UBS Corporate Survey: AI Spending Remains Robust, "In-House" Software Becomes a Trend, Data Management Layer Is Crucial

企業 AI 投入的邏輯正在發生結構性轉變，但這場轉變並未帶來預算收縮。

據追風交易台，瑞銀分析師 Karl Keirstead 在 8 月 10 日發佈的企業 AI 調研報告中指出，大量企業已從最初的"token 最大化"階段，轉向以 token 優化為特徵的新階段，效率與投資回報率被放在更優先的位置。關鍵在於，這一變化"尚未轉化為 AI 支出的回撤"。這為市場提供了一個重要信號：企業開始算賬，但還沒有踩剎車。

對 OpenAI、Anthropic 等前沿模型提供商及背後的雲廠商而言，需求並未因成本焦慮而明顯萎縮。雲廠商二季度的強勁業績也與此相互印證。真正承壓的，是試圖將 AI 功能打包銷售給企業的傳統應用軟件廠商——企業仍普遍傾向於自建核心 AI 系統，傳統 SaaS 廠商等待的拐點尚未到來。

從產業鏈分工看，分化已經顯現：雲基礎設施層和數據管理層地位相對穩固，Databricks、Snowflake、Palantir 在企業 AI 棧中持續佔據關鍵位置；應用軟件層壓力最大，大型 SaaS 廠商的 AI 功能在企業採購清單上存在感有限，反而是一批專注具體痛點的小型 AI 原生公司切入了實際部署場景。

企業當前最核心的關切，已從 “AI 能不能用” 轉向 “誰在用、用了多少、值不值”。

多家企業已部署使用追蹤系統，員工達到一定額度後，請求將自動切換至更低級別模型及更慢響應速度。部分企業開始限制員工創建智能體的權限。消費計費模式的敏感度也在上升，因為它將 AI 使用量與賬單直接掛鈎。

更細顆粒度的優化發生在模型調用環節：給模型提供更精煉的上下文，而非填滿整個上下文窗口；減少模型對 RAG 系統的反覆調用；通過腳本、路由和提示詞壓縮來降低單次任務成本。一家企業以固定價格向客户開放前沿模型，結果模型使用成本侵蝕利潤空間，未來可能被迫調整定價結構。

但整體預算端並未出現明顯收縮。企業普遍擔心錯過窗口期，更傾向於先推進部署、再逐步加裝護欄。Karl Keirstead 在報告中強調，"算 ROI"並非"停投 AI"的同義詞，至少在這批受訪企業樣本中如此。

模型路由興起，中國開源模型尚未進入大企業主流

降低 AI 調用成本的一條自然路徑，是將部分任務從前沿閉源模型路由至開源模型。然而在這批以大型非科技企業為主的受訪樣本中，OpenAI GPT 與 Anthropic Claude 仍是主流選擇。

部分企業明確表示仍在使用前沿模型，不過技術原生型公司對中國開放模型的接受度更高，但大型傳統企業更看重安全性、合規性與可控性，政府、國防及相關供應鏈企業尤為如此。

目前，模型降本更多沿三條路徑並行推進：將不同任務分發至不同模型、用小模型處理低價值請求，以及優化調用鏈路減少 token 浪費。中國開源模型可能是選項之一，但尚未成為多數大企業的優先選擇。

Salesforce 創始人 Marc Benioff 曾多次表達同一判斷：企業自建 AI 最終會失敗，轉而購買成熟 SaaS 廠商的 AI 應用。ServiceNow 也持有類似邏輯。但瑞銀調研顯示，現實尚未站到 SaaS 廠商一邊。

不少財富 500 強企業仍傾向自建 AI 產品，原因主要有三：企業內部流程高度定製化，現成 SaaS AI 功能未必適配；自建可保留對數據、工作流編排層（harness）與智能體系統的完整控制權；部分外部產品定價偏高或交付效果不達預期。

調研中有一個典型案例：一家企業計劃用 Turtle 文件構建自己的本體層（ontology），將 SAP 或 PTC Windchill 數據實時導入 Databricks 數據湖，經過多層清洗後供智能體調用，構建行動引擎，並希望以此替代 Palantir 方案，理由包括成本更低、人才招聘更容易、未來還可向客户開放技術。另有企業直接表示，目前 SaaS 廠商沒有值得購買的 AI 功能，自己可以開發插件。

這並不意味着採購完全消失。代碼審查、安全、可觀測性、SIEM、工作流等具體場景中，企業仍會購買成熟產品。但對軟件投資者而言，真正的信號在於：企業是否願意為這些功能持續付費，並放棄自建選項。這一偏好如未發生反轉，應用軟件公司的 AI 產品就難以形成高 ROI。

在企業 AI 技術棧中，數據管理公司的存在感顯著強於應用軟件層。Databricks 在調研中被多次提及，常見於實時數據湖、數據治理和 AI 工具底座等場景；Snowflake 被用於構建智能體，受訪企業還明確指出，LLM 無法直接替代 Snowflake——LLM 擅長處理語言，不擅長對數百萬數據點進行數學處理與轉換，更合理的方式是將 Claude 等模型置於 Snowflake 之上，用於異常觀察。

Palantir 的反饋相對複雜。一方面，它仍在企業 AI 與本體層中佔有一席之地；另一方面，部分客户嘗試用 AI 自建本體層替代 Palantir。一家大型國防承包商提到，內部已有團隊開始縮減 Palantir 使用，並預判該公司未來幾年將面臨不同挑戰。但瑞銀報告提示，這類案例目前仍屬早期信號，尚不足以外推為普遍趨勢。

數據庫層也出現競爭壓力。有客户在 AI 工作負載上選擇 Redis 和 Postgres，這加劇了外界對 MongoDB 能否充分參與 AI 工作負載的關注。

調研中一個值得關注的細節是，企業提及的上市應用軟件公司數量有限，Atlassian、CrowdStrike、Salesforce 均有出現，但頻次不高。反而是一批小型私有 AI 原生公司在採購清單上更為活躍：CodeRabbit 用於代碼審查、Opik 用於 LLM 可觀測性、Onyx 用於智能體安全、ArmorPoint 用於 AI SIEM、Workfabric 用於數字工作流雙胞胎，以及 LiteLLM 連接 Langfuse 用於模型路由與提示詞壓縮。

這些公司切入的並非宏觀的"企業 AI 平台"敍事，而是非常具體的業務痛點。以代碼審查為例，AI 生成代碼的速度遠超人工審查能力，企業選擇 CodeRabbit 以防止安全漏洞進入生產環境；在安全領域，AI 可結合防火牆配置、用户權限等信息對漏洞進行優先級排序，幫助安全團隊識別真正關鍵的威脅。

調研還指出，AI 正在快速提升攻擊能力，企業安全相關支出預計將隨之增加。與其他 AI 應用場景不同，安全支出的預算邏輯更為剛性，驅動力是防止攻擊面擴大，而非體驗新功能。

企業 AI 基礎設施目前仍高度集中在 AWS、Azure 和 Google Cloud 之上。受訪企業極少提及大規模擴建本地 AI 硬件與軟件棧，汽車數據、預測性維護、智能體應用、數據湖、Snowflake 與 Databricks 上的 AI 工作流，大多圍繞三大雲構建。

調研中有企業計劃將全部數據從 Azure 遷移至 Google Cloud，理由是後者定價更具競爭力。但遷移本身並不簡單，涉及數據搬遷週期至少一年，以及 Power BI 用户、Excel 腳本與 Google Sheets 兼容性等問題，微軟的相關支出有望被削減但不會歸零。這説明雲廠商之間存在價格競爭，但 AI 從雲端遷回本地的實質性趨勢尚未得到客户側證據的充分支撐。

瑞銀報告指出，儘管部分合作夥伴仍在評估"AI 工廠"與模型回遷本地環境的可行性，從當前客户樣本來看，AI 部署的主戰場仍在雲端。