1. 从一条提问说起：AI预算到底在涨还是在砍
“Ask HN: How are AI budgets changing in your company?” 这个标题第一次看到的时候，我正坐在会议室里跟财务过下一季度的云资源账单。说实话，那一瞬间我脑子里蹦出来的不是技术问题，而是一个特别现实的疑问：我们公司今年在AI上花的钱，到底是变多了还是变少了？这个问题看起来像是个闲聊话题，但它背后牵扯的东西一点都不轻松——它直接关系到团队明年能招几个人、能买多少算力、能试多少新项目。
我在过去两年里，先后参与过三个不同规模团队的AI相关预算规划：一个不到二十人的创业公司，一个三百人左右的中型SaaS企业，还有一个上万人的传统行业公司里的创新部门。这三个地方对AI预算的态度完全不一样，但有一个共同点：没有人再问“要不要做AI”了，所有人问的都是“这笔钱花下去，什么时候能看到东西”。这就是我想在这篇博文里聊清楚的事情——AI预算的变化趋势、背后的决策逻辑、以及一个普通从业者该怎么理解和应对这种变化。
如果你是一个技术负责人、团队Leader、或者只是想知道自己所在的公司为什么突然砍掉了AI项目预算的普通工程师，这篇文章应该能给你一些参考。我不会给你一堆宏观数据，那些东西网上到处都是，我会从我自己踩过的坑、见过的决策过程、以及实际做预算拆解的经验出发，把这件事讲透。
2. AI预算变化的三个真实切面
2.1 从“实验性拨款”到“ROI考核”：预算逻辑的根本转变
2023年的时候，我所在的创业公司做了一件现在看起来挺疯狂的事：老板直接批了一笔钱，说“你们拿去试试大模型能干什么，不用写详细计划”。那笔钱大概够我们租半年的GPU实例，加上几个人的时间。当时没有人问回报率，因为整个行业都在焦虑“错过窗口期”。但到了2024年下半年，情况完全变了。同一个老板，同一个团队，再申请预算的时候，他第一句话是：“上次那笔钱花完了，产出了什么？”
这个转变不是个例。我跟好几个在不同公司做AI的朋友聊过，大家的感觉出奇一致：实验性预算在收缩，但和生产系统挂钩的预算在增加。什么意思呢？就是那种“先拨一笔钱看看能搞出什么”的预算越来越难批了，但如果你能说清楚“这个模型上线后能替代多少人工审核成本”或者“这个推荐系统能提升多少转化率”，钱反而比以前更好拿。
我自己的判断是，这不是AI预算在减少，而是AI预算在从探索阶段进入工程化阶段。探索阶段的预算特征是金额小、决策快、容忍失败；工程化阶段的预算特征是金额大、决策慢、要求可衡量。很多团队卡在中间，是因为他们还在用探索阶段的方式去申请工程化阶段的预算，自然碰壁。
2.2 大厂和小团队的预算分化：谁在加码，谁在收缩
我观察到一个很有意思的现象：不同规模的公司，AI预算的变化方向完全相反。大公司在某些方向上在加码，而小团队在收缩。但这个“加码”和“收缩”不是简单的谁有钱谁没钱的问题，而是预算结构在发生迁移。
大公司这边，我了解到的情况是：基础模型训练相关的预算在向少数几个核心团队集中，而应用层的预算在向业务部门分散。以前是“AI部门拿一大笔钱做所有事”，现在是“每个业务线自己报AI相关的预算，AI部门提供平台支持”。这种变化导致的一个直接结果是：中间层的AI团队最难受——既不像基础研究团队那样有战略保护，又不像业务团队那样有直接收入证明。
小团队这边，情况更直接。我认识的一个十人左右的创业团队，去年每个月在API调用上花两千多美元，今年降到了不到八百。他们做的事情很简单：把一些非核心的AI功能砍掉，只保留最影响用户体验的那几个。他们的原话是：“以前觉得AI是差异化，现在觉得AI是成本项，能省就省。”这话听起来有点残酷，但我觉得挺真实的。
2.3 预算变化的行业差异：哪些领域在逆势增长
不是所有行业都在收缩。根据我跟同行交流得到的信息，至少有三个方向的AI预算在明显增长：医疗健康相关的文档处理和辅助诊断、金融领域的风控和合规审查、以及制造业的质量检测。这三个方向的共同特点是：AI的产出可以直接对应到明确的成本节约或收入增长，而且错误率要求虽然高，但人工替代的收益足够大。
反过来，收缩最明显的是通用聊天机器人和内容生成这两个方向。原因也很简单：这两个方向的技术门槛在快速降低，供应商越来越多，价格战打得厉害，自研的性价比越来越低。我认识的一个团队去年花了三个月自研了一个文档摘要系统，今年发现直接用现成的API效果差不多，成本只有自研维护的十分之一。这种故事在圈子里越来越多，直接导致了相关预算的削减。
3. 预算决策背后的五个关键考量
3.1 算力成本：从“抢卡”到“算账”
2023年的时候，大家聊AI预算，第一个话题永远是“能不能搞到卡”。那时候算力是稀缺资源，谁能拿到GPU谁就能做事情。但到了2024年，情况变了。我参加过一个内部预算讨论会，财务负责人直接问了一个问题：“你们这个模型训练，能不能用更便宜的实例？为什么一定要用最贵的那种？”
这个问题背后是一个很现实的转变：算力从稀缺资源变成了成本项。以前大家不太计较单价，因为能拿到就不错了；现在供应相对充足了，大家开始算细账。我自己的经验是，同样一个训练任务，通过调整批次大小、优化数据加载、使用混合精度，可以把成本降低百分之三十到四十。这些优化以前没人愿意做，因为时间比钱重要；现在反过来了，钱比时间重要。
注意：算力成本优化不是简单地换便宜实例。我见过一个团队为了省钱把训练任务从A100换到消费级显卡，结果训练时间从三天变成两周，整体成本反而更高。算账要算总账，不能只看单价。
3.2 人力成本：AI工程师的薪资预期在回归理性
前两年AI工程师的薪资被炒得很高，一个刚毕业的博士就能拿到普通工程师三倍的薪水。但今年我观察到的情况是，薪资预期在回归理性，尤其是应用层的AI岗位。原因很简单：当公司发现AI项目的产出没有想象中那么快的时候，他们就不愿意为“AI”这个标签支付溢价了。
这对预算的影响是直接的：同样一笔人力预算，以前只能招两个AI工程师，现在可以招三个到四个普通工程师加上一个AI方向的负责人。很多公司选择了后者，因为应用层的AI工作，大部分其实是工程工作，不是研究工作。我自己的团队就是这样配置的：一个懂模型的负责人，加上几个工程能力强的普通工程师，产出比全是AI博士的团队更高。
3.3 供应商选择：自研、开源还是API
这是预算讨论里最容易吵架的话题。自研派说“可控性最重要”，开源派说“成本最低”，API派说“上线最快”。我经历过三次这样的决策，每次的结论都不一样，但有一个规律：当你的需求量足够大且稳定的时候，自研或开源更划算；当你的需求量波动大或者还在探索期的时候，API更划算。
我做过一个粗略的计算：如果一个团队每天需要处理一百万次推理请求，用API的成本大约是自研维护成本的兩到三倍。但如果每天只有十万次请求，API的成本反而更低，因为自研需要至少一个全职工程师维护，这个人力成本摊到十万次请求上，单价就上去了。这个计算不精确，但方向是对的。
| 方案 | 适合场景 | 前期投入 | 长期成本 | 风险 |
|---|---|---|---|---|
| 自研 | 需求量大且稳定 | 高 | 低 | 技术选型错误 |
| 开源 | 有技术能力且需求中等 | 中 | 中 | 维护负担 |
| API | 需求波动大或探索期 | 低 | 高 | 供应商锁定 |
3.4 项目优先级：怎么决定哪个AI项目先做
预算有限的时候，优先级排序就成了最关键的事情。我见过两种极端：一种是“谁声音大谁先做”，另一种是“按ROI排序”。前者通常发生在没有统一AI负责人的公司，后者通常发生在有专门AI委员会的公司。但我觉得两种都不太对。
我自己的经验是，优先级应该按“学习速度”排序，而不是按“回报大小”排序。什么意思呢？就是先做那些能让你快速获得反馈的项目，哪怕它的预期回报不是最高的。因为AI项目的不确定性太大了，你需要在早期用最小的成本获取最多的信息。一个预期回报很高但需要六个月才能看到结果的项目，不如一个预期回报中等但两周就能验证的项目。
3.5 合规与安全：被低估的预算黑洞
这是最容易被忽略的一块。很多团队在做AI预算的时候，只算了算力和人力，完全没算合规和安全相关的成本。但实际做起来，这块的投入可能占到总预算的百分之二十到三十。尤其是涉及到用户数据的项目，数据脱敏、访问控制、审计日志、模型解释性，每一项都需要投入。
我踩过的一个坑是：一个内部使用的文档问答系统，本来觉得不涉及用户数据，没什么合规问题。结果上线后发现，文档里包含了一些敏感信息，需要做额外的权限控制和内容过滤。这部分工作花了我们额外两个月的时间，预算直接超了百分之四十。从那以后，我做任何AI项目预算，都会先留出百分之二十的合规安全余量。
4. 一个可复用的AI预算拆解模板
4.1 第一步：明确预算的归属层级
在开始拆解之前，你需要先搞清楚一件事：这笔预算到底是公司级、部门级还是项目级？不同层级的预算，审批逻辑和灵活度完全不一样。公司级的预算通常跟战略方向挂钩，审批周期长但金额大；部门级的预算跟业务目标挂钩，审批相对灵活；项目级的预算通常是小额快速，但很难做大。
我自己的做法是：先申请项目级预算做验证，拿到数据后再申请部门级预算做扩展，最后如果确实有战略价值，再争取公司级预算。这个路径看起来慢，但实际上比一上来就申请大预算更容易成功，因为你有数据支撑。
4.2 第二步：把成本拆成可计算的单元
AI项目的成本可以拆成几个大块：算力、存储、人力、数据标注、合规安全、以及不可预见的杂项。每一块都需要有具体的计算方式，不能只写一个总数。我通常会用下面这个表格来做拆解：
| 成本项 | 计算方式 | 备注 |
|---|---|---|
| 算力 | 实例单价 × 运行时长 × 数量 | 区分训练和推理 |
| 存储 | 存储单价 × 数据量 × 保留时长 | 注意冷热数据分离 |
| 人力 | 人数 × 投入比例 × 薪资 | 包括管理和协调成本 |
| 数据标注 | 标注单价 × 数据量 × 质量系数 | 质量系数通常大于1 |
| 合规安全 | 按项目复杂度估算 | 建议留20%余量 |
| 杂项 | 总成本的10% | 用于意外支出 |
这个表格看起来简单，但实际填的时候会发现很多细节需要确认。比如算力成本，你需要知道训练和推理的比例，因为推理通常是持续性的，而训练是一次性的。再比如数据标注，质量系数这个变量很容易被低估，返工的成本往往比初次标注还高。
4.3 第三步：设定预算的检查点和退出机制
这是我觉得最重要的一步，也是最容易被忽略的一步。很多团队做预算的时候只想着“怎么把钱花出去”，没想过“什么时候该停止花钱”。我自己的做法是：每个AI项目在预算里设定两到三个检查点，到了检查点如果没达到预期指标，就暂停或者调整方向。
检查点的指标不能是“模型准确率”这种技术指标，而应该是“业务指标”。比如“人工审核工作量减少百分之多少”或者“用户完成任务的时长缩短多少”。技术指标可以作为参考，但不能作为继续投入的唯一依据。我见过太多团队因为“模型效果又提升了两个点”而不断追加预算，但业务上其实没有任何变化。
提示：退出机制不是失败，而是止损。一个及时停止的项目，省下来的钱可以用在更有希望的方向上。我在实际工作中最成功的一次预算决策，就是砍掉了一个已经投入三个月但看不到业务价值的项目，把资源转移到了另一个方向，后者在两个月内就产生了可衡量的收益。
4.4 第四步：准备两套预算方案
我现在的习惯是，每次申请AI预算都会准备两套方案：一套是“基础版”，只包含最核心的功能和最保守的估算；另一套是“扩展版”，包含更多的探索方向和更宽松的估算。然后我会在汇报的时候明确说明：基础版能保证什么，扩展版能多做什么，以及扩展版被砍掉的时候我会优先砍哪些部分。
这样做的好处是，当预算被削减的时候，你不会措手不及，因为你已经想好了哪些部分可以砍。而且审批的人也会觉得你考虑周全，更容易信任你的预算方案。我试过几次，用这种方式申请预算，通过率比只给一个方案高很多。
5. 预算变化对一线从业者的实际影响
5.1 技术选型：从“追新”到“求稳”
预算宽松的时候，大家愿意尝试新技术，因为试错成本低。预算收紧的时候，技术选型会明显偏向成熟稳定的方案。我自己的感受是，2023年的时候，团队里经常讨论要不要试试某个新出的模型架构或者训练框架；到了2024年，讨论的重点变成了“这个方案在生产环境跑过没有”“有没有已知的坑”。
这种变化对一线工程师的影响是直接的：你需要花更多时间在工程稳定性上，而不是在技术探索上。这不一定是一件坏事，因为很多AI项目失败的原因不是技术不够先进，而是工程不够扎实。但如果你是一个喜欢追新技术的工程师，可能会觉得有点压抑。
5.2 团队规模：从“扩招”到“优化”
预算变化最直接的影响就是团队规模。我了解到的情况是，大部分公司的AI团队在2024年都没有明显扩招，有些甚至在缩减。但缩减的方式不是裁员，而是不再补充离职人员，以及把一些非核心的AI岗位转到业务部门。
这对留在团队里的人意味着什么呢？意味着你需要承担更多样化的工作。以前可能只做模型训练，现在可能还要做数据管道、部署、监控。我自己的团队就是这样，每个人都需要懂一点全栈的东西。这其实是一个好的变化，因为AI应用层的很多问题，确实需要跨领域的知识才能解决。
5.3 职业发展：AI技能的价值在重新定价
前两年“会调参”就能拿到高薪的时代已经过去了。现在市场对AI技能的需求在分化：底层的研究能力依然稀缺且高薪，但应用层的AI技能正在变成一种通用技能，就像会用数据库或者会用云服务一样，不再是一个单独的溢价项。
这对从业者的启示是：如果你只会调参和跑实验，你的竞争力在下降；如果你能把AI能力和具体的业务问题结合起来，你的价值在上升。我认识的一个工程师，技术能力中等，但他特别懂电商的推荐场景，能把模型指标和业务指标对应起来，他在团队里的不可替代性比很多技术更强的人还高。
6. 常见问题与应对策略
6.1 预算被砍了，项目还要不要继续
这是最常见的问题。我的建议是：先判断这个项目是“必须做”还是“可以做”。如果是必须做的（比如合规要求或者核心业务依赖），那就想办法用更低的成本做，比如换更便宜的方案、减少非核心功能、延长交付时间。如果是可以做的，那就果断暂停，把资源转移到更重要的地方。
我自己的经验是，预算被砍的时候，最忌讳的是“硬撑”。有些团队为了证明自己的价值，用更少的资源强行推进项目，结果质量下降，反而失去了信任。不如坦诚地跟上级沟通，说明预算削减的影响，让对方来做取舍。
6.2 怎么说服管理层继续投入AI预算
说服管理层的关键不是讲技术有多先进，而是讲不投入的代价是什么。我试过两种方式：一种是讲“如果我们不做，竞争对手做了，我们会落后”，这种方式效果一般，因为“落后”是一个模糊的概念；另一种是讲“如果我们不做，我们现在每个月花在人工审核上的十万块就省不下来”，这种方式效果很好，因为数字是具体的。
所以我的建议是：把AI预算和具体的成本项或收入项挂钩。不要说“这个模型能提升用户体验”，要说“这个模型能让客服响应时间从五分钟降到一分钟，相当于每个月节省多少人力成本”。越具体越好。
6.3 小团队没有专门的AI预算怎么办
小团队通常没有单独的AI预算，AI相关的支出会分散在云服务、人力、工具采购等各个科目里。这种情况下，我的建议是：把AI相关的支出单独归集起来，哪怕只是在表格里做一个标记。这样做的好处是，你能清楚地知道自己在AI上花了多少钱，也能在需要的时候快速调整。
我见过一个小团队的做法很聪明：他们在每个月的云服务账单里，把AI相关的实例和API调用单独标出来，形成一个“影子预算”。这样虽然不能直接控制支出，但至少能做到心里有数。等到需要申请正式预算的时候，他们已经有数据支撑了。
6.4 预算审批周期太长，怎么加快
大公司的预算审批通常很慢，尤其是涉及到新方向的投入。我自己的应对方式是：把大项目拆成小项目，用项目级的快速审批通道先做起来。比如你需要一百万做一年的项目，可以先申请十万做两个月的验证，拿到结果后再申请后续预算。这样虽然总周期可能更长，但至少你能先动起来。
另一个技巧是：找到预算的“赞助人”。这个人通常是业务部门的负责人，他手里有预算，而且他关心的是业务结果而不是技术细节。如果你能让他相信你的项目能帮他解决一个具体的问题，他可能会从他的预算里拨一部分给你，绕过复杂的审批流程。
7. 我个人的几点实操体会
聊了这么多预算相关的事情，最后说几个我自己的真实体会，不一定对，但都是踩过坑之后总结出来的。
第一个体会是：AI预算的本质不是技术预算，而是信任预算。管理层愿意在AI上花钱，不是因为技术有多好，而是因为他们信任做这件事的人。所以如果你想把AI项目做好，技术能力只是一部分，更重要的是建立信任——说到做到、及时沟通、不隐瞒问题。我见过技术很强但失去信任的团队，预算被砍得比谁都快。
第二个体会是：预算收紧的时候，反而是做好工程的机会。预算宽松的时候，大家习惯用钱解决问题，比如加机器、加人、买服务。预算收紧的时候，你被迫去优化代码、优化流程、优化架构，这些工作虽然不性感，但长期来看价值更大。我自己在预算最紧的那段时间，反而做出了最扎实的几个系统。
第三个体会是：不要把所有AI预算放在一个项目上。我见过太多团队把所有资源押在一个“大项目”上，结果项目失败，整个团队的AI预算都被砍了。更稳妥的做法是：用百分之七十的预算做核心项目，百分之二十做相关探索，百分之十做完全不确定的尝试。这样即使核心项目遇到困难，你还有其他方向可以支撑。
第四个体会是：预算的数字不重要，预算背后的逻辑才重要。我见过有人用很小的预算做出了很好的成果，也见过有人用很大的预算什么都没做出来。关键不是钱多钱少，而是你有没有想清楚这笔钱要解决什么问题、怎么衡量效果、什么时候该停止。想清楚这些，即使预算被砍，你也能快速调整；想不清楚，给你再多钱也是浪费。
如果你正在为AI预算的事情头疼，我的建议是：先别急着算数字，先想清楚你要解决的那个业务问题到底是什么。想清楚了，预算的事情反而好办。
