企业 AI 预算怎么做：从试点到规模化的成本模型

AI 项目预算最常见的错误，是只算模型 API 费用。真正上线后，工程、人力和合规往往占更大比例。本文给出一个可复用的预算框架。

一、先区分三类投入

1. 一次性投入：需求梳理、数据准备、系统开发、评测集建设、安全评估；
2. 持续性投入：模型调用、服务器、监控、人工复核、运维；
3. 隐性投入：业务人员培训、流程调整、供应商管理、问题处理。

预算表应把三类分开，避免用试点阶段的小额调用费推断全量成本。

二、模型调用成本怎么估

基本公式：

月调用成本 = 月请求数 × 平均输入 token × 输入单价 + 月请求数 × 平均输出 token × 输出单价

需要额外考虑：

• 重试率：失败重试会增加调用量；
• 上下文膨胀：为了效果加入的检索内容和示例；
• 峰值：业务高峰是否超出套餐限额；
• 缓存：可缓存的请求比例；
• 模型升级：更强模型通常单价更高。

建议用真实样本统计 token 分布，而不是用平均值拍脑袋。长尾请求往往贡献大部分成本。

三、工程与人力

试点阶段常见配置：

• 1 名产品/业务负责人；
• 1–2 名后端或全栈工程师；
• 0.5 名数据工程师；
• 兼职安全/法务支持；
• 业务专家参与评测。

规模化后还需要运维、客服、内容审核和供应商管理。预算中应明确这些角色是复用现有团队还是新增编制。

四、按阶段做预算

阶段一：验证（4–8 周）

目标：证明技术可行、业务愿意用。预算重点在评测集、原型开发和少量调用费。设置明确的退出条件，避免无限期试点。

阶段二：试点（2–3 个月）

目标：在真实业务中跑通流程。预算增加数据清理、权限、日志、人工复核和培训。

阶段三：规模化（6–12 个月）

目标：多业务线复用。预算重点在平台化、稳定性、安全合规和运营。此时模型费用可能不是最大项，工程和人力才是。

五、做一个三情景测算

向财务汇报时，建议给出保守、基准、乐观三个情景：

具体数字按自己的单价和团队成本填写。关键是让决策者看到成本随规模如何变化，以及盈亏平衡点在哪里。

六、如何控制成本

1. 用规则和小模型处理简单请求；
2. 压缩提示词，去掉无效示例；
3. 对重复问题做缓存；
4. 设置每用户和每业务线的额度上限；
5. 监控异常调用和密钥泄漏；
6. 定期评估模型性价比；
7. 对高风险场景保留人工，而不是盲目自动化。

七、预算评审时要回答的问题

• 这项投入对应什么业务指标？
• 试点失败的止损点是什么？
• 成本随业务量如何变化？
• 谁负责持续运营？
• 数据安全和合规投入是否足够？
• 供应商锁定风险如何缓解？

结语

AI 预算不是一张模型报价单，而是一份经营计划。把一次性、持续性和隐性成本都摆到桌面上，才能避免“试点很便宜，上线很贵”的陷阱。