夜雨聆风
今天企业谈 AI，最容易把注意力放在三个问题上：用哪个模型、做哪个场景、买哪个工具。
但我的一个核心判断是：当 AI 从个人尝鲜进入企业级规模化应用以后，真正影响落地速度和应用边界的，不只是模型能力，而是模型背后的算力、数据中心、硬件供应链、云平台能力和长期成本结构。
这不是一个纯技术问题，而是一个管理问题。
因为企业做 AI，本质上是在重新配置生产要素。过去我们配置的是人、岗位、流程、系统；今天我们还必须同步配置模型、Agent、数据、算力和外部技术生态。
本文核心观点
企业 AI 落地的上限，不只取决于模型能力，也取决于基础设施能力。
算力、数据中心、高带宽内存、云平台和供应链，正在成为企业 AI 的隐性管理变量。
企业不一定要自建数据中心，但必须知道自己的 AI 应用依赖什么能力、由谁提供、瓶颈在哪里。
AI 成本不能只看软件订阅费，还要看推理成本、存储成本、数据处理成本、集成成本和治理成本。
管理者需要从“选工具”转向“设计 AI 应用组合与基础设施依赖关系”。
01
OpenAI 与 Samsung 的合作，
提醒我们看见 AI 背后的另一层系统
OpenAI 在2026 年6月21日发布的《Scaling OpenAI with Samsung》。这类合作真正值得管理者关注的，不只是“OpenAI 又和谁合作了”，而是它揭示了一个更深层变化：
AI 的规模化，不是只靠模型算法完成的。
它需要计算能力，需要数据中心能力，需要高带宽内存，需要硬件供应链，也需要长期稳定的产业伙伴。
Samsung 的 HBM 页面把高带宽内存称为“powering AI infrastructure”的关键能力，并说明 HBM 用于加速 AI 训练和高性能计算工作负载，HBM4 还强调更高吞吐和更高能效。
这对企业管理者的启发是：我们不能只看见前台的 AI 应用，看不见后台的资源约束。
一个客服 Agent 能不能稳定响应，一个知识库问答能不能支撑万人并发，一个研发助手能不能进入核心流程，一个智能销售系统能不能长期运行，背后都不是“有没有模型”这么简单，而是有没有稳定、可扩展、可治理、成本可控的基础设施支撑。
02
企业 AI 的管理对象，
正在从“工具”变成“生产要素组合”
我把这个变化定义为“AI 基础设施依赖管理”。
所谓 AI 基础设施依赖管理，不是让所有企业都去自建芯片、数据中心或大模型，而是要求管理者系统识别：企业 AI 应用依赖哪些外部基础能力，这些能力由谁提供，成本如何变化，瓶颈可能在哪里，以及这些约束会如何影响业务优先级。
过去企业上系统，更多看功能清单、项目周期和实施费用。
今天企业做 AI，还要多问五个问题：
第一，算力在哪里？
第二，数据在哪里？
第三，模型在哪里？
第四，成本在哪里发生？
第五，当规模扩大十倍时，瓶颈会在哪里出现？
AWS 的生成式 AI 页面明确把企业生成式 AI 放在“工具、模型、基础设施、数据基础、责任治理”一组能力里讨论，并强调用于训练和推理的 AI 基础设施、数据基础和企业级安全隐私。AWS Generative AI
NVIDIA 的数据中心页面则把 AI 数据中心描述为面向 AI reasoning 时代的全栈基础设施，包含 AI Factory、DGX、网络、MLOps、GPU 编排等能力。NVIDIA Data Center
这说明一个趋势：AI 正在从单点工具，走向“模型 + 算力 + 数据 + 工作流 + 治理”的系统工程。
企业如果还用传统软件采购的方式理解 AI，就会低估它对组织资源配置的影响。
03
基础设施会影响企业 AI 应用组合
很多企业做 AI 时，常犯一个错误：先列场景，再找工具。
这个动作没有错，但不够。
真正进入规模化以后，企业还要判断不同 AI 场景背后的基础设施要求是不一样的。
比如：
一个个人写作助手，对算力稳定性要求不高。
一个内部知识库问答系统，核心问题是数据整理、权限管理、检索质量和响应成本。
一个客服 Agent，如果进入真实客户服务，就要考虑并发、延迟、服务稳定性、内容安全和人工接管。
一个研发辅助系统，如果进入代码、设计、测试流程，就会牵涉代码安全、模型能力、集成链路和审计机制。
一个工业视觉、仿真或药物研发场景，对高性能计算、GPU、存储和数据中心能力要求更高。
所以，企业 AI 应用组合不能只按“业务价值”排序，也要按“基础设施强度”分层。
我建议企业把 AI 场景分成三类：
第一类，轻量工具型。适合快速普及，比如写作、翻译、会议纪要、资料整理。
第二类，流程嵌入型。需要和业务系统、数据权限、SOP、审批机制结合，比如客服、销售、招聘、财务分析。
第三类，基础设施密集型。需要高性能计算、稳定推理、大规模数据处理或行业专用模型，比如研发、制造、仿真、风控和复杂决策支持。
不同类别，不应该用同一套预算逻辑、供应商逻辑和项目节奏。
04
成本结构会从“订阅费”变成“长期运行成本”
企业买传统软件，最容易理解的是账号费、实施费、维护费。
但 AI 的成本结构更复杂。
AI 应用一旦进入组织工作流，成本就会分布在多个地方：模型调用、推理计算、数据存储、向量检索、权限治理、系统集成、监控评估、人工校验、模型切换、供应商迁移。
这意味着，企业不能只问“这个工具一年多少钱”。
更关键的是问：
一个任务跑一次多少钱？
一个客户服务闭环多少钱？
一个销售线索从识别到转化，中间调用多少次模型？
一个知识库每月更新多少数据，产生多少存储和检索成本？
如果员工大规模使用，成本曲线是线性增长，还是会突然跳升？
Alibaba Cloud 的生成式 AI 方案中，也把基础模型开发、微调、训练、推理部署、数据标注、模型开发、模型部署、安全措施等放在同一套全流程方案里。
这对企业的启发是：AI 成本不是发生在采购合同签字那一刻，而是发生在持续运行过程中。
真正成熟的 AI 管理，不是只做一次 ROI 测算，而是建立一套“AI 单位经济模型”。
也就是说，每个 AI 场景都要回答：它消耗什么资源，节省什么人力，提升什么产出，承担什么风险，长期是否可持续。
05
供应商选择，本质上是在选择外部能力边界
很多企业选择 AI 供应商时，只看前台产品体验：回答准不准、界面好不好用、价格贵不贵。
但未来更重要的问题是：这个供应商背后依赖什么云、什么模型、什么芯片、什么数据中心、什么安全体系、什么生态伙伴？
这不是让企业老板变成技术专家，而是让管理者看懂外部依赖。
AMD 的 Instinct 页面提到，企业从 AI 实验走向生产级部署时，真正挑战在于如何大规模运营硬件，并强调开放、可扩展的 AI stack、混合云和现有基础设施适配。AMD Instinct
这句话放在管理语境里，其实就是：企业 AI 不只是“能不能演示”，而是“能不能进入长期运营”。
供应商选择至少要看五个维度：
第一，模型能力是否匹配业务任务。
第二，基础设施是否稳定可扩展。
第三，数据和安全边界是否清楚。
第四，成本结构是否透明。
第五，未来是否具备迁移、替换和组合的空间。
如果企业只看短期演示，很容易把自己锁进一个不可控的技术依赖里。
06
一个真实管理场景：
客服 Agent 为什么不能只按工具项目做？
假设一家制造企业想做售后客服 Agent。
如果只是工具视角，项目目标可能是：接入一个大模型，整理一批问答资料，训练客服使用，减少人工回复。
但如果用基础设施依赖视角，就要重新拆解。
第一，数据依赖。产品说明书、维修记录、客户投诉、经销商反馈、历史工单是否结构化？权限是否清楚？
第二，算力依赖。高峰期有多少客户同时咨询？响应延迟能接受多少？是否需要本地化或私有化部署？
第三，系统依赖。Agent 是否要连接 CRM、ERP、工单系统、备件库存和经销商系统？
第四，供应商依赖。模型调用、向量数据库、云资源、知识库平台分别由谁提供？出问题谁负责？
第五，治理依赖。错误回答如何拦截？哪些问题必须转人工？知识更新谁负责？如何复盘？
你会发现，这已经不是一个“客服部门买 AI 工具”的项目，而是一个跨业务、IT、数据、法务、售后和供应链的组织协同项目。
这也是我一直强调的：AI 落地不是工具上线，而是工作流重构。
07
常见误区
误区一：以为企业 AI 只需要选一个好模型。
准确说法是：模型很重要，但模型只有进入数据、流程、权限、算力和治理体系，才会形成组织能力。
误区二：以为基础设施是 IT 部门的事。
准确说法是：基础设施会影响业务节奏、成本结构、供应商选择和应用边界，因此也是经营管理问题。
误区三：以为不上大项目就不用关心算力。
准确说法是：即使企业不自建算力，也要知道自己购买的 AI 服务背后依赖什么基础设施，以及这种依赖是否稳定、合规、可持续。
误区四：以为 AI 越重越好。
准确说法是：不同场景需要不同基础设施强度。能用轻量工具解决的，不要做成重型平台；必须进入核心流程的，也不能停留在个人工具层面。
08
给企业家和高管的五个行动建议
第一，给企业 AI 应用做一次分层盘点。
不要只列“我们用了哪些 AI 工具”，而要列“这些工具分别依赖哪些数据、模型、算力和供应商”。
第二，为核心 AI 场景建立成本模型。
尤其是客服、销售、研发、知识库、风控这类高频场景，要测算单次任务成本、月度调用成本、数据处理成本和人工校验成本。
第三，重新评估供应商选择标准。
不要只看功能演示，要看底层云能力、模型能力、数据安全、服务稳定性、生态开放性和迁移可能性。
第四，把 AI 基础设施纳入战略会议，而不是只放在 IT 预算里。
企业未来三年的 AI 应用组合，应该和算力、数据、系统集成、组织能力一起讨论。
第五，优先跑小闭环。
不要一上来就追求全公司统一大平台。先选择一个价值明确、数据相对清楚、流程可改造、责任主体明确的场景，跑通“人 + Agent + 数据 + 算力 + 工作流”的小闭环。
09
写在最后
AI 时代，企业真正要重写的不是工具清单，而是资源配置逻辑。
过去我们问：这个岗位需要多少人？这个流程需要什么系统？这个项目需要多少预算？
未来我们必须同步追问：这个任务需要多少人、多少 Agent、多少数据、多少算力、什么供应商、什么安全边界、什么长期成本？
企业不一定要成为基础设施公司。
但企业家和高管必须理解：当 AI 开始进入核心流程，算力、数据中心、硬件供应链和平台生态，就不再是远处的技术新闻，而是会影响企业 AI 战略节奏的隐性管理变量。
这也是我对企业 AI 转型的一个重要判断：真正的竞争，不是谁先买了工具，而是谁先把 AI 背后的生产要素逻辑，写进了战略、组织、流程和成本管理系统。
原创出品：管理洞察AI+
咨询合作：13699120588
文章仅代表作者本人观点
曹朝霞
华 夏 基 石 管 理 咨 询 集 团 副 总 裁 、高 级 合 伙 ⼈ ， AI 领 导 力 学 院 院 长
华 夏 基 石 首 席 管 理 + A I 专 家
所著文章：高能企业系列7篇、AI转型案例系列三大行业七大企业及专题报告共14篇、AI时代五大范式革命系列6篇、产业领袖+AI学堂系列10个模块9篇、2026新年AI行动系列5篇
所著书籍：2025华夏基石第12届十月管理高峰论坛白皮书《AI在企业的真正落地：从战略到个体的智能跃迁》
