开源不等于免费：企业智能体落地要算清“全生命周期账”

摘要：开源模型降低了企业使用AI的门槛，但并不意味着智能体落地成本下降。在产联社举办的交流会上，与会嘉宾认为，企业部署智能体需要综合考虑模型选择、算力投入、运维成本、数据治理、系统接入和长期优化等“全生命周期账”。

产联社编辑 卓玛

【产联社】企业在推进智能体建设过程中，往往容易关注模型本身的成本，却低估算力、运维、安全、数据治理和业务适配等长期投入。未来企业AI应用的核心挑战，不只是获得一个更强模型，而是让智能体真正进入企业业务流程。8月7日，在产联社举办的“开元浪潮来袭 开源基座VS成品智能体 企业如何低成本用好AI工具”交流会上，来自AI领域的嘉宾们表示。

先做场景账：模型不是越大越好

开源模型的发展让企业获得更多AI选择，但其背后的部署成本并没有同步下降。

万联易达AI全栈高级工程师、前蚂蚁集团数字金融搜索算法负责人曾冠奇认为，企业讨论私有部署，常常从服务器和显卡数量开始，但更应该先回到业务问题本身：任务到底需要多强的推理能力，复杂业务能否被拆成若干个较小、边界清晰的问题。如果较小模型已经能够完成任务，直接追求超大模型反而可能造成资源浪费。

【图】万联易达曾冠奇：企业需要的不是参数竞赛，而是经济适用

他以超大模型与轻量模型的部署差异作对比指出，二者在硬件投入上可能相差悬殊，但企业需要的并非参数竞赛，而是经济适用的解决方案。对复杂问题进行合理拆解，再让合适的模型分别处理，有时比购置高配服务器更划算；与其把预算全部投入硬件，不如配置真正懂业务、也懂模型的人才。

中国移动聚智智能体平台技术负责人、项目总监朱永北也强调，“开源不等于免费”。在他看来，模型开源的重要价值是促进研发交流、工具完善和生态扩展，但企业把模型推到生产环境，还要承担算力、安全和运维成本，这并非小团队可以轻松完成。企业需要先判断业务是否必须使用超大模型，还是中小模型、端侧模型已经足够；只有完成场景判断，才能进一步选择本地私有部署，还是按调用量使用商业模型服务。

再算工程账：采购成品也不是“买来即用”

不自建模型、直接采购成品智能体，是否就能绕开落地成本？

腾讯云WorkBuddy高级产品专家苏磊表示，即使采购公有云上的成熟产品，企业仍需完成角色划分、权限控制、数据隔离和合规审计。转向私有化版本后，显性成本首先来自硬件和供应链，预算还会受到设备价格波动影响；更容易被忽视的，则是模型迭代、部署调试、系统接口开发、数据收集以及上线后的持续反馈和优化。

按苏磊的项目经验，一个智能体与企业系统进行工程集成，可能需要两到三个月；此后围绕实际使用反馈继续优化，还可能再经历约三个月。这些时间并非适用于所有项目的固定工期，却说明成品采购并不等于项目结束。公有云和私有化部署路径不同，但都需要把接口、数据、权限、合规和长期维护纳入总成本。

能力升级账：先改数据和工程，不必逢新必调

模型快速迭代，也给企业带来另一种焦虑：是否需要频繁微调，甚至不断更换基座模型？

对此，中国互联网络信息中心AI专家商钰滢认为，答案同样要视企业现有基础而定。

她以近期一个通过后训练改善工具调用能力的模型案例说明，基座模型不变，也可能通过训练和工程环节的优化获得明显提升。企业部署适合本地的基座模型后，可以优先检查私有数据质量、后处理方式和推理框架，利用这些手段适配持续变化的业务流程。与全面参数微调、重新部署新模型并追加高性能显卡相比，这条路径可能更经济。

但商钰滢同时给出了明确前提：企业需要有专业技术团队持续参与。团队不仅要理解模型，还要理解业务流程，能够围绕定制数据和处理方式反复迭代。换言之，减少硬件和重复训练投入，并不意味着可以省去人的能力建设。

最难的一笔账：跨系统接入与治理

当智能体进入真实业务，成本问题很快会从“部署什么模型”转向“怎样连接现有系统”。大型企业往往拥有多家子公司，财务、CRM、OA和ERP系统来源不一，部分系统还经过多年定制。数据分散、接口各异、权限复杂，构成智能体落地的“最后一公里”。

苏磊认为，企业首先要盘点数据源和数据血缘，完成清洗，并建立统一的数据纳管与使用机制；随后再梳理接口标准和处理流程，把已经整理好的标准化数据提供给智能体。对于不宜立即重构的存量系统，可以先建立集中化的数据出口，让智能体从统一入口读取信息；只有当旧系统成为明确的业务瓶颈时，再结合企业数字化转型节奏逐步替换。

朱永北把跨系统落地进一步拆成三个层次。第一是“能不能接”。相对标准化的OA可以借助连接器、MCP或插件等方式调用流程，高度定制、权限复杂的ERP则更难直接接入。对于暂时无法改造的应用，可以探索让智能体以类似人工操作的方式使用既有系统，但仍须尊重原有权限与数据安全边界。

第二是“接通后能不能理解”。不同系统的数据标准、协议乃至同一字段的业务语义都可能不同，需要人工参与梳理，也可以借助本体等技术对齐跨系统语义。第三是“理解后能不能受控运行”。模型可做什么、工具拥有什么权限、哪些步骤必须由人授权、流程能否完整审计，都需要设置强约束。技术连接只是起点，权限和流程治理才决定智能体是否可以进入核心生产环节。

下一代软件，或是“人机共用”重写

面对存量OA、ERP系统难以适配智能体的现实，曾冠奇提出了另一条面向未来的路径：与其长期让智能体迁就完全为人设计的软件，不如开发支持人和智能体共同使用的新一代企业系统。

在这一设想中，智能体不再只是从外部调用系统的工具，而是拥有独立身份、明确权限和安全监控的“数字员工”，与人共同参与业务流程。未来企业软件市场的重点，可能由“如何接通旧系统”逐步转向“如何构建人机共存的AI原生系统”。

从这场讨论看，企业智能体的成本远不止一张硬件采购单。模型是否匹配场景、有没有懂业务和AI的人、数据能否被治理、系统接口是否可用、权限能否被约束、上线后是否有人持续维护，都会改变项目的真实投入。算力决定智能体能不能跑起来，数据和流程决定它跑得对不对，治理能力则决定它能不能长期运行。

商务合作/报料请联系微信号：18801065284