企业AI落地ROI与成本控制

10月27日

Cheeky Pint 要把 Starlink 装上每架飞机的航空公司CEO

• Scott Kirby United的技术优势，始于一笔没有常规回报测算的基础设施投资。 2020年启动的一项数亿美元项目，将系统从大型机迁出并升级数据库。此后Kirby对AI的热情主要集中在编程和加快产品交付，而不是文档摘要；如今限制技术投资的因素是“我们能管理多少，而不是钱”。

10月23日

No Priors 与 Cloudflare 首席技术官 Dane Knecht 谈智能体网络安全普惠化

• Dane Knecht Cloudflare用实际交付成果衡量AI，并通过支出可见性管理 token 成本。 公司不设“token数量排行榜”，而是按员工、经理到副总裁逐级发送支出提醒。Knecht认为，要求员工为每项任务挑选合适模型“相当没意义”；最终应由智能路由来处理。

10月21日

Latent Space 纽约AI：Tenex如何打造AI原生工程团队——Alex Lieberman与CJ Hess

• swyx 随着团队扩张，Token成本曾令人担忧，但这种焦虑已经缓解。 CJ估算，10X的Token实际支出约为员工支出的1:1至2:1。swyx的基准数据显示，不少公司每名员工的Token支出为10至200美元；AI初创公司的Token支出则从与员工支出大致相当，到后者的5–10倍不等。CJ表示，单项任务成本下降后，想靠“把Token用到极限”来严 …

10月19日

硅谷坐标 Silicon Valley Vector AI 的下一程：对话 11 位硅谷顶级 AI 从业者｜硅谷坐标 × 华源 HYSTA 特别节目

• 硅谷坐标 Silicon Valley Vector 企业落地的瓶颈已从能力转向成本：token cost 远超预算，商业化 ROI 成为关注重点（李严冰）。 乔琳指出，AI business 不同于 SaaS，有 PMF 也可能 “scale into bankruptcy”，大公司 CFO 也可能不批准 rollout；Questa 以 own the outcome 证明 ROI——有客户称每花 1 美元回收 9 美元，并可预先保 …

硅谷坐标 Silicon Valley Vector AI 落地最大的障碍不是模型，是运维｜对话 Datadog 首席产品官李严冰

• 李严冰 Datadog 做明年研发或 AI 预算时发现投入增长远超预期；工程师使用 coding agent 的支出可能是最大预算支出之一。 公司能把 token 使用与 PR 速度、产品稳定性、feature shipping 和产品安全性等 outcome 对应起来，衡量投入是否转化为 engineering velocity。

硅谷坐标 Silicon Valley Vector 有 PMF 也会破产：AI 生意和 SaaS 完全不同｜对话 Fireworks AI CEO 乔琳

• 乔琳 AI 有 PMF 不代表就能规模化，快速增长也可能耗尽现金。 曹卿云指出，AI infrastructure 成本很高，小公司增长过快、又融不到下一轮钱，可能“scale into bankruptcy”；大公司若把 AI feature 推给所有用户，也可能因成本高得惊人而被 CFO 拦下。

10月17日

20VC 20VC：横向与垂直智能体谁胜出，对话LangChain Chase

• Harrison Chase LangChain 在编程工具上的支出约占工程师薪酬的30%；通过提高可见性、设定预算和掌控运行框架，支出下降的同时 token 用量却在上升。 有个配置错误的插件每轮智能体运行都抓取 DOM，一周就烧掉4万美元。Harry Stebbings 将这个比例视为 Anthropic 2万亿美元估值的根本决定因素；Chase 认同它是估值的基础，但目前智能体真正产生影响的只有软件工程，他预计智能体在其他领域的影响会大幅扩大。

10月16日

The a16z Show 为什么 AI 会写代码，却还无法让代码持续运行（目前）

• The a16z Show AI 能否拓展到数字领域之外，取决于能否约束环境并找到经济上的平衡点。 Jad 认为，模型可以开展实验、应对现实世界的复杂性；Martin 则保持谨慎：自动驾驶用了 20 年、投入 1,700 亿美元，最后的“单位经济效益还不如 Uber”。Martin 认为未来几十年仍会创造大量价值，但运维 AI 必须证明，它能以足够低的成本驾驭现实工作流，才能真 …

10月15日

硅谷坐标 Silicon Valley Vector 硅谷坐标 x Datadog首席产品官｜HYSTA主席李严冰: AI 落地进入 ROI 时代

• 李严冰 李严冰判断，AI落地已从验证“能不能用”进入衡量“能不能管、能不能信、能不能产生ROI”的阶段。 企业既要确认输出正确、安全、可靠，也要控制远超预期的 token 成本与整体预算；她认为，能够解释 AI 在做什么、实体如何关联、最终创造何种价值的可观测性，正成为规模化部署的关键环节。

10月7日

The Cognitive Revolution 永不出问题的软件：OutSystems CEO Woodson Martin 谈如何以 AI 速度构建企业级应用

• Woodson Martin 企业采用 AI 受限的主要因素，已经不再是模型能力，而是治理、责任风险和组织“僵化”。 Martin 看到已经完成的代理系统排在合规审批队列中，企业还在调查模型训练数据的来源、数据权限和可审计性——即使任务只是从 PDF 中提取结构化数据。在放贷等高风险监管决策中，这种约束是理性的；但在其他场景，部分原因仍是“老派保守主义”。

硅谷坐标 Silicon Valley Vector 【硅谷坐标 × 华源HYSTA 特别节目】：AI 的下一程：对话11 位硅谷顶级AI从业者

• 硅谷坐标 Silicon Valley Vector 企业AI的采购标准已经从“能不能用”切换到可验证的商业ROI。 Datadog关注编码Agent是否真正改善交付速度、稳定性、功能发布频率和安全，而不是只看token使用量；另一项客户测算称，每投入1美元可收回9美元。与此同时，AI不同于传统SaaS：产品市场契合并不保证可规模化，基础设施成本可能让小公司越增长越接近破产，也让大公司的CFO无 …

9月30日

The a16z Show 人工智能、基础设施与下一个投资周期

• The a16z Show 企业AI正在广泛试验，但真正制度化的采用几乎还没有开始。 约69%的标普500公司报告已有上线部署，30%报告产生可量化影响，但只有2%会持续跟踪某项AI指标。这一差距——“从这些孤立部署走向真正深度影响业务的可重复工作流”——正是应用层机会所在，因为模型对世界了解很多，却对具体公司知之甚少。
• 重度用户和可量化的业务结果，展示了AI最终可能达到的渗透深度。 AI支出最高的1%用户，支出约为前10%用户水平的8倍；AI原生被投公司内部，领先用户月均支出7500-9000美元，而中位数用户仅为200-400美元。Chime的服务成本连续4年每年下降超过10%；Shopify称，Sidekick上线后，15天内完成5笔订单的商家占比提升了 …

David Senra 从 HOA 管理到40亿美元营收、63亿美元收购 Amex GBT | Alexander Taubman, Long Lake

• Alexander Taubman Taubman 认为，AI 回报的约束已经从模型智能转向在实体经济中的部署。 传统数据、割裂的系统、嵌入式工作流和变革管理都让技术扩散变得困难，即便前沿能力仍在快速进步。由于未来数万亿美元的模型投资最终都需要真实现金回报，Long Lake 希望成为“这些实验室的分发渠道”。

9月27日

Jordi Visser 牛市内部的一场熊市

• Jordi Visser 他引用的实体经济验证包括：Blackstone 的 John Gray 称，旗下投资组合公司 AI 支出同比增长21%，利润率已开始体现 ROI；Claude 还发现了此前未知的类 CRISPR 酶系统——Visser 特别关注 Feng Zhang 这位公认研究者，并称其研究是他唯一在意的声音。 他对短期炒作的对冲是：未来3个月，消费者代理的数据会被外推到相关公司身上；“我可能错了，但我认为这会是下一轮炒作周期。”

9月24日

Full Signal ELITE策略师：如何布局下一轮AI交易

• Warren Pies 在Pies看来，AI投资回报率的争论已经结束。 在Microsoft、Amazon，甚至Google公布业绩后，“这个问题已经结束了。这场讨论到此为止……你应该重新构思一个悲观情景。”

9月23日

卫诗婕｜漫谈 Light the Star 89.当 AI 进入组织，那些「从没人说过的真相」｜与网易阮良聊 AI 原生组织与企业 Agent 实战

• 阮良 Token 成本应按产出价值而非账单绝对额衡量，网易观察到 Token 高消耗与高绩效大概率相关。 2026 年 1 月，网易一个月的 Token 消耗可能就相当于去年全年的消耗量，但程序员每月数千元人民币的 AI 费用相较其产能提升仍很便宜；内部经验是：“你 Token 如果消耗断崖式领先，你的工作质量、工作成果也大概率是断崖式领先。”
• 投资者观察企业 AI 兑现度，不能只看员工使用率，而要看端到端周期、知识沉淀、决策反馈与组织重构。 最值得优先自动化的是耗时、高频、不得不做且不同员工产出趋同的任务；阮良建议先用最强、最贵模型验证可行性，再降本，因为“只要目前最贵的 AI 能搞定，未来不出两个月，那个便宜的 AI 一定也能做到”。