PANews 发布署名作者 qinbafrank 的长文称，企业采用 AI 正进入工程化阶段。文章核心判断是，企业不再单纯追问“哪个模型最好”，而是转向“这个任务该用哪个模型”，由此带来多场景、多模型和更强中间层控制面的架构变化。
企业采用 AI，从单模型采购转向按任务分配模型
文章指出，未来被专项化的不是 Token，而是模型、推理策略、上下文与数据、工具调用路径、硬件与服务方式，以及安全和人工复核机制。企业选择模型的目标函数，也会从追求模型能力，转向“任务净价值=任务成功概率×业务价值−推理及执行成本−错误与风险损失”。
在这一框架下，邮件分类、摘要、字段抽取、初步客服分流、代码格式检查等任务，会更适合小模型、开放模型或 CSP 自研的性价比模型；复杂代码生成、重要合同分析、科学推理、战略研究和复杂 Agent 规划等任务，仍可能为前沿模型支付溢价。
企业更需要私有 AI 系统，而不是通用大模型包打天下
文中称，前沿闭源大模型即便使用了公共、授权或合成数据，也通常不掌握单个企业的实时数据、内部规则、组织权限和隐性经验。大企业更需要“私有 AI 边界”，包括数据不被用于训练、私有网络、专属租户、权限隔离、数据驻留和可审计性，但只有部分场景必须真正本地化或隔离部署。
作者认为，企业真正缺少的，不是一个“读过所有企业文件”的模型，而是一个能够在正确权限下调用正确数据，并按企业规则采取行动的系统。尤其是“经验型数据”最难沉淀，它往往分散在老员工判断、邮件和聊天记录、被否决但未记录的方案、异常事件处理、人工覆盖系统建议的动作、客户投诉和事后复盘中。
如果要把这部分经验转化为 AI 资产，企业需要建立“原始经验→任务样本→专家判断→正确与错误标准→模型评估集→反馈和后训练”的链路。文章据此认为，大企业的护城河不只是“拥有很多文档”，而是能否把隐性知识转化为机器可学习、可检索、可评估、可执行的组织上下文。
复合 AI 系统崛起，多模块比多模型更关键
文章称，未来企业生产级 AI 系统通常不会只是一个模型 API，而会由用户请求、身份与权限、场景识别、数据和上下文获取、模型路由、模型推理、工具或 API 调用、结果验证、风险控制、人工复核或自动执行、监控和持续评估等多个模块共同完成工作。
其中，“多模块”比“多模型”更重要，因为企业最终购买的不是模型本身，而是一个能够可靠完成业务任务的系统。作者给出的原因包括：单一模型不可能同时在质量、成本、速度、隐私和稳定性上都最优；模型本身不了解企业实时数据、权限体系和业务状态；生产环境需要可审计、可回滚和可监控；模型更新频繁，企业需要将业务逻辑与特定模型解耦。
文章还提到，MCP 等开放协议正在尝试标准化模型与数据源、企业工具之间的连接方式，以减少为不同模型分别开发连接器带来的碎片化。
中间层重要性上升，但独立利润池未必同步扩大
在作者看来，中间层大致可分为六类，其中最可能长期捕获价值的，不是最薄的模型包装层，而是控制一种或多种稀缺资源的平台，包括企业数据和上下文、身份和安全、业务工作流、跨模型评估数据，以及分发能力。
因此，数据平台、云平台、安全平台、ERP 和行业软件厂商拥有天然优势。文章援引微软披露的信息称，其 AI 客户越来越多地同时使用 Foundry、Fabric、Cosmos DB 和安全治理服务；Google 也强调 AI 使用带动了 BigQuery 和数据工作流增长。作者据此判断，AI 模型调用正成为数据库、分析、存储、安全和 Agent 运行时等服务的获客入口。
相对而言，简单 API 聚合、没有专有数据的模型路由、通用 Prompt 管理、没有业务闭环的基础 Agent 编排，以及只在多个模型之间转发请求的薄层产品，更容易被商品化。原因在于 AWS、Microsoft、Google 等 CSP 可以将这些能力作为云服务低价甚至免费捆绑，大型应用厂商也可以把它们内嵌到现有产品中。
超大 CSP 的角色，从模型分发延伸到企业 AI 底座
文章称，在多模型时代，企业更可能维护一个模型组合：前沿闭源模型承担能力要求最高的任务，开放模型承担可标准化和可私有化任务，CSP 自研模型承担高频且成本敏感的任务，企业自有模型承担高度专有和数据敏感任务。这样一来，CSP 会成为模型组合的入口和路由器。
作者认为，新的模型竞争指标也会变化，不再只是争夺客户，还包括被纳入多少企业合规模型池、在路由器中获得多少请求、拿到的是高价值任务还是低价任务。
文中还指出，模型价格下降并不一定意味着 AI 总支出下降。模型变小、缓存增加和上下文压缩，会降低每任务 Token 和每 Token 价格，但成本下降也可能刺激更多使用场景，带动任务量增长。
对 CSP 来说，收入来源也会从模型抽成扩展到全栈附着，包括 GPU、TPU 和自研 ASIC 计算，托管推理服务，数据库和向量检索，对象存储，网络和数据传输，Agent 运行时，安全和身份，评估、日志与监控，以及企业支持服务。文章给出的判断是，CSP 真正关心的不是模型本身的收入份额，而是推理、数据附着、存储网络、安全治理和 Agent 运行时构成的 AI 总毛利。
模型可替换性提高，不代表整体架构更易迁移
文中表示，多模型和开放模型降低了企业对单一模型厂商的依赖，但如果数据、权限、Agent 状态、评估系统和工作流都部署在同一个 CSP 上，那么模型层锁定下降的同时，云平台锁定反而可能上升。也就是说，模型可替换性提高，不等于整体架构可迁移性提高。
作者进一步区分了 CSP 与垂直 SaaS 的分工。前者更可能捕获 GPU、TPU 和自研 ASIC 算力、开源模型托管、闭源模型分发、模型微调与蒸馏、数据库和数据湖、向量检索与知识图谱、网络和存储、身份和权限、安全与治理、Agent 运行时、评估和可观测性以及企业技术支持等价值；后者则掌握工作入口、业务对象、业务语义、用户权限、历史操作数据、系统记录、行业规则、最终动作执行和客户结果反馈。
文章认为，真正拥有工作流和核心独家数据的垂直 SaaS，可以把便宜模型包装成高价值业务结果；但只给通用模型套简单界面的薄应用，更容易被模型厂商或 CSP 替代。
企业 AI 项目实施路径，与传统 SaaS 已明显不同
作者提出，未来更可能形成“双中间层”：CSP 不一定能直接越过垂直 SaaS 控制全部业务流程，垂直 SaaS 也不太可能独立承担底层大规模算力和多模型基础设施。谁能捕获更多价值，取决于能否同时控制上下文、权限、工作流、行动和结果反馈五个控制点。
文中将传统 SaaS 项目概括为“Fit-gap 分析→配置→数据迁移→UAT→上线”，而企业 AI 项目则更接近“场景筛选→数据权限→评估集→模型选择→RAG 和工具接入→模型路由→安全边界→人工复核→生产监控→反馈与后训练”。两者的差别在于，SaaS 主要是在既定软件中配置流程，AI 则是在生产过程中持续优化一个概率系统。
超大 CSP 被重新定价，但也面临时间差挑战
文章称，市场过去常把超大 CSP 视为算力和 Token 的“二道贩子”，同时还要承担巨额资本开支，但随着“高效中型模型+规模部署”在生产环境中验证价值，旧有认知正在变化。作者的判断是，超大 CSP 已经成为企业 AI 多模型架构下的“AI 操作系统层”。
在成本与收入结构上，文章列举了三种模式：转售闭源模型时，CSP 拿到的分成比例有限，通常在 20-50% 不等，具体取决于合同；自托管开源模型转售时，开源模型基本没有授权成本，CSP 主要承担算力、电费和运维成本，扣除算力成本后几乎拿走全部加价空间；自研模型的收入则更集中在 CSP 自身。
不过，作者也强调超大 CSP 面临新的挑战，核心在于时间差。文中把整个过程分成四个阶段：第一阶段是内部研发和容量投入，表现为 Capex、研发费用和折旧上升，云收入受容量约束，毛利率承压；第二阶段是客户试验和 FDE 实施，表现为专业服务和微调收入增加，但大量 POC 尚未规模化；第三阶段是生产推理规模化，推理、数据库、存储和安全消费增加，云消费加速；第四阶段是模型和工作流优化，高频任务转向小模型、自研模型和开放模型，高价值任务继续使用前沿模型，路由、缓存和蒸馏带来成本下降。
作者据此判断，市场往往会先看到 Capex 和人力投入上升，再看到 POC 和合同，然后才是生产工作负载，最后才体现在自由现金流和 ROIC 上。这一时间差，是当前 AI 投资争议的核心。
AI 商业化评估，不应只看大模型 ARR
文章最后提出，未来不能只问“AI 收入多少”，也不能在“大模型 ARR”和“CSP 云收入”之间二选一。更合理的方式，是建立从模型到资本回报的七层漏斗。
作者认为，大模型 ARR 依然关键，因为它证明企业愿意为智能能力付费，也反映前沿模型是否仍具溢价，并关系到模型厂商的研发和算力再投资能力，以及生态影响力。但它应从“终局指标”转变为“能力需求领先指标”。
在综合框架下，模型 ARR 证明付费需求，生产工作负载证明采用深度，单位成功任务毛利证明经营质量，企业 ROI 证明需求可持续性，自由现金流和 ROIC 则用来验证资本开支是否合理。文章给出的最终公式是：“AI 经济价值=生产任务数量×每任务价值×供应商价值捕获率×毛利率−资本占用成本”。
文中还列举了已有产品进展作为佐证：AWS Bedrock 和 Microsoft Foundry 已经把按质量、成本和任务复杂度进行模型路由做成正式产品；微软披露，超过一万家 Foundry 客户使用过不止一个模型，约五千家使用过开源模型；Google Model Garden 也同时提供自有模型、第三方闭源模型和开放模型的托管或自部署方式。
文章认为，这轮迭代仍处在早期，但趋势已经逐步清晰：业务场景差异扩大，企业不再依赖单一模型完成所有任务，多模型、多模块的复合 AI 系统随之成形，路由、数据、评估、治理和安全等中间层成为关键控制面，最终的商业化评价标准则转向任务经济性、企业 ROI 和资本回报。