模型便宜了，项目为什么还是超预算
企业评估 AI 项目时，最容易拿模型调用单价乘以使用次数，得出一个看起来很低的数字。项目开始后才发现，还要整理数据、开发接口、配置权限、搭建日志、处理失败、培训员工。模型费没有超，整体预算却不断增加。
这不是供应商故意把事情做复杂，而是企业软件本来就有运行成本。AI 又增加了不确定输出、知识更新和人工复核。只看每百万 Token 的价格，会忽略真正决定项目能否长期使用的部分。
把成本分成建设、运行和变化三本账
建设成本包括流程梳理、数据清洗、接口开发、权限配置、测试和培训，通常集中在上线前。运行成本包括模型调用、云资源、监控、人工复核、异常处理和日常支持。变化成本来自业务规则调整、系统升级、模型更换和新增场景。
三类成本要分开记录。一次性投入不能被平均成永远很低的月费，持续维护也不能假装已经包含在“开发完成”里。企业只有看清成本发生在哪个阶段，才知道应该优化模型、减少人工复核，还是改造上游流程。
- 建设成本：数据、接口、权限、测试和培训。
- 运行成本：模型、资源、监控、复核和支持。
- 变化成本：规则、系统、模型和业务场景更新。
人工复核不是免费资源
很多方案写着“人工审核保障质量”，却没有记录审核需要多少时间。员工每天检查一百条输出，即使每条只花一分钟，也是一项稳定成本。更重要的是，低质量输出会让审核者重新查资料、改写和解释，最后比不用 AI 更慢。
应记录采纳率、修改原因和复核时长。哪些任务可以直接通过，哪些经常因为资料缺失被退回，哪些根本不适合自动生成。数据积累后，团队才能把人工用在高风险判断上，而不是机械地检查每一个标点。
日志、评测和权限是成本，也是保险
日志和监控看起来不直接创造收入，却能回答系统为什么失败、调用了什么数据、谁批准了动作。没有这些能力，一次错误发送或数据泄露就可能让团队花几天排查。省掉前期治理费用，往往会把成本推迟到事故发生以后。
评测也需要持续投入。业务规则会变，知识库会更新，用户问题会变复杂。上线时表现合格，不代表三个月后仍然合格。定期抽样、回放失败案例和检查高风险场景，是生产系统的正常维护，不是项目失败的证据。
按业务结果算回报，不按生成字数算价值
成本最终要和业务结果放在一起看。客服流程可以看处理时长、一次解决率和升级率；销售流程可以看资料准备时间、跟进及时性和有效线索；内部知识流程可以看查找时间和重复咨询。生成了多少段文字，本身不是回报。
企业不必追求所有流程都上 AI。把全成本列清后，有些流程会发现不值得自动化，有些则可以通过缩小范围获得稳定收益。真正成熟的 AI 项目，不是用最低模型价格证明先进，而是用一笔算得明白、能持续复盘的账证明它值得运行。预算表里还应保留停用和迁移成本，避免流程被某个模型或供应商锁死后，才发现更换方案比继续使用更贵。采购时也要问清数据能否导出、日志保存多久、替换模型需要改哪些接口，把退出路径和进入路径一起估算。
要点总结
- 不一定。复杂项目中，数据、接口、人工复核、治理和持续维护可能占据更大部分。
- 记录审核量、平均时长、采纳率和主要修改原因，再换算为岗位时间与机会成本。
- 不建议。没有日志很难定位生产问题，高风险流程应在上线前具备基本审计和告警。
参考来源说明
本文围绕“企业 AI 成本别只看模型调用费：编排、日志、复核和维护都在花钱”展开，结合 5 份公开资料及一路凯歌在“企业 AI 服务”方向的执行经验整理，重点看它对官网可引用结构、FAQ 设计和后续获客复盘的影响。