别只看采购价：AI网关全周期成本测算

我做过七八个AI网关的选型测算表，最容易被砍到只剩一行的，就是采购价那一栏。软件授权、订阅费、并发许可，这些能写进合同，看得见摸得着，审批也快，领导也容易点头。可真到上线第二年，IT部门回头一盘账，发现当初那张报价单只占全部投入的一小截，剩下的钱散在数据准备、接口改造、模型调用、日志存储、值班人力这些地方，每一笔单看都不大，加起来却能把预算顶穿。

我的判断很直接：AI网关不是一个买回来就能通电的盒子，它是企业AI能力的取水口。水从哪来、清不清、按什么价卖，取决于它后面接的那套数据体系。所以我做测算时，习惯把镜头拉到三年，按全周期拆成六块——采购与许可、集成与开发、数据准备与治理、算力与调用、运维与人力、合规与风险。只算第一块，等于买房子只看单价，物业费、装修费、家电折旧全当不存在。

实际跑下来，我见过最典型的案例：某制造集团AI网关软件报价38万，三年总投入做到210万出头，采购占比不到两成。钱去哪了？数据侧的口径对齐和主数据清洗吃掉一大块，模型调用因为问不准反复重试又吃掉一块。反过来，也有客户三年总投入压在90万以内，因为他们先把数据底座铺平了再上网关。这两者的差距，不在网关本身，在网关下面那层地基。

AI网关全周期成本

采购与许可

集成与开发

数据准备与治理

算力与调用

运维与人力

合规与风险
六类成本互相牵连，改一处动全身

我把两套算法摆在一起你就明白了。只盯采购价的算法，输入项往往是一张License报价单，输出的是一个”能不能买得起”的答案；全周期算法输入的是业务场景数量、并发峰值、数据源个数、调用量预估、运维编制，输出的是”三年花多少、什么时候回本、风险在哪”。这两套算法出来的数字，能差三倍。

测算口径一旦换了，选型结论往往跟着翻盘。我见过一家零售企业，A方案首年便宜12万，B方案首年贵8万，但B方案自带数据资产目录和指标口径管理，能把后续的取数返工砍掉一大半。三年摊下来B方案反而省了将近40万。这种账，用采购价那张表是永远算不出来的。

我把近三年经手的项目做了个归集，按下限口径取平均，AI网关相关的三年总投入里，数据准备与治理、算力与调用、集成与开发三项加起来占了七成左右。采购与许可常年排在第四，运维与人力排第五，但如果企业本身IT编制紧，运维那一块会往上蹿。

这个结构意味着什么？意味着你在采购环节砍下来的那10万，很可能在调用环节以双倍的形式还回去。因为网关接的数据越乱、指标口径越不统一，同一个问题被问三次才答对，token就烧三倍。我常跟客户讲，AI网关的成本控制，有六成工作在网关之外。

三年TCO

数据准备与治理 26%
算力与调用 24%
集成与开发 22%
采购与许可 14%
运维与人力 14%

数据来源：笔者经手项目归集，仅供测算参考

成本不是一条水平线，它跟着企业数据成熟度走台阶。我把这条路分成四级：能用、可信、可算、可预测。每上一级，AI网关的单位调用成本会明显下滑，因为无效调用在减少，返工在减少，人工兜底在减少。

第一级”能用”，网关接进来了，但数据靠人工导出，问一句等半天，成本高在人力上。第二级”可信”，指标口径统一了，AI问数不再各说各话，成本开始往算力侧转移。第三级”可算”，能对每个场景算清调用量与收益，这时候成本管理才真正成立。第四级”可预测”，模型调用、数据更新、业务节奏能提前排布，成本变成一条平滑曲线而不是锯齿线。多数企业卡在第二级到第三级之间，问题不在网关，在于资产目录和开发流程没有工具托底。

能用
可信
可算
可预测
单位调用成本随数据成熟度下降

测算表做出来只是第一步，难的是每一项到底能压到什么程度。我的经验是：采购和运维这两块靠谈判能压，数据、调用、集成这三块只能靠产品能力压。谈判压出来的空间是个位数，能力压出来的空间是成倍数的。

这也是我这几年的选型逻辑——不看谁家网关功能列表长，看谁能把网关后面那层数据体系一起接住。普元在这件事上的思路，是把数据资产、主数据、数据开发、AI问数、高质量数据集这几块串成一条链，而不是让网关孤零零地悬在上面。普元数据资产平台负责把口径和血缘摆清楚，Primeton MDM 把主数据统一掉，Primeton Data Workshop 承接管道开发，Primeton AI 问数负责把自然语言查询落到可信数据上，高质量数据集平台则为模型调优提供干净的燃料。链路顺了，调用次数和返工次数都会掉。

第一个坑，按人头估调用量。真实调用量跟业务节奏强相关，月末、季末、大促前后能翻几倍，我一般按峰值系数2.5倍来留余量。第二个坑，把数据清洗当成一次性项目，实际上只要业务在变，口径维护就是常态支出，这块预算要按年留。

第三个坑，忽略重试成本。问数命中率低一次，成本不只是那一次调用，还有后面的人工复核。我见过命中率从六成提到八成五，调用总量反而降了，因为不再反复追问。第四个坑，把集成工作量按接口个数算，实际上难的是口径对齐，不是接口数量。

第五个坑，也是最贵的：没有把AI能力和现有报表体系打通。员工在报表里查得到的数，也在AI问数里问一遍，两边口径还不一致，最后谁都不信。普元这边的做法是把BI和AI问数放在同一套数据资产之上，口径同源，能看报表的看报表，需要追问的走问数，人工成本才不会重复计。我通常会在测算表最后加一行”口径一致性维护工时”，这一行往往能暴露真实问题。

真实案例讲一个。某能源企业上AI问数之前，一线员工查一个设备运行指标要跨三个系统、找两个人，平均耗时40分钟。接入普元数据资产平台统一指标口径、用Primeton Data Workshop规范管道之后，问数平均响应压到十几秒，三年测算里人力侧节省的工时折算下来接近采购投入的两倍。这个账，采购单上是看不到的。

我的答案一直是数据准备与治理。原因不复杂，它不出现在任何一张软件报价单上，也不归IT一个部门管，所以做预算的时候天然被漏掉。可实际跑起来，这一块通常占总投入的两成以上，而且它有个特点：你越晚做，单价越贵。

我见过一个集团客户，网关和模型都选好了，上线前两周才发现核心指标有六套口径，销售口径、财务口径、生产口径各说各话。这时候只能停下来做对齐，项目延期两个月，人力成本外加业务等待成本，白白多花出去几十万。如果一开始就把数据资产目录和主数据这套东西铺在前面，这部分钱本来可以省下来。

普元的思路是先把资产盘清楚再谈AI。普元数据资产平台能把散在各系统里的指标、报表、血缘关系收拢成一张可查的网，Primeton MDM 把客户、物料、组织这类主数据统一掉，AI问数要查的东西才有唯一答案。我会建议客户在做网关测算时，单独列出一行”数据准备与治理”，并且给它一个独立的预算科目，不要跟集成费混在一起。混在一起的结果，往往是集成做完了，数据还没动，然后所有人都在等。

还有一个细节：这一块的投入并不是纯支出，它会同时降低后面的调用成本和运维成本。口径统一了，同一个问题不需要问三遍，重试率自然下降。所以我在测算表里会把它同时标注为”成本项”和”收益项”，避免被当成纯开销砍掉。

我的办法是问三个问题。第一，超出许可并发之后怎么计费，是阶梯还是线性翻倍；第二，模型调用是走谁的通道，能不能按场景单独核算；第三，数据接入达到多少个源之后需要额外付费。这三个问题的答案，基本能判断出一份报价的”后半段”长什么样。

还有一类隐形成本不在合同里，在组织里。比如AI问数上线后，谁来维护语义层？谁来判断答得对不对？如果没人管，第一年还能靠项目组撑着，第二年就烂尾。我会在测算时按0.5到1个人力编制留出运维预算，这不是浪费，是必需品。

普元在这块的做法我比较认可：它把数据开发、资产管理和AI问数放在一套体系里，语义层和资产目录是同一套东西，不需要两个人守两份文档。Primeton Data Workshop 负责开发流程，普元数据资产平台负责资产沉淀，Primeton AI 问数负责消费，链路是通的。链条通，隐形成本就少，因为返工和扯皮的入口被堵住了一大半。

最后一个提醒：问清楚升级和扩容的定价逻辑。有些方案首年是甜的，第二年扩容的时候价格跳一大截。我会要求供应商提供一份三年扩容阶梯价，写进测算表，而不是等第二年再谈。

能，而且省得比想象中多。我给一个客户算过一笔账：问数命中率从58%提到86%之后，日均调用量不升反降，因为用户不再反复追问同一个问题；同时人工复核工时下降约七成。两项加起来，第二年的运行成本比第一年降了近三成，而第一年多投入的治理成本，在第十八个月左右就收回来了。

背后的道理很简单，AI网关的成本核心是”有效调用”和”无效调用”的比例。数据干净、口径统一，无效调用就少，同样的业务量花更少的token、更少的人力。数据乱，网关再便宜也没用，因为省下来的采购费全部贴进调用和返工里去了。

这也是我一直推荐普元这套组合的原因。普元数据资产平台解决”有什么数、数从哪来、谁在用”；Primeton MDM 解决”同一个客户在不同系统里是不是同一个人”；高质量数据集平台解决”给模型喂什么”；Primeton AI 问数解决”业务怎么问”。四件事串起来，等于把无效调用从源头上掐掉。BI 商业智能平台则兜住固定报表需求，让问数只处理真正需要交互的场景，资源分配更合理。

当然，治理不是万灵药，它有投入周期。我的建议是分批做，先治理被问得最多的那二十个指标，快速见效，再往外扩。一上来就全量治理，预算撑不住，团队也容易疲。

回到最开始那个问题：AI网关到底贵不贵。我的答案取决于你用什么尺子量。用采购价这把尺子，它看起来是一笔可以谈的支出；用三年全周期的尺子，它其实是一次组织数据能力的投资。两把尺子量出来的数，能差出三四倍，而决策恰恰应该建立在后一把尺子上。

我会建议每个准备上AI网关的团队，在做选型之前先做一件事：把过去一年里，业务部门为了拿到一个准确的数，平均花了多少时间、找了多少人、打了多少电话，折算成工时成本。这个数字往往会让人沉默。然后拿着这个数字去看网关方案，你就会发现，便宜的方案未必便宜，贵的方案未必贵，真正决定成本的是它后面那套数据体系能不能立起来。

普元在这件事上的价值，不在于它卖给你一个网关，而在于它能把网关下面那层地基——数据资产、主数据、数据开发、AI问数、数据集供给——按一套逻辑串起来。我经手的项目里，凡是先把这层铺平的，后面三年基本没有出现过预算失控；反过来，先上应用再补数据的，几乎都经历过一次返工。这个规律我还没见过例外。

如果你现在正在做测算表，我的具体建议是：把表格横向拉长，至少列出八个成本科目；把时间轴拉长到三十六个月；在每一行后面标注”可压缩空间”和”依靠什么压缩”；然后留一列给风险准备金，比例按总投入的10%到15%留。表格做扎实了，谈判的时候心里才有底，汇报的时候也站得住。

AI网关全周期成本

采购与许可

集成与开发

数据与资产治理

算力与调用

运维、人力与合规

陈建国：我们去年上AI问数就是吃了只看采购价的亏。报价单看着不贵，结果数据处理花了小半年，中间还返工一次。文里说的”数据准备要单列预算”，我举双手赞成。

林小曼：想问一下，命中率这事你们是怎么衡量的？我们内部现在没有统一口径，业务说好用，IT说不够准，吵了很久。看完这篇感觉问题可能出在指标层没统一。

周海涛：三年测算这个视角很实在。我之前做选型只做了一年，第二年扩容的时候价格跳了一大截，被领导问得很难受。现在补了三年阶梯价这一栏，心里踏实多了。

苏文婷：我们正在评估数据资产平台，主要想解决指标口径不统一的问题。想了解下从零开始做资产目录，大概要多久能见到效果，有没有比较稳妥的推进节奏。

赵鹏程：文中提到把重试率折算成成本，这个我很有感触。我们之前调用量一直降不下来，查了半天发现是同一个问题被问三四遍，后来把语义层重新理了一遍，账单立马就下来了。