瑞銀企業調研：AI支出依舊強勁，「自建」軟體已成趨勢，數據管理層至關重要

企業AI投入的邏輯正在發生結構性轉變，但這場轉變並未帶來預算收縮。

據追風交易台，瑞銀分析師Karl Keirstead於8月10日發佈的企業AI調研報告中指出，大量企業已從最初的「token最大化」階段，轉向以token優化為特徵的新階段，效率與投資回報率被放在更優先的位置。關鍵在於，這一變化「尚未轉化為AI支出的回撤」。這為市場提供了一個重要信號：企業開始精算，但還沒有踩剎車。

對OpenAI、Anthropic等前沿模型提供商及背後的雲端廠商而言，需求並未因成本焦慮而明顯萎縮。雲端廠商第二季度的強勁業績也與此相互印證。真正受壓的，是試圖將AI功能打包銷售給企業的傳統應用軟體廠商——企業仍普遍傾向於自建核心AI系統，傳統SaaS廠商等待的拐點尚未到來。

從產業鏈分工來看，分化已經顯現：雲端基礎設施層和數據管理層地位相對穩固，Databricks、Snowflake、Palantir在企業AI技術棧中持續佔據關鍵位置；應用軟體層壓力最大，大型SaaS廠商的AI功能在企業採購清單上存在感有限，反而是一批專注具體痛點的小型AI原生公司切入了實際部署場景。

企業當前最核心的關切，已從「AI能不能用」轉向「誰在用、用了多少、值不值」。

多家企業已部署使用追蹤系統，員工達到一定額度後，請求將自動切換至較低等級模型及較慢響應速度。部分企業開始限制員工建立智能體的權限。消費計費模式的敏感度也在上升，因為它將AI使用量與帳單直接掛勾。

更細顆粒度的優化發生在模型調用環節：給模型提供更精煉的上下文，而非填滿整個上下文視窗；減少模型對RAG系統的反覆調用；透過腳本、路由與提示詞壓縮來降低單次任務成本。一家企業以固定價格向客戶開放前沿模型，結果模型使用成本侵蝕利潤空間，未來可能被迫調整定價結構。

但整體預算端並未出現明顯收縮。企業普遍擔心錯過窗口期，更傾向於先推進部署，再逐步加裝護欄。Karl Keirstead在報告中強調，「算ROI」並非「停投AI」的同義詞，至少在這批受訪企業樣本中如此。

模型路由興起，中國開源模型尚未進入大企業主流

降低AI調用成本的一條自然路徑，是將部分任務從前沿閉源模型路由至開源模型。然而在這批以大型非科技企業為主的受訪樣本中，OpenAI GPT與Anthropic Claude仍是主流選擇。

部分企業明確表示仍在使用前沿模型，不過技術原生型公司對中國開放模型的接受度更高，但大型傳統企業更看重安全性、合規性與可控性，政府、國防及相關供應鏈企業尤為如此。

目前，模型降本更多沿三條路徑並行推進：將不同任務分發至不同模型、用小模型處理低價值請求，以及優化調用鏈路減少token浪費。中國開源模型可能是選項之一，但尚未成為絕大多數大企業的優先選擇。

Salesforce創辦人Marc Benioff曾多次表達同一觀點：企業自建AI最終會失敗，轉而購買成熟SaaS廠商的AI應用。ServiceNow也持有類似邏輯。但瑞銀調研顯示，現實尚未站到SaaS廠商這一邊。

不少財富500強企業仍傾向自建AI產品，原因主要有三：企業內部流程高度客製化，現成SaaS AI功能未必適配；自建可保留對數據、工作流編排層（harness）與智能體系統的完整控制權；部分外部產品定價偏高或交付效果不如預期。

調研中有一個典型案例：一家企業計劃用Turtle檔案建構自己的本體層（ontology），將SAP或PTC Windchill數據即時導入Databricks數據湖，經過多層清洗後供智能體調用，構建行動引擎，並希望以此取代Palantir方案，理由包括成本更低、人才招聘更容易、未來還可向客戶開放技術。另有企業直接表示，目前SaaS廠商沒有值得購買的AI功能，自己可以開發插件。

這並不意味採購完全消失。程式碼審查、安全、可觀測性、SIEM、工作流程等具體場景中，企業仍會購買成熟產品。但對軟體投資者而言，真正的訊號在於：企業是否願意為這些功能持續付費，並放棄自建選項。這一偏好如未發生反轉，應用軟體公司AI產品就難以形成高ROI。

在企業AI技術棧中，數據管理公司的存在感顯著高於應用軟體層。Databricks在調研中被多次提及，常見於即時數據湖、數據治理與AI工具基座等場景；Snowflake被用於建構智能體，受訪企業還明確指出，LLM無法直接取代Snowflake——LLM擅長處理語言，不擅長對數百萬數據點進行數學處理與轉換，更合理的方式是將Claude等模型置於Snowflake之上，用於異常觀察。

Palantir的反饋相對複雜。一方面，它仍在企業AI與本體層中佔有一席之地；另一方面，部分客戶嘗試用AI自建本體層取代Palantir。一家大型國防承包商提到，內部已有團隊開始縮減Palantir使用，並預判該公司未來幾年將面臨不同挑戰。但瑞銀報告提示，這類案例目前仍屬早期訊號，尚不足以外推為普遍趨勢。

資料庫層也出現競爭壓力。有客戶在AI工作負載上選擇Redis和Postgres，這加劇了外界對MongoDB能否充分參與AI工作負載的關注。

調研中一個值得關注的細節是，企業提及的上市應用軟體公司數量有限，Atlassian、CrowdStrike、Salesforce均有出現，但頻次不高。反而是一批小型私人AI原生公司在採購清單上更為活躍：CodeRabbit用於程式碼審查、Opik用於LLM可觀測性、Onyx用於智能體安全、ArmorPoint用於AI SIEM、Workfabric用於數位工作流雙胞胎，以及LiteLLM連接Langfuse用於模型路由與提示詞壓縮。

這些公司切入的並非宏觀的「企業AI平台」敘事，而是非常具體的業務痛點。以程式碼審查為例，AI生成程式碼的速度遠超人工審查能力，企業選擇CodeRabbit以防止安全漏洞進入生產環境；在安全領域，AI可結合防火牆配置、用戶權限等資訊對漏洞進行優先級排序，協助安全團隊識別真正關鍵的威脅。

調研還指出，AI正在快速提升攻擊能力，企業安全相關支出預計將隨之增加。與其他AI應用場景不同，安全支出的預算邏輯更為剛性，驅動力是防止攻擊面擴大，而非體驗新功能。

企業AI基礎設施目前仍高度集中於AWS、Azure和Google Cloud之上。受訪企業極少提及大規模擴建本地AI硬體與軟體棧，汽車數據、預測性維護、智能體應用、數據湖、Snowflake與Databricks上的AI工作流程，大多圍繞三大雲端構建。

調研中有企業計劃將全部數據從Azure遷移至Google Cloud，理由是後者定價更具競爭力。但遷移本身並不簡單，涉及數據搬遷周期至少一年，以及Power BI用戶、Excel腳本與Google Sheets相容性等問題，微軟的相關支出有望被削減但不會歸零。這說明雲端廠商之間存在價格競爭，但AI從雲端遷回本地的實質性趨勢尚未得到客戶側證據的充分支撐。

瑞銀報告指出，儘管部分合作夥伴仍在評估「AI工廠」與模型遷回本地環境的可行性，從當前客戶樣本來看，AI部署的主戰場仍在雲端。