川海智库

报告概述

本报告由Mavvrik与Benchmarkit联合开展，基于372家企业的调研数据，系统分析了AI基础设施成本对企业财务的影响。报告聚焦AI成本治理的实践与成熟度，覆盖云与AI基础设施部署模式、成本可见性与归因、财务指标衡量方法等核心主题。研究采用问卷调查与定量分析框架，旨在帮助CFO和财务领导者理解AI成本如何侵蚀利润、识别治理盲区，并制定有效的成本控制策略。报告价值在于提供行业基准与可操作的洞察，推动企业从被动成本管理转向主动治理。

报告的核心结论

AI成本已显著侵蚀产品毛利率

84%的受访企业报告AI交付成本导致产品毛利率下降超过6个百分点，其中26%的企业降幅达16%以上。例如，原本80%毛利率的产品可能降至74%。这一影响已从实验性开支转变为结构性成本压力，要求企业将AI成本纳入COGS管理，而非仅视为创新费用。

AI成本预测准确性普遍极低

仅有15%的企业能将AI成本预测控制在±10%的误差范围内，56%的企业偏差在11-25%之间，近四分之一（24%）的偏差超过50%。即使大型企业也难以精准预测，这种不确定性直接威胁盈利目标，尤其在AI成本占COGS比重持续上升的背景下。

混合基础设施模式加剧成本治理复杂度

61%的企业采用混合AI环境（同时使用公共云和私有基础设施），导致成本可见性碎片化，跨多个供应商和账单系统治理困难。仅35%的企业将本地部署成本纳入AI成本报告，形成严重的盲点。数据平台使用和网络访问成为最大的意外成本来源，而非通常假设的LLM令牌成本。

对AI收费的企业展现出更强的成本纪律

收取AI费用的企业在成本归因、实时超支告警、按客户/产品分摊成本等方面的能力显著优于提供免费AI的企业。它们精确追踪成本服务能力的比例达70%（免费企业仅29%），且更倾向于投资统一可见性和治理工具。收费机制带来的收入责任倒逼企业建立严格的成本管控体系。

报告回答的关键问题

AI成本如何影响产品毛利率？

AI成本对毛利率的冲击已非常普遍且严重。84%的企业因AI交付成本导致毛利率下降超过6个百分点，超过四分之一的企业降幅达16%以上。例如，一个原本毛利率80%的产品在计入AI成本后可能降至74%。这种影响迫使企业将AI成本视为产品交付成本（COGS）的一部分，而非研发费用，并需要对AI成本进行精细化追踪和归因，以维持盈利目标。

为什么AI成本预测如此困难？

AI成本预测困难主要源于成本来源的多样性和混合基础设施的复杂性。报告发现，数据平台使用（56%）、网络访问（52%）等是最大的意外成本来源，而LMM令牌成本仅排第五。此外，61%的企业使用混合环境，成本分散在公共云、私有设施和第三方服务中，缺乏统一可见性。仅有35%的企业将本地成本纳入报告，导致严重盲点。这些因素共同导致85%的企业预测偏差超过10%。

企业如何改善AI成本可见性和归因？

改善AI成本可见性需要建立统一的成本报告体系，覆盖所有环境（公共云、本地、GPU提供商、LLM API等）。报告指出，最有效的策略是实现统一可见性（33%的企业首选）和明确的成本归因（22%）。企业应投资自动追踪和实时告警工具，特别是那些对AI收费的企业，其成本归因能力显著更强。同时，建议将成本按客户、产品或模型进行分摊，并确保数据平台、网络等关键成本纳入监控。

AI成本治理有哪些最佳实践？

最佳实践包括：1）将AI成本纳入COGS管理，而非仅视为创新费用；2）建立跨所有环境的统一成本可见性，消除本地和LLM API等盲区；3）实施实时使用量告警和精细归因，尤其是对AI收费的企业；4）提升预测能力，通过自动化工具和财务与工程协作减少偏差；5）根据行业和成熟度制定针对性的治理框架。报告显示，制造业在AI成本管理成熟度上领先，金融服务业则需加快步伐。

报告中的代表性数据

84%

AI成本导致毛利率下降的企业比例

2025年，84%的受访企业报告AI交付成本导致产品毛利率下降超过6个百分点（600 bps），其中58%下降6-15%，26%下降16%以上。

85%

AI成本预测偏差超过10%的企业比例

2025年，仅15%的企业能将AI成本预测控制在±10%以内，85%的企业偏差超过10%，其中24%偏差超过50%。

67%

计划回迁AI工作负载的企业比例

2025年，67%的企业正在积极计划将部分AI工作负载从公共云回迁至自有基础设施，另有19%正在评估中。回迁趋势在中型企业最活跃。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整市场数据与趋势图表：包含AI基础设施成本对毛利率影响的细分图表、不同收入规模企业的成本预测准确性分布、以及各行业AI成本管理成熟度对比。
  • 云与AI基础设施部署模式分析：详细展示AWS、Azure、Google Cloud等云服务商在不同收入段的使用率，以及混合云与多云环境的流行度与成本治理挑战。
  • AI成本治理成熟度模型：按行业、公司规模、定价模型划分的成熟度分布，帮助读者对标自身企业所处阶段。
  • 财务指标衡量方法：涵盖AI成本占收入、COGS、研发费用比例的具体数据，以及收费与免费模式下的财务指标差异。
  • 成本可见性与归因实践：揭示各环境（公共云、本地、GPU、LLM API）在成本报告中的纳入率，以及精确成本服务追踪能力的企业比例。
  • 收费模式与成本纪律的关联分析：深入探讨对AI收费如何驱动更强的成本归因、实时告警和战略决策，并提供不同定价模型下的对比数据。
  • 回迁计划与趋势：按收入规模和是否收费细分的回迁意向数据，解释回迁作为财务策略而非技术策略的深层原因。
  • 监测工具与方法：列举企业使用的成本监测工具（内部仪表盘、云供应商工具、第三方FinOps平台）的使用率，以及实时超支告警的普及情况。
  • CFO行动建议：为财务领导者提供2026年准备策略，包括将AI成本视为COGS、统一可见性建设、以及嵌入预测纪律等关键举措。
  • 参与者画像与调研方法：完整展示受访企业的行业分布、收入规模、AI采用模式及招聘责任分配，确保数据解读的可靠性。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告