人工智能成本正在加速增长——以下是如何控制成本

云使用量持续飙升，相关成本也随之飙升——尤其是最近由人工智能推动的成本。Gartner 分析师预测，全球终端用户在公共云服务上的支出将激增至 $ 723.4十亿的2025，高于 600 年的 2024 亿美元。 70％的高管 IBM 的一份调查报告指出，生成式人工智能是这一增长的关键驱动因素。

与此同时，中国的 DeepSeek 声称它只花了 两个月，6万美元 训练其 AI 模型。有人怀疑这些数字是否能说明全部情况，但如果微软和 Nvidia 仍然动荡的股价有任何迹象的话，这一声明唤醒了西方世界对具有成本效益的 AI 系统的需求。

到目前为止，公司已经能够将不断增加的 AI 成本视为研发费用。但 AI 成本（尤其是与成功产品和功能相关的成本）最终将影响公司的销售成本 (COGS)，从而影响其毛利率。AI 创新注定要面临商业意识的冷酷审查；DeepSeek 的重磅声明只是缩短了这一时间线。

就像管理其他公共云一样，企业需要管理 AI 成本，包括培训成本和消费成本。他们需要将 AI 支出与业务成果联系起来，优化 AI 基础设施成本，完善定价和打包策略，并最大限度地提高 AI 投资回报。

他们如何做到的？借助云单位经济学 (CUE)。

什么是云单位经济学 (CUE)？

CUE 包括衡量和最大化云驱动的利润。其基本机制是将云成本数据与客户需求和收入数据联系起来，揭示企业利润最高和最低的方面，从而向企业展示如何以及在何处进行优化。CUE 适用于所有云支出来源，包括 AI 成本。

CUE 的基础是 成本分配 — 根据驱动因素和/或驱动因素来组织云成本。常见的分配维度包括每个客户的成本、每个工程团队的成本、每个产品的成本、每个功能的成本和每个微服务的成本。使用现代成本管理平台的公司通常会在反映其业务结构（其工程层次结构、平台基础设施等）的框架中分配成本。

那么，CUE 的核心是 单位成本指标，将成本数据与需求数据进行比较，向公司展示其全部服务成本。例如，一家 B2B 营销公司可能希望计算通过其平台发送的“每 1,000 条消息的成本”。为此，它必须跟踪其云成本和发送的消息数量，将这些数据输入单个系统，并指示该系统将其云成本除以其消息数量，并在仪表板上绘制结果图表。

由于公司从成本分配开始，因此它可以按客户、产品、功能、团队、微服务或任何其他其认为能反映其业务结构的视图查看每 1,000 条消息的成本。

其结果是：

• 灵活性 业务维度 他们可以通过它来筛选单位成本指标，了解哪些业务领域正在推动他们的云成本
• 一个有启发性的 单位成本指标 这表明他们满足客户需求的效率有多高
• 有针对性地提高效率的能力，例如重构基础设施、调整客户合同或改进定价和包装模型

人工智能时代的 CUE

在 CUE 模型中，AI 成本只是可以纳入企业分配框架的云支出来源之一。AI 公司传播成本数据的方式仍在不断发展，但原则上，成本管理平台对待 AI 成本的方式与对待 AWS、Azure、GCP 和 SaaS 成本的方式大致相同。

现代云成本管理平台分配人工智能成本，并在单位成本指标的背景下显示其效率影响。

公司应该以一些直观的方式分配其AI成本。其中一种方式是前面提到的每个团队的成本，这是所有云计算支出来源共有的分配维度，显示了每个工程团队应承担的成本。这种方式尤其有用，因为领导者知道当某个团队的成本飙升时，应该通知谁并追究责任。

公司可能还想知道他们的 每种 AI 服务类型的成本 — 机器学习 (ML) 模型与基础模型以及 OpenAI 等第三方模型。或者，他们可以计算每个 SDLC 阶段的成本，以了解 AI 驱动的功能在从开发到测试到准备阶段再到最终到生产过程中的成本如何变化。公司可以更加细致地计算每个 AI 开发生命周期阶段的成本，包括数据清理、存储、模型创建、模型训练和推理。

稍微拉远一点：CUE 意味着将有组织的云成本数据与客户需求数据进行比较，然后找出需要优化的地方。人工智能成本只是云成本数据的另一个来源，借助合适的平台，它可以无缝融入公司的整体 CUE 战略。

避免成本海啸

截至2024年 61％的公司 已经建立了正式的云成本管理系统（根据 CloudZero 的一项调查）。未管理的云成本很快就会变得难以管理：31% 的公司（与未正式管理成本的那部分公司类似）遭受了重大的 COGS 打击，报告称云成本消耗了其收入的 11% 或更多。未管理的 AI 成本只会加剧这一趋势。

当今最具前瞻性的组织将云成本视为任何其他重大支出，计算其投资回报率，按其最关键的业务维度细分投资回报率，并为相关团队成员提供优化投资回报率所需的数据。下一代云成本管理平台提供全面的 CUE 工作流程，帮助公司避免 COGS 海啸并增强长期生存能力。