求持续增长，科技巨头也在向数据中心、芯片和云计算能力投入数十亿资金。

然而，不断增长的营收、排满的订单以及令人瞩目的应用成果，仍然无法回答那个最关键的问题：日益增长的使用需求，能否及时转化为足够的利润和稳定的现金流？

因为，技术进步与盈利的商业模式之间存在着巨大差异。一款AI应用可以很有用，却未必能让其提供商获得合理回报。

数据中心可以满负荷运转，投资却未必能产生适当的收益。即使单次模型调用的成本下降，企业的总支出仍然可能增加。

例如，AI使用频率提高了，需要进行额外审核，或者后台运行着更加复杂的处理流程。

因此，对于企业来说，关键并非预测下一轮股市上涨或可能出现的市场调整，而是判断某项具体应用能否带来可衡量的经营效益、实际需要承担哪些成本，以及由此产生哪些依赖关系。

决定成败的不是使用了多少种模型，而是总成本、结果质量与实际经济效益之间的关系。

AI市场真正需要回答的问题，并非人工智能是否具有经济价值，而是这种价值能否及时转化为实际收入，流向目前投入最大资金的那些环节。

技术进步、使用量增长与盈利商业模式之间存在着明显差异。

正是这些差异解释了为什么一个行业可以同时实现高速增长、不断推出提高生产效率的应用，却仍然面临日益加大的财务压力。

因此，对当前形势最贴切的经济学描述，首先是一个发生在异常资本密集型投资周期中的投资回收风险。

由此可能进一步产生商业变现困境、区域性或技术性产能过剩，最终甚至引发资本市场的估值调整。

不过，这些情况彼此并不相同，也不必然相互关联。

对于使用AI的企业来说，需要承担的任务与投资者有所不同。

企业不必准确预测科技股何时会出现调整，而是必须弄清楚：哪些AI应用能够创造可靠的经济效益，实际会产生哪些成本，以及需要承担哪些依赖关系。

决定成败的不是使用模型的数量，而是总成本、结果质量与经营效果之间的关系。

2026年10月底公布的几家大型科技企业财报显示，资本开支与日常经营现金流之间的差距已经可能达到相当大的程度。

Alphabet在第三季度的投资支出约为514亿美元，自由现金流为负91亿美元。与此同时，微软公布的Azure营收增长了48%，自由现金流仍保持正值，达到186亿美元。

微软还预计，整个自然年的投资支出将达到约1700亿美元。

由此可见，这些企业虽然处于同一个投资周期，却面临着完全不同的资金状况。

亚马逊的情况尤其需要注意统计时间范围。其公布的424亿美元负自由现金流，指的是截至2026年9月底的过去12个月，而非仅仅第三季度。

第三季度，亚马逊在固定资产方面的投资约为773亿美元。

因此，不能将不同报告周期的数据直接相加，并将其视为同一个季度的资金缺口。

同样重要的是区分营收、经营现金流、利润和自由现金流。

如果一家企业的投资支出超过了日常经营所产生的现金流，并不意味着它的营收低于投资额，也不意味着它因此产生了同等规模的经营亏损。

数据中心的建设费用需要今天支付，但它将在未来数年持续提供服务。资金支出会立即影响企业的流动性，而在利润表中，已经资本化的资产通常会按照使用年限逐步折旧。

因此，一家企业完全可能在保持盈利的同时，出现投资后的自由现金流为负的情况。

如果使用得当，“资金缺口”这一说法可以准确描述这种情况。但如果据此推断企业存在无法弥补的经营亏损，或者即将丧失偿付能力，就会产生误导。

真正需要关注的是：企业现有的流动资金、其他业务板块或外部融资能否支撑这一投资阶段，以及新建资产未来能否带来足够的现金流。

认为泡沫一定建立在毫无价值的产品或完全虚构的需求之上，这种理解过于简单。

即使是具有重大经济价值的技术，也可能引发估值过高和缺乏盈利能力的投资浪潮。

铁路和电信网络的发展就是例子。

这些基础设施本身具有明确的社会价值，但仍然可能出现部分企业建设成本过高、对使用率过于乐观，或者过早投入产能的情况。

最终，基础设施可能依然具有价值，最初投入资金的资本方却可能遭受损失。

对AI也应当进行同样的区分。

第一，技术本身可以提高生产效率。

第二，算力需求可以大幅增长。

第三，某些应用的价格可以不断下降。

第四，投资者仍然可能赚不到足够的钱。

这四种情况并不相互矛盾。

订单储备大幅增长，同样无法消除这种风险。

Google Cloud最近拥有约5610亿美元的订单储备。这一数字证明企业已经签订了大量未来收入合同，但它既不是可以立即动用的现金，也不代表已经锁定了同等金额的利润。

其实际经济价值还取决于合同期限、服务承诺、成本变化以及客户集中度等因素。

如果价格与成本结构相匹配，长期合同能够带来稳定性。

但如果服务提供商以不利条件承诺了服务，或者所需基础设施的成本不断上升，长期合同也可能成为负担。

因此，真正需要问的并不只是订单是否充足，而是这些订单在扣除运营成本、折旧、融资费用和后续投资之后，能否产生合理的回报。

投资回收风险（Amortisationsrisiko），关注的是投入资本能否收回。企业今天进行投资，期待未来获得现金盈余。

如果这些现金盈余低于预期、到账时间晚于预期，或者很快又被设备更新投资占用，问题就会出现。

投资回收困境（Amortisationsdilemma），进一步强调其中的两难处境。

不投资，企业可能失去市场份额、技术竞争力或重要客户；投资，则意味着在高度不确定的情况下占用大量资本。无论作出哪种选择，都可能付出高昂代价。

商业变现困境（Monetarisierungsfalle），发生在另一个环节。

某项服务被大量使用，但客户的支付意愿不足以覆盖长期成本。此时，高使用量可能制造出经营状况良好的假象。一款拥有数百万用户的免费AI助手，还远远称不上是一门盈利生意。

过度投资问题（Überinvestitionsproblem），则涉及已经建成或计划提供的产能。

如果许多供应商同时根据相似的增长预期采取行动，最终可能建成超出市场合理价格需求的算力、建筑设施或电力接入能力。在这种情况下，某一代芯片可能出现产能过剩，而其他组件却依然供应紧张。

最后，固定成本陷阱（Fixkostenfalle）描述的是高固定成本商业模式所承受的压力。

一旦产能利用率下降，固定成本就必须分摊到更少的已售服务上，单位成本随之上升。不过，这是否会进一步推高市场价格，则是另一个问题。

这些概念有助于分析不同的经济风险，但它们并非都属于标准化程度相同的专业分类。

尤其是“商业变现困境”和“价格弹性陷阱”，不应让人误以为它们代表定义明确、能够普遍量化的危机状态。

认为企业最终必须通过提高价格收回投资成本，这种说法有一定道理：一家能够长期持续经营的企业，必须获得足够的收入。

但这并不意味着每家企业都能将过去的投资成本顺利转嫁给客户。

价格并非仅由企业自身成本决定，还受到市场竞争、替代方案、客户支付意愿、产品质量和议价能力等因素影响。

因此，一家企业即使投资过高，也不会自动获得提高价格的权利。

恰恰相反，高额沉没成本有时会加剧价格竞争。

如果一座数据中心已经建成，那么只要新增订单的收入能够覆盖额外运营成本，短期内接受更多订单可能就是合理的选择。

这样确实可以为固定成本分摊作出贡献，但仍然无法确保最初投入的资本获得完整回报。

因此，在产能过剩的情况下，恰恰是资本投入最密集的供应商，可能率先降低价格。它们试图提高设备利用率，并创造现金流。

对单个供应商而言，这种做法在短期内可能是理性的，但对整个行业来说，却可能进一步压低收益。

投资回报可能通过多种方式落空：价格过低、产能利用率不足、运营成本上升，或者资产使用年限缩短。

最终承担损失的可能是股东、贷款方，也可能是二手设备的出售方。这些损失并不一定会全部转嫁到终端客户身上。

对于应用AI的企业来说，理解这一点至关重要。一个财务承压的AI市场，既可能出现价格上涨，也可能出现价格下降。

相比整个市场价格朝着同一个方向变化，更有可能出现的是标准化服务与供应紧缺的高端服务之间进一步分化。

最大的挑战之一在于，AI基础设施由使用年限差异很大的资产构成。

土地、建筑物、电力接入设施、制冷系统、网络设备和加速芯片，并不会以相同的速度老化。

一个位置优越、供电有保障的数据中心，可能长期保持价值。但某一型号的加速芯片，即使技术上仍然能够正常运行，也可能面临经济竞争力下降的问题。

关键并不在于芯片是否损坏，而在于它与新一代替代产品相比，还能否保持相对性能优势。

如果新一代产品每千瓦时能够提供的有效算力大幅提高，旧款硬件就可能失去竞争力。

对于耗电量大、负载率高的应用，这种情况尤其明显。而对于要求较低的任务，同一批硬件可能仍然能够长期发挥经济价值。

由此产生了双重不确定性。

企业一方面必须估算设备的技术使用寿命，另一方面还必须判断客户愿意为这些设备提供的服务支付足够价格的时间究竟有多长。

财务报表中的折旧年限无法解决这一问题。延长折旧年限可以降低每年计入账目的费用，却无法延长技术竞争力，也不会自动改善实际现金回流。

如果一项资产直到较晚阶段才实现满负荷运转，而紧接着又迎来下一轮投资浪潮，情况就会变得尤其棘手。

原始投资能够创造足够现金盈余的时间窗口，可能因此变得非常有限。

大型供应商进行投资，并不只是因为它们预期增加服务器数量能够带来最高的短期回报，同时也是为了确保自己的战略地位。

自有基础设施能够让企业掌控客户关系、更快推出新产品、提前锁定产能，并减少对竞争对手的依赖。

此外，AI还可以强化企业现有的业务板块，例如企业软件、广告、零售和云服务。

因此，对于业务多元化的大型集团来说，并非每一项AI服务都必须单独、立即实现盈利。它也可以通过留住客户，或者保护其他产品的竞争力，为企业创造经济价值。

不过，这些间接收益更难衡量，也容易成为过度乐观的投资理由。

与此同时，战略竞争也带来了投资压力：如果多家大型供应商都认为，未来市场将由少数几个平台主导，那么等待观望就会显得风险很高。

每一家都希望成为最终的赢家。

由此产生的投资决策，从单个企业的角度看可能合乎逻辑，但从整个行业来看，却可能让产能超过经济上合理的水平。

这一机制既不能证明企业管理层缺乏理性，也不意味着未来必然发生危机。但它解释了为什么投资大幅增长，不能仅仅被理解为对已经得到保障的终端客户需求作出的精准回应。

其中一部分支出，实际上是在押注未来的市场格局、技术发展和议价能力。

技术进步可以降低单次模型调用的成本，但与此同时，企业的AI总预算却可能不断增长。只要观察实际使用情况，这种看似矛盾的现象就不难理解。

当一项服务变得更便宜、更容易获得时，人们往往会更加频繁地使用它。

原本偶尔使用的文本起草功能，可能逐渐扩展为自动回复客户、审核文件、测试软件以及执行多步骤分析流程。

此外，用户看到的一次请求，可能在后台触发多次模型调用。系统需要搜索信息、评估结果、生成中间版本、检查输出，并在不确定时再次尝试。

因此，实际计费的处理步骤数量，可能远远超过人类发起的操作次数。

与此同时，应用要求也在不断提高。

一个简单模型或许足以完成粗略摘要，但如果要进行可靠的合同审查或复杂的技术分析，就可能需要更大型的模型、更长的输入内容，以及额外的检查步骤。

因此，单位处理成本下降，并不能自动避免总支出增加。

一家企业可能每项任务的处理成本更低了，但由于自动化处理的任务数量大幅增加，最终支付的费用反而更多。

这并不一定是坏事。如果经济效益的增长超过成本增长，那么增加AI预算就是合理的。

真正值得警惕的是，使用量不断增长，却没有带来相应的价值创造。

部分显卡或特定内存配置的价格大幅上涨，可能反映出供应紧张以及市场支付意愿的变化。

但这些价格并不能直接说明所有本地AI应用的成本都在上涨。

某家经销商的具体报价，取决于产品供应情况、型号配置、交货条件以及报价时点。一项特别突出的单独报价，可能无法准确反映整个市场。

同样，制造商针对增加内存所要求的溢价，也不能与内存芯片的普遍市场价格画等号。

对于本地运行的大语言模型来说，可用内存容量确实是一个重要因素。它会影响企业实际能够运行哪些模型，以及能够支持多大的上下文窗口。

但这并不意味着内存越大，经济上就一定越划算。

模型规模、算力、内存带宽、量化方式、响应速度以及同时使用的用户数量，都必须相互匹配。

一套配置可能能够加载大型模型，却在实际经营应用中运行得过于缓慢。

另一套配置则可能通过较小的模型，更可靠、更低成本地处理一个明确限定的业务流程。

因此，在投资决策中，真正重要的不是某款特别抢手的高端产品价格，而是适合企业需求的完整解决方案的成本。

其中也应当考虑一些不那么引人注目的替代方案：更小型的模型、二手系统、专用加速器、租赁的专用服务器，或者不同运行方式的组合。

如果只盯着性能最强的硬件价格，就容易将技术上的顶级性能与企业经营中的实际合理性混为一谈。

对于德国中小企业来说，最重要的指标既不是一个Token的价格，也不是模型的参数数量。

真正关键的是：以符合要求的质量实际完成一项任务，需要花费多少成本。

这其中包括模型使用费用、技术集成、数据准备、访问权限管理、质量检查、返工以及持续维护。

如果企业采用自有基础设施，还需要计算设备采购、融资、能源、维护和故障保障等费用。

一个简单的计算例子可以说明其中的区别。

假设一次自动化文件审核产生5欧分的直接模型成本。

如果之后平均还需要人工检查两分钟，并按照每小时60欧元计算内部人工成本，那么仅人工检查这一项就会额外产生2欧元的成本。

这样一来，表面上看到的模型费用，就只占整个流程实际成本的一小部分。

更重要的是，还必须考虑错误会造成多大损失。一份内部草稿中出现不恰当的措辞，可以轻易修改。

但如果错误地批准了交货、误读了合同条款，或者给出了不准确的技术建议，就可能引发高得多的后续成本。

因此，真正具有经济意义的，不仅是平均质量，还包括错误的分布情况。

即使某个系统的平均表现相当出色，少数罕见但代价高昂的错误决策，也可能让整体经济效益大打折扣。

因此，正确的比较单位应当是：每个正确处理的客户案例成本、每份获准通过的文件成本，或者每笔成功完成的订单成本。只有这样，才能将技术能力与实际经营效益联系起来。

许多AI项目都承诺能够节省工作时间。但处理速度在理论上有所提高，并不意味着企业的成本一定会下降，或者收入一定会增加。

如果员工每天节省了几分钟，却无法利用这些时间承担更多任务，也无法提高业务处理量，那么实际财务效果就会相当有限。

这种工作负担的减轻仍然具有价值，但不应当被直接计入已经实现的人员成本削减。

如果一家企业能够在不按比例增加员工的情况下处理更多订单，情况就不同了。

同样，如果AI能够缩短流程周期、降低错误率，或者让稀缺的专业人员摆脱标准化工作，也能够创造经济价值。

不过，企业必须审视整个流程链条。报价制作速度加快，如果技术审批仍然需要等待好几天，效果就会非常有限。

自动化文件采集也只能带来有限帮助，如果后续仍然需要人工修正非结构化的主数据。

因此，最大的回报往往来自对完整业务流程的重新组织，而不是孤立地替代某一个工作步骤。

这也改变了企业的投资决策。一款价格更高的模型，如果能够显著减少返工，可能反而更具经济优势。

如果任务范围明确，并且拥有有效的检查机制，那么价格更低的模型也可能完全够用。评估必须放在整个业务流程的层面进行。

云服务有一个重要优势：它能够将一部分前期固定投资转化为可变支出。企业可以先尝试应用，而不必为了尚不确定的需求提前购买硬件。

对于使用频率不高、需求不断变化以及负载波动较大的企业来说，这种方式尤其有吸引力。快速接入不同模型的能力，同样可能具有经济价值。

如果最合适的技术方案经常发生变化，灵活采购服务就能降低过早作出技术选择的风险。

此外，时间也是一个重要因素。一套能够在几周内投入实际使用的方案，即使日常使用成本更高，也可能比一套价格更低、但需要数月才能部署完成的自建方案更具盈利能力。

不过，只有当合同条款和技术架构允许时，云服务的成本才真正具有灵活性。最低采购量、预留算力、专有接口以及复杂的系统集成，都可能限制企业更换服务商的能力。

看似简单的按使用量计费，同样需要严格管理。过长的输入内容、不必要的重复调用、不受限制的智能体循环，或者不合适的默认模型，都可能在没有相应增加收益的情况下产生费用。

因此，云服务本身并非天然便宜或昂贵。它的经济价值主要在于缓解不确定性，并根据实际需求灵活提供算力。

这一优势必须与长期使用成本及潜在依赖关系进行综合权衡。

对于重复性高、需求能够合理预测的任务，自有硬件可能具有经济吸引力。但决定成本的关键因素，并不只是任务总量，还包括任务在时间上的分布情况。

一套能够持续保持较高利用率的系统，可以将固定成本分摊到大量任务上。相反，一台性能强大的设备如果只是偶尔使用，每项任务承担的成本就可能非常高。

下面通过一个经过简化的计算例子来说明：

假设一套本地部署方案的采购成本为24,000欧元，计划使用三年，且不考虑残值。那么每年的资本消耗为8,000欧元。

如果再加上10,000欧元的运营、管理和维护费用，每年的总成本就是18,000欧元。

假设一套可比的云端方案，在扣除各自的控制和集成成本后，每成功完成一项任务的成本，平均比本地处理高出0.30欧元。

那么，两种方案的成本平衡点就是每年60,000项任务。只有超过这一数量，在上述假设条件下，本地部署方案才会更加便宜。

这项计算并非对市场价格的预测，而是为了说明哪些因素必须放在一起考量。

只要使用年限、设备利用率、额外冗余配置或管理工作量发生变化，最终结果就会出现明显差异。

此外，两种方案的处理质量也必须具有可比性。如果本地模型需要更多人工修正，那么它在基础设施方面的成本优势就可能完全消失。

因此，只有当任务稳定、数据流可控、质量要求能够满足，并且技术维护能够得到可靠保障时，自建基础设施才真正具有说服力。

敏感数据可能成为选择本地部署或高度受控运行方式的理由。不过，数据保护、安全性和自主权，并不会因为服务器位于企业自己的场所就自动得到保障。

自有服务器需要访问权限管理、安全更新、日志记录、数据备份以及明确的责任分工。配置不当的本地基础设施同样可能带来重大风险。

反过来，对于某些应用，只要合同和技术架构经过妥善设计，云端运行也完全可能适用。

因此，企业必须具体区分以下问题：处理的是哪些数据？适用哪些法律和合同要求？谁有权访问？涉及哪些分包服务商？数据如何删除？发生安全事件时如何处理？

数据自主权还不仅仅涉及数据的物理存储位置。即使模型部署在本地，也可能仍然依赖特定芯片、软件库或许可条件。完全独立自主在现实中很难实现。

因此，从经济角度来看，企业应当评估额外获得的控制能力究竟有多大价值。

如果本地处理能够保护机密研发数据、避免外部服务中断造成的影响，或者增强企业长期的议价能力，那么这些收益就可能足以证明额外成本是合理的。

但企业应当明确说明这些价值。否则，就可能出现这样的情况：一些经济效益薄弱的项目，借助一个模糊的独立自主承诺来为自身寻找合理性。

对于许多企业来说，将不同运行方式结合起来，可能是最稳妥的解决方案。

标准化、频繁发生的任务可以在本地或专用系统上运行。

少见但复杂的需求，则可以根据实际情况交由性能更强的外部模型处理。

这种路由机制也可以按照数据类别进行划分。特别机密的内容保留在受控环境中，敏感程度较低的任务则使用外部服务。前提是，数据分类和技术实施必须可靠。

企业还可以根据任务调整模型规模。并非每一项请求都需要性能最强的模型。

较小的系统可以负责信息分类或简单案例处理，只有难度较高的任务才需要进一步交由更强大的模型处理。

这种方式的经济优势，在于将较高的基础利用率与灵活的峰值算力补充结合起来。

企业因此不必为了少数偶尔出现的最高负载需求，而配置整套基础设施。

不过，混合架构同样会产生额外工作量。多个模型和运行环境会提高系统监控、测试和故障诊断的复杂程度。

因此，它并非天然更加便宜，而主要是一种更有针对性地满足不同需求的方式。

真正重要的仍然是实际运营的简洁程度。一套结构清晰、职责明确的简单方案，可能比一套技术设计精巧、却难以维护的模型体系更具经济优势。

AI投资周期何时会发生转折，并不存在一个适用于所有企业的统一时间点。通常只有在多种不利因素同时出现时，情况才会变得危险。

对于服务提供商来说，这包括在投资义务依然高企的情况下，设备利用率却不断下降。

此外，融资成本上升、客户付款能力减弱，以及现有资产技术价值快速贬损，也可能进一步加剧压力。

对于客户来说，如果供应商提高价格或收紧合同条件，却没有带来相应的额外价值，企业就会面临压力。那些经济价值较低、容易被替代的应用尤其敏感。

在关系企业核心业务的关键流程中，客户的支付意愿可能更高。

但与此同时，这类应用通常对可用性、可追溯性和责任限制提出更高要求。因此，更高的收入并不自动意味着更高的利润率。

一个警示信号是：企业只有通过不成比例地增加资本投入，才能继续实现营收增长。另一个信号则是：订单储备不断增加，却没有转化为相应的经营现金流。

对于应用AI的企业来说，自身的转折点通常更加具体：每项可靠完成的任务所产生的总成本，已经超过了它能够创造的经济价值。

即使模型价格持续下降，也可能因为审核工作增加或无效使用而达到这一临界点。

反过来，即使供应商不断涨价，只要某项应用能够解决企业一个价值很高的瓶颈，它仍然可能具有很高的盈利能力。

第一种情景是有序的生产力增长路径。

算力效率不断提高，应用得到更好的整合，需求也持续增长，足以让大部分基础设施得到合理利用。

在这种情况下，回报主要来自能够控制成本的服务提供商，以及能够从中获得可衡量价值的客户。

第二种情景是增长持续，但利润率面临压力。

使用量继续增加，但激烈的竞争和价格下降，导致所有参与者都难以获得足够的收益。

应用企业从更便宜的服务中受益，而投资者则不得不接受较低的资本回报。

第三种情景是更为剧烈的行业洗牌。

部分供应商面临融资压力，投资项目被推迟，基础设施则以更低的估值易手。

技术本身依然具有重要价值，但最初投入的部分资本将不得不计提减值。

这些情景完全可能同时出现在不同的细分市场中。

高度专业化的系统可能依然供应紧张、价格高昂，而标准化的文本处理服务则可能陷入激烈的价格竞争。

一些地区可能面临电力短缺，另一些地区却出现闲置产能。

因此，更有可能出现的既不是所有AI服务价格全面暴涨，也不是整个行业彻底崩溃，而是不同应用、供应商和基础设施类型之间出现更加明显的经济分化。

一套可靠的AI战略，应当从一个明确描述的经营问题开始。只有在此之后，才应该选择模型，并决定采用云端服务还是自有基础设施。

在大规模引入AI之前，企业应当先测量现有流程的实际表现，包括处理时间、错误率、业务处理量、人员投入以及延误成本。

没有这些基础数据，后续就很难验证AI究竟带来了多少实际价值。

随后，试点项目必须在真实条件下证明，同样的指标究竟发生了怎样的变化。

仅仅通过挑选出来的案例进行演示是不够的。

企业需要测试典型案例、复杂的特殊情况，并评估持续进行人工检查所需的工作量。

在作出投资决策时，至少应当考虑保守、中等和乐观三种使用情景。特别是对于自有硬件，必须评估设备利用率下降或提前更换设备会产生怎样的影响。

对于云服务，则应当将使用量增长、合同变更和供应商更换等因素纳入考虑。

同样重要的还有退出方案。只要经济上能够承受，企业就应当尽可能设计好数据、接口和业务流程，避免仅仅因为更换模型，就不得不重新搭建整个业务流程。

目标并非完全避免所有技术依赖，而是有意识地建立这些依赖，并清楚了解其代价。

AI热潮背后，既有真实的市场需求、巨大的生产力潜力，也存在显著的投资风险。

正因如此，简单地将未来划分为泡沫破裂或持续成功两种情况，并不足以解释现实。

最合理的经济判断是：这个行业必须证明，未来产生的现金盈余能够跟上今天资本投入的速度。单纯的增长无法回答这个问题。

庞大的订单储备和技术进步，也无法替代可靠的投资回报计算。

对于企业来说，这既不是反对使用AI的理由，也不是盲目扩大投资的建议。

真正合理的做法，是建立以具体应用为基础的资本纪律，将质量、总成本和实际流程效果结合起来进行判断。

真正的危险并不在于人工智能突然变得毫无用处，而在于供应商和使用者为一项技术上令人印象深刻、却未能充分融入经济运营的服务，付出了过高的代价。

理解这一差别，企业就不必为每一项投资公告欢呼，也不必将每一次股市调整都视为这项技术走向终结的信号。

它们可以更加理性地作出判断：AI究竟在哪里创造价值，需要什么样的基础设施，以及什么样的价格才真正值得支付。