这份研报主要分析了人工智能在经济学层面的应用现状,指出近60%的组织超出AI预算,智能代理使用量在六个月内增长14倍但成本预测能力不足,60%的组织缺乏企业级AI成本视图,仅45%的AI支出能链接到业务价值等问题。报告还探讨了智能代理设计对成本的影响、多模型组合架构、模型路由的成本优化策略,以及组织应对成本超支的方式和财务部门参与度的提升趋势。
AI行业未来发展趋势显示智能代理工作负载将持续增加AI消费,多模型组合成为默认架构,开放权重模型因成本更低而应用扩大,模型路由技术可大幅降低成本。同时,组织将更注重AI价值衡量和成本追踪,CFO参与重大AI投资决策的比例将提升,从控制支出转向管理AI结果成为主流方向。
研报重点分析了AI成本控制问题,包括预算超支、成本追踪不足、价值衡量困难等,并提出了五大治理优先事项:构建高效AI工作流、管理AI Yield组合、衡量AI结果成本、治理投资和支出、建立负责任的实验文化。此外还介绍了Capgemini AI经济学解决方案,涵盖Token经济框架、工程杠杆和双模式架构等内容。
当前AI市场现状表现为消费增长迅速但成本控制能力不足,组织普遍面临预算超支和成本追踪难题,AI价值衡量仍存在困难。市场正从单纯追求技术前沿转向注重成本效益和实际业务价值,多模型组合和模型路由成为降低成本的重要手段,财务部门在AI投资决策中的角色日益关键。
研报提示的主要风险包括AI成本控制不当可能导致财务后果,成本追踪不足影响投资决策效率,AI价值难以衡量造成资源浪费,以及过度依赖单一模型可能带来性能和成本风险。此外,组织在快速变化的AI技术环境中可能面临技术选型和路线图制定的挑战,需要建立完善的治理体系来应对这些风险。