AI成本痛点不在于Token，而在于返工

6月23-25日，2026夏季达沃斯论坛（世界经济论坛第十七届新领军者年会）在大连举行。今年的夏季达沃斯，以“规模化创新”为主题，几乎每一场论坛、每一次讨论都绕不开人工智能。

面对AI的快速发展，对于企业而言，“要不要使用AI”已经不是个问题，真正要面对的挑战是如何控制AI成本。

如今，企业决策层正愈发严格地审核AI相关支出。模型定价、Token账单、GPU成本、软件许可费、云资源消耗，以及AI服务商的结算单据等，这些成本都不可避免，也最容易衡量。

然而更高昂的成本，来自各类返工。

问题的症结在于：在底层技术栈尚未理顺的情况下，即便选用低成本模型，AI策略落地也是一笔很大的开销。真正能够依托AI取得成功的企业，并非那些把Token价格压到最低的企业，而是那些可以消除AI项目各类浪费的企业，例如重复的数据、脆弱的集成、过时的嵌入数据以及治理上的短板。

这就好比为一栋保温性能差且窗户常年敞开的建筑争取更便宜的电价。短期内电费账单金额可能很理想，但真正的浪费早已根植于建筑基础设施本身。

生产级AI将暴露薄弱的底层架构

这一问题的紧迫性与日俱增，因为AI正从试点探索转向投产落地。IDC认为，技术行业正迎来三十年来最显著的增长周期。全球AI产业已进入一个超级周期，市场正从基础设施建设转向企业级应用爆发。

这种转变给企业架构带来了压力。概念验证可基于筛选后的数据集、精简工作流程与小型专家团队开展。但生产级AI必须适配企业真实的业务现状，包括零散的系统、实时交易、客户档案、文档、服务履历、风险信号、合规条例，以及区域数据要求等。

AI智能体的出现进一步放大了相关风险。聊天机器人只知道检索信息，而智能体能够执行操作。它会创建档案、更新状态、触发工作流程，并留存审计记录。一旦AI开始参与业务运营，过时数据和脆弱集成就不再只是小麻烦，而是会演变为实实在在的运营风险。

MongoDB委托IDC开展的一项调研揭示了该问题的普遍性。研究报告指出，超三分之一（36%）的大中华区企业表示，其现有架构因过于僵化、成本高昂且响应迟缓，已无法满足当前业务需求；若不进行大规模现代化改造，将难以构建新的应用。高达88%的受访企业曾遭遇过现代化项目受挫的情况。

梳理这些受挫项目不难发现，根源大多指向数据。模型和智能体的效用，完全取决于投喂的数据质量以及数据调取速度。如果智能体基于过时的客户档案、上周的库存信息或已经变更的价格进行推理，它不仅会输出错误的结果，甚至会触发错误的操作。

正因如此，数据架构正逐渐成为企业能否成功落地生产级AI的关键。如果缺乏能够整合各类数据并在业务决策时提供最新运营数据的底座，那么每新增一个AI用例，都要陷入新一轮的返工。

领先企业正面向生产级场景搭建底层架构

推进速度最快的企业，都选择从源头杜绝返工问题。IDC将企业划分为“领先企业”和“主流企业”，在大中华区，“领先企业”的数字化业务营收占比达70%，接近“主流企业”(24%)的三倍。二者拉开差距的根源在于：领先企业将现代化改造视为一项可持续的能力，而非一次性迁移项目。它们持续投资打造数据底座，让系统能够顺应变化，支持多种数据类型，并为团队铺就一条从AI创意构思到生产应用的坦途。

这才是真正值得深究的AI成本问题，不在于“如何压低模型价格”，而在于“如何减少AI发挥实效过程中产生的各类返工”。

对技术决策者来说，需要跳出表层可见的AI技术栈来审视问题。纠结选用哪种模型、采购哪种云服务、试用哪个AI助手都只是浅层选择，更深层次的问题是：企业能否将AI与实时可信的运营数据连接起来，而不必每上线一个新用例就重新搭建一遍底层架构。

底层先行：OPPO与荣耀的路径

OPPO作为全球领先的智能终端厂商，其IoT设备的运动健康业务每日产生海量时序数据，年增长量已突破千亿条。落地MongoDB数据库后，OPPO节约了90%左右的磁盘空间，有效化解了存储成本压力。与此同时，由于运维与扩展效率的大幅提升，OPPO为向全球用户提供更加智能、AI驱动的产品体验奠定了坚实基础。

荣耀（HONOR）是全球领先的AI终端生态公司，服务着2.5亿+在网设备用户，每日承接3500亿+次业务请求，肩负着支撑450+应用高效运转的重任。荣耀数据库团队通过引入MongoDB作为核心支撑力量，彻底改变了传统运维模式，在保障业务敏捷创新的同时实现降本增效，助力荣耀构建AI终端生态优势。

企业当下可落实的三项举措

应对之道，在于务实。

其次，对阻碍变革的架构进行现代化改造。搬迁式迁移往往会把原有系统的各类限制因素搬到新环境中。表面上看似取得了进展，但结构僵化问题依然存在。企业应优先选择可支持结构化数据、半结构化数据、非结构化数据和向量数据的架构，而不是迫使开发人员为每一个AI用例都重新拼凑一套全新的技术栈。

第三，将现代化改造融入企业日常运营。领先企业会持续投资于技能提升、变革管理、云就绪平台，并设定清晰的业务目标。它们不会坐等所谓完美的转型时机，而是在市场需求、监管政策、客户期望和AI能力不断变化的背景下，持续锤炼自身与时俱进的能力。

这正是大中华区企业在AI落地讨论中应当着眼的核心：安全、可靠且大规模地部署AI，不仅仅是模型使用成本的经济考量，更是一场能力考验——企业是否已经清理了足够多的架构冗余，使AI能够在真实业务场景中发挥实效。

潜藏在底层的返工成本，才是AI落地真正的成本痛点。<本文作者：MongoDB 大中华区副总裁胡建基（Gabriel Woo）>