文章核心观点 - 企业级人工智能的规模化应用 其关键制约因素可能更少在于技术本身 而更多在于现代化的财务基础设施和计费工作流程 以控制成本、账单和治理 [1][8] - 传统企业软件提供可预测的、对首席财务官友好的定价 但人工智能正转向基于使用量和结果的模型 这使得成本波动性更大且更难以预测 [1] 企业AI定价模式的转变 - 传统企业软件通过年度许可、多年协议和基于席位的定价模型 创造了财务团队可以相对准确预测的稳定成本结构 [2] - 企业人工智能通过以代币、计算周期和API调用等精细单位定价 正在打破这种模式 [4] - 具体案例包括：Adobe计划为其新的Adobe CX Enterprise AI套件采用基于结果的定价 OpenAI据称开始提供基于广告点击量的ChatGPT广告活动 Anthropic也开始根据企业客户的人工智能使用水平收费 此外 有报道称Salesforce和HubSpot等SaaS公司也准备加入基于结果的AI定价行列 [4] AI供应商的企业市场战略 - AI供应商正日益加倍关注企业市场 例如Google推广其模型上下文协议服务器以标准化AI系统跨环境检索已验证数据的方式 Anthropic推出了自己的智能体AI企业应用平台 同时 OpenAI据称正在与咨询公司合作 将其企业解决方案集成到业务流程中 [5] 新定价模式带来的财务挑战 - 从基于结果的模型到工程团队的“代币最大化” 工程速度与财务可视性之间的脱节正变得让首席财务官难以忽视 [6] - 内部实验的激增、新功能发布甚至优化不佳的提示词 都可能以难以预料的方式导致成本飙升 单位经济性精确 但总体行为难以预测 [6] - 关于使用何种模型的决策不再纯粹是技术性的 它们带来了必须被理解和管理财务影响 [7] - 传统的软件投资可以资本化或至少能以高度确定性进行预测 然而基于代币的AI支出通常是发生时即费用化 随着使用量增长 这可能对营业利润率产生实质性影响 且难以通过现有的财务基础设施和组织知识进行平滑处理 [12] 财务基础设施与治理的滞后 - 人工智能的快速采用速度已经远远超过了财务治理框架的发展 [9] - 财务部门运作的系统是为不同时代设计的 审批流程、成本分摊方法和报告结构并不总是能处理基于代币消耗的流动性 这种滞后并非由于惰性 而是结构性限制 [10] - 财务团队可以看到正在发生的情况 但他们往往缺乏实时塑造它的机制 结果导致了一种被动应对的状态 支出是在事后分析 而非主动管理 [13] 实现协同所需的新能力 - 实现协同可能需要新的能力 财务团队可能需要更接近运营层 与工程团队合作定义使用政策、优化提示词并评估权衡 工程团队则可能需要将成本意识纳入其工作流程 将代币不仅视为技术输入 也视为财务资源 [11] 企业对AI应用的认知 - PYMNTS Intelligence的“企业AI基准报告”研究显示 在年收入至少10亿美元的公司中 71%的高管认为组织准备度是AI性能的主要限制 只有11%的人认为AI技术本身是主要障碍 [14] - 关于AI采用 PYMNTS首席执行官Karen Webster认为 像Claude这样的工具能够在消费者在工作中接触到新AI模型时取得进展 [14] - ChatGPT从消费者端向外扩展 在低风险、高频率的任务中赢得信任 并将这种信任带入工作场所 习惯先形成 企业随后跟进 [15]