能让财务总监签字批核的五大支柱AI TCO框架
有一个五大支柱的框架，能区分财务总监会批准的AI预算建议书，与会被退回的版本。获批的建议书有三个共同特征：将三年期内所有经常性成本逐一列明、为每一条成本对应一个可量化的业务成果，并为模型定价波动预留30%的缓冲空间。本文将逐项拆解这个框架，并提供2026年的基准数字，协助香港企业为自己的模型锚定起点。
这个转变并非可选项。根据FinOps Foundation 2026年框架更新，AI成本管理已在大型企业普及率达98%，较去年的63%大幅上升。Gartner预测：到2028年，超过80%的企业AI预算审批将要求提交涵盖运维、数据管道与基础设施的多年期TCO模型。没有在2026年建立这套模型的CIO与CTO，就是2027年要向董事会解释预算超支的人。
什么是AI总体拥有成本？它与传统IT TCO有何不同？
AI总体拥有成本（AI Total Cost of Ownership，AI TCO）是指在生产环境运行一项AI能力的多年期全成本，涵盖模型推理、数据准备、微调、评估、监控、整合、变革管理，以及生命周期终结时的再训练支出。与传统IT TCO相比，AI TCO具有两个不寻常特征：每次请求的成本可能因模型定价年中调整而波动；持续性的数据与评估成本，通常会在12个月内超越原本的模型支出。
Keyhole Software 2026年企业支出报告观察到：多数于2024年建立AI商业方案的组织，将18个月后的运营成本低估了2至3倍。模式十分一致：企业只计算了API或授权费，忽略了周边生态系统，最终在年中重新编列预算。
企业AI TCO模型的五大支柱是什么？
2026年的AI TCO模型建基于五大成本支柱：推理、数据、人员、治理与缓冲。每一支柱都代表一个会随时间增长、且董事会在批核预算前要求看见透明度的类别。
支柱一：推理（Inference）。呼叫基础模型API或运行自托管模型的每次请求成本，包括输入token、输出token、图像与音讯处理，以及任何按次附加费用。
支柱二：数据（Data）。数据准备、向量储存、检索基础设施、微调数据标注与持续数据更新的成本。业界基准现在估算，到生产第二年，数据成本占总AI支出的30%至50%。
支柱三：人员（People）。机器学习工程师、数据工程师、提示词工程师、评估专员、安全审查人员，加上业务使用者投入于AI培训与采用的时间百分比。
支柱四：治理（Governance）。稽核日志、模型风险审查、PDPO合规检视、受规管行业的金管局模型风险管理、红队与安全评估，以及政策文件编制。
支柱五：缓冲（Contingency）。Gartner 2026年建议预留30%缓冲，以应对三类风险：模型定价变动（前沿API价格曾在单一年度移动20%至40%）、工作负载增长（AI使用量在头24个月通常按年翻倍），以及监管调整成本。
如何准确计算支柱一（推理）？
推理成本的计算方式为：平均每次请求token数 × 每月请求量 × 已公布的每token价格，并在此基础上加30%作为超额尖峰溢价、加15%作为重试与评估呼叫溢价。对于自托管的小型语言模型，等效计算是GPU实例成本加储存加网络流出费用。
FinOps Foundation的AI成本估算工作组在2026年的基准做法是：在三个使用情境下模拟推理成本，即P50（中位数月份）、P90（高峰月份）与P99（最坏情况）。多数2024年版TCO模型只用了P50，这就是现实世界AI账单令财务总监在第二年大吃一惊的首要原因。
一个实用锚点：一家在200名员工内部使用AI助理的香港中型企业，前沿API推理成本在P50约为每月8,000至14,000美元，在P90为每月18,000至28,000美元。自托管SLM的等效成本通常为这些数字的10%至20%，但会在支柱三的人员开支上增加。
如何准确计算支柱二（数据）？
数据成本是模型生命周期内一次性与经常性数据工作的总和。一次性成本包括初始数据清洗、分类体系设计、黄金标准评估集建立。经常性成本包括向量数据库储存与查询、嵌入向量生成、文件更新，以及每季评估集更新。
2026年的业界基准是：成熟生产AI部署在三年期内，会将总AI预算的30%至50%投入于数据。2024年的CIO错误，是把数据工作视为一次性建置开支。2026年的修正则是：将数据当作永久性运营项目，并至少每季更新一次。
对香港企业而言，还有一个额外的数据成本项目：双语或三语覆盖。纯英语数据集会产生在中英夹杂业务工作流上表现欠佳的模型。第一年通常要为本地化数据准备增加20%至35%的支出。
如何准确计算支柱三（人员）？
人员支柱是大多数企业低估得最严重的地方。它涵盖技术型AI人员，亦包括业务侧的变革管理、培训交付与持续使用者支援。Deloitte 2026年企业AI现状调查的基准显示，三年期内企业AI人员成本占总AI支出的35%至45%，仅次于推理。
一家为200名员工部署AI的香港中型企业的典型分项：一名全职机器学习工程师或AI主管、0.5名数据工程师、0.25名安全审查人员、第一年0.5名变革管理与培训交付人员（到第二年下降至0.2名），以及每位业务使用者每年约30至60小时的培训与上手时间。
最常被忽略的子项是评估。生产级AI系统需要一名常设评估工程师，或一个等效的托管服务。没有持续评估，模型质量会悄悄退化；而失败的代价（在客户或监管者面前出错）远远超过评估人员的开支。
如何准确计算支柱四（治理）？
治理成本涵盖所有保护企业免受AI相关法律、监管与声誉风险的支出。对香港企业而言，下限由私隐专员公署2025年3月发布的《员工使用生成式AI检查表》设定，要求记录AI使用政策、数据留存评估，以及任何处理个人数据的AI影响评估。
对受规管行业而言，下限明显更高。金管局GenA.I. Sandbox++框架（2026年3月扩展），要求认可机构维持模型风险清单、每年评估演算法偏见，并对AI可达致的决策进行文件记录。银行与保险公司应将治理预算设于总AI支出的15%至25%。
对非受规管的中型企业，治理通常占总AI支出的8%至15%，最大的子项是年度模型风险审查、所有对外AI的安全红队测试，以及持续的PDPO合规稽核。
模型应如何向财务总监与董事会呈现？
董事会级别的AI TCO模型应该是一页纸。上半页：五大支柱的三年逐年成本表。下半页：对应的逐年业务价值表，呈现每个AI工作负载产生的生产力增益、成本替代或收入影响。一条36个月回收期摘要线连系两个表。
2026年的最佳实践是，在同一份简报中包含三个情境：保守情境（低使用量增长、纯前沿模型架构、不进行SLM迁移）、基准情境（中度增长、混合架构、第二年计划SLM迁移）、进取情境（高增长、第二年已建立成熟混合架构、第三年扩展至相邻用例）。财务总监会以保守情境设定预算下限，并以基准情境作规划。
有一件事这个模型绝对不能做：把授权费与部署成本混为一谈。把6万美元企业授权费等同AI预算列出，会是最快让财务总监失去信任的方式，因为实际账单到来时通常是这个数字的三倍。
企业AI TCO建模常见陷阱有哪些？
第一个陷阱是只用单点推理成本，而非P50/P90/P99三情境。实际生产AI流量是有突发性的，以平均使用量为基础的预算，会在任何有营销活动、监管申报窗口或季末结算的月份被突破。
第二个陷阱是把数据当作一次性项目处理。生产级AI需要永久性的数据更新、评估集维护与嵌入向量重生成。略过经常性数据项目，是18个月差异报告变红的最常见原因。
第三个陷阱是遗漏机会成本。如果一名业务分析师因评估管道薄弱，每季要花40小时看顾AI输出，那就是一个应该入模型的真实成本。
第四个陷阱是忘记退场成本。36个月的TCO模型应该包括模型在生命周期终结时的退役或替换成本：供应商离场、数据迁移，以及依赖该工作流的使用者过渡支援。
结语：赢得预算公信力的模型
财务总监并不反对AI投资。财务总监反对的是，会在第14个月给董事会带来意外的AI投资。建构得好的AI TCO模型，就是把部门主管的策略野心转化为可信预算申请的关键凭证。它就是"拿到一次资金"与"未来三年每年都拿到资金"之间的区别。
五大支柱框架是起始结构，数字属于你的组织。填写的工作，是策略与会计交会之处，也是希望在不爆预算的前提下扩展AI的香港企业，会选择在下一个季度投入精力的地方。懂AI的冷，更懂你的难 — UD 同行28年，让科技成为有温度的陪伴。
下一步：与UD一起建构你的企业AI TCO模型
了解了框架，下一步是用适合你所属行业、人数规模与风险水平的基准数字将其填满。UD企业团队手把手带你完成每一步，从AI准备度评估、工作负载盘点、三年期成本建模，到董事会级简报支援与持续FinOps检视，二十八年香港企业服务经验，全程陪你走。
