你公司花在AI上的钱涨4.7倍,怎么没换软件
1768 亿美元。这是 Menlo Ventures 在 2026 年 11 月 3 日发布的《2026:企业级 AI 现状》里的一个数。它指的是截至 2026 年 9 月,美国企业"用 AI"的支出按当时速度折成一整年的规模。钱确实变多了,但多出来的这部分没有均匀散开,它挤进了两个非常具体的入口,
你公司花在AI上的钱涨4.7倍,怎么没换软件
1768 亿美元。这是 Menlo Ventures 在 2026 年 11 月 3 日发布的《2026:企业级 AI 现状》里的一个数。它指的是截至 2026 年 9 月,美国企业"用 AI"的支出按当时速度折成一整年的规模。钱确实变多了,但多出来的这部分没有均匀散开,它挤进了两个非常具体的入口,其余地方几乎没动。
一年涨了 5.4 倍,钱换了方向
先看增长曲线。报告给出的序列是 2023 年 17 亿美元、2024 年 85 亿美元、2025 年 330 亿美元。到 2026 年 9 月,这个数字变成 1768 亿美元,逐年的倍数分别是 5.0 倍、3.9 倍和 5.4 倍。四年时间,规模放大了大约一百倍,而且没有减速的迹象。
| 年份 | 企业"用 AI"支出(年化) | 同比倍数 |
|---|---|---|
| 2023 | 17 亿美元 | — |
| 2024 | 85 亿美元 | 5.0 倍 |
| 2025 | 330 亿美元 | 3.9 倍 |
| 2026 年 9 月 | 1768 亿美元 | 5.4 倍 |
表里 2025 年那 330 亿美元,是这份报告重述后的口径。Menlo 把数据标注类厂商从"用 AI"挪进了"造 AI",上一版报告里的 370 亿美元于是就变成了 330 亿美元。同一家机构、同一个年份、两个基数,分别对应 5.4 倍与 4.8 倍。这不是笔误,是分类调整留下的痕迹,混着用就会算错。
另一头是"造 AI"的钱。2026 年训练算力 872 亿美元、训练数据与服务 153 亿美元,合计 1025 亿美元;报告拿它和 1768 亿相除,得出"每 1 美元投在造模型上,对应 1.7 美元花在用模型上"。换成修车厂的比方:今年不是又造了一批发动机停在车库里,而是路上真有人在跑运输。
把这个 1.7 倍读成投资回报率,是一种常见误读。分子是企业花在"用"上的钱,分母是全行业花在"造"上的钱,两个数都由 Menlo 自行建模估算;它既不是利润,也没有扣除集成、人力和折旧。它能说明的事情只有一件——花钱的重心,从供给侧挪到了使用侧。
钱进了应用层,但只进了两个口子
1768 亿美元里,基础设施拿走 995 亿美元,应用拿走 773 亿美元。应用这 773 亿的分布很不平均:编程 340 亿、企业聊天助手 250 亿,两项合计 590 亿,占到应用支出的 76%;排第三的医疗只有 37 亿。整个应用市场去年是 190 亿美元,一年翻了四倍。
| 层级 | 板块 | 金额 | 同比 |
|---|---|---|---|
| 用 AI 合计 | — | 1768 亿美元 | 5.4 倍 |
| 其中 基础设施 | 模型调用、智能体底座 | 995 亿美元 | — |
| 其中 应用 | 合计 | 773 亿美元 | 4.0 倍 |
| 应用内 | 编程 | 340 亿美元 | 7.7 倍 |
| 应用内 | 企业聊天助手 | 250 亿美元 | 3.0 倍 |
| 应用内 | 其他横向应用 | 88 亿美元 | 3.0 倍 |
| 应用内 | 垂直行业 | 101 亿美元 | 2.9 倍 |
这张表有个小毛病要提前说明:应用内部四项相加是 779 亿美元,比总额 773 亿多出 6 亿左右,报告没有解释这处差额,多半来自四舍五入或分类重叠。引用时以报告给出的分项为准,别拿四项之和去反推总额。
钱为什么往这两处走,报告的归因很朴素:哪里能让助手"干完活当场知道对错",钱就往哪里去。写代码有编译器、有测试、有代码库,改错了立刻报错;客服对话有工单是否关闭、问题是否复发。换成"帮我写句品牌口号",好不好只能靠人拍脑袋,预算自然谨慎。
其余板块的排序印证了同一条规律:只要验收标准能写下来,钱就愿意进去。客服 27 亿美元(4.3 倍)、IT 16 亿美元(2.3 倍)、销售 14 亿美元(3.6 倍)。营销只有 12 亿美元、1.8 倍,是这几项里跑得慢的一个。
规律本身很清楚:越是能验收的活,增速越快;越依赖主观评价的活,钱走得越慢。垂直行业合计 101 亿美元,比去年的 35 亿翻了近三倍。对照一下你手上的工具清单,能被验收的活占几件?
钱的来源同样集中。增量支出里 55% 来自新预算,22% 来自原有软件预算;这 22% 当中又有 13% 只是把许可证换成了 AI 功能,钱仍留在原来的厂商账上,真正流向新公司的只有 9%,约 126 亿美元。
| 增量 AI 支出的来源 | 占比 | 说明 |
|---|---|---|
| 新预算 | 55% | 原本不存在这笔钱 |
| 软件预算转为 AI 功能 | 13% | 钱留在原有厂商 |
| 软件预算流向新厂商 | 9% | 约 126 亿美元 |
| 报告未说明的部分 | 23% | 原文没有交代,不可自行补 |
这四项加起来只有 77%,剩下 23% 报告没有交代。很多建模报告都会留这种缺口,读者能做的不是替它补全,而是承认它不完整,并把这个缺口记住。反过来,凡是看到"AI 抢走了软件预算"这类说法,先看对方有没有把 13% 和 9% 加成一个 22%;这一步加错,后面的结论就全歪了。
反常识的一条:AI 没换掉你的软件
报告里有一句写得很克制:能证明企业用 AI 替换掉 Salesforce 这类客户系统、NetSuite 这类财务系统的证据"有限"。换句话说,客户资料还在原来的系统里,账还在原来的账上,审批流还是那条审批流。AI 进来了,但门牌没换。
在位者的地盘也守住了。IT 运维(ServiceNow)占 91%、数据科学(Databricks、Snowflake)占 88%、人事系统(Workday)占 68%;被 AI 原生公司拿走 96% 的,是编程。这条分界线很清楚:产出代码的工具被换掉了,记录事实的系统没有动。真正难换的不是工具,是系统。
这条分界线对个人的含义,比对企业的含义更直接:你不需要先换一套系统,才用得上 AI。落地的做法是在已有的文件、表格、日程、邮件之上加一层会动手的助手,让它读你已有的东西、按你的规矩办事。仙踪问道做的 Hermes 助手就是照这个思路设计的——macOS 本地部署,直接读写本机文件,而不是再开一个要你搬家的新平台。
这套思路有明确的边界。它替代不了记账、开票、审批这些有法定流程的系统,也不适合多人同时改写同一份材料的场景。它解决的是"一个人手上的杂活",不是"一个部门的流程重造",这两件事别混。
这些数字该怎么读
上面每个数字都能查,但查得到不等于读得对。这份报告里至少埋了四个坑,读完这一节,你再看任何一份 AI 支出报告,都能少踩几个。下面这四条,是我逐条核对原始 PDF 时记下来的,每一条都对应一个看着很顺、其实会翻车的写法。
头一个坑是把"年化速度"当成"已经花掉的钱"。1768 亿美元是按 2026 年 9 月的支出速度折成一整年的规模,不是 2026 年前九个月累计花掉的金额。THE Journal 在 2026 年 11 月 9 日的报道里专门点了这一点。就像看到某人这个月水电费 300 元,就说他家一年要花 3600 元,说的是速度,不是账单。
第二个坑是平均值。受访企业今年的支出平均是去年的 4.7 倍,中位数只有 2.2 倍;计划值分别是 1.9 倍和 1.8 倍。平均与中位差这么多,说明少数重度用户在拉高整体,报告自己把这叫"大头"效应。
同期付费使用 AI 的企业占比只从 55% 涨到 65%,多出来的额度集中在已经跑起来的那几家。钱不是被更多公司花的,而是被少数团队花的。你今年的办公软件账单里,有几笔是按人头付的?
第三个坑是把单一平台的数据当成全行业。报告说 Agent 在 OpenRouter 上占了八成用量、每周 130.9 万亿、约为人类用量的 7 倍;可报告自己也承认,这个平台的用户偏向开发者与初创公司。平台自己的 10 月报给的是 76%,因为统计窗口不同。看到"八成"这个说法,先问一句:这是在哪儿统计的?
第四个坑是拿不同机构的口径互相印证。同样是"企业里谁份额高",Menlo 给的是 Anthropic 55%、OpenAI 31%、Google 9%,口径是按生产接口用量折算的美元;Ramp 按客户刷卡与发票统计,给的是 49.3% 和 46.1%;a16z 问的是"生产环境用没用",78% 的受访 CIO 说用 OpenAI,而且可以多选。
| 机构 | 指标定义 | Anthropic | OpenAI | |
|---|---|---|---|---|
| Menlo Ventures(2026-11) | 生产接口用量折算的支出份额 | 55% | 31% | 9% |
| Ramp(2026-11) | 客户刷卡与发票的用量支出 | 49.3% | 46.1% | 1.7% |
| a16z(2026-01 转述) | Global 2000 企业 CIO 的生产使用率 | 44% | 78% | — |
三个答案都能对上各自的问法,但不可相加,也不可互相校验。它们只说明一件事:换一种问法,就换一个赢家。还有一层要留意,Menlo 在报告脚注里自曝投了 Anthropic 与 OpenRouter,a16z 投了 OpenAI。两家机构站在对立面各说各的,这很正常,读的时候把持仓一并读进去就好。
所以读这类报告,我给自己定了四问:分母是谁、分子是什么、时间窗口对不对得齐、发布方持有什么仓。这四问答不出来,任何百分比都别急着引用。仙踪问道做这类翻译解读时也守这个顺序:先把数字对到口径上,再决定哪句话能进正文。说白了,钱跟着活走,不跟人头走。这句话比任何一个百分比都稳。
落回你手上:三条能用的纪律
报告把这些钱解释成"支出随工作量增长,而不随人数增长"。翻成人话:过去买软件按人头数席位,现在按它干了多少活结账。这条变化对个人的要求很具体——你得先能说清自己每天在干什么活,才谈得上让助手接手。
第一条纪律是把活切开。能验收的活适合交出去:整理会议记录、按模板生成周报、把一堆 PDF 里的表格抽出来核对。判断性的活留在手上:定方案、拍板、跟人谈。
报告里编程和客服能吃掉大头,原因就是这两类活的验收标准写在明面上,干完能不能用,一眼就知道。试着数一数:上周你重复做过的活儿,有几件?
第二条纪律是别用贵的方式干便宜的事。同一份报告提到,一次 Agent 会话里九成五以上的用量是重复读取已有上下文,真正的新内容只占一小部分;开源模型承接了 19% 的用量,却只占 4% 的支出,均价一年降了 3.3 倍。把格式转换、摘要、归档这类高频杂活放在本地小模型上,把难题留给云端,是这份数据支持的用法。
仙踪问道把这套分工做成了可配置的:Hermes 助手在 macOS 上本地运行,日常的整理、摘要、格式转换不出机器,需要强模型的复杂任务再单独调用。它不承诺省钱比例,本地也有机器与电费的成本;它换来的是敏感文件不必上传,以及断网时照样能干杂活。
```mermaid flowchart LR A[盘一遍手上的活] --> B{干完能不能验收} B -- 能 --> C[交给助手:整理/摘要/格式转换] B -- 不能 --> D[留在手上:定方案/拍板/谈人] C --> E[本地小模型跑高频杂活] C --> F[复杂任务再调强模型] ```
边界得写在前面:它替代不了有法定流程的系统,不适合多人同时改写同一份文件,也不适合把判断权整个交出去的人。它适合的是那种"每天有二十件小事、每件都不难但很占时间"的工作日。
如果这种"把报告读成能用的动作"的内容对你有用,可以关注这个账号,后面每期翻译解读都会附一张能直接截图的对照表,和一套读数字的四问法。你公司今年的 AI 预算,是花在换系统上,还是花在让助手干活上?欢迎在评论区聊聊你看到的真实情况。
