一半的企业收缩了自己的智能体。只有 7% 算得出那个比值。

四个数字

KPMG 的 2026 年第二季度 Global AI Pulse 调查了 20 个国家、年收入 5,000 万美元以上组织中的 2,145 位高管。这一周里，它的四项发现被分开引用了无数次；而它们放在一起要有意思得多。

请注意第一条的措辞：预期成本盖过预期价值。这个比较的两边都是预测。这条发现说的不是智能体没通过成本收益检验；它说的是，一半的大型企业走到了某个时点，此时预测开始不好看，而手上唯一可用的动作是把部署做小。而且这一切发生在这样一个季度里：同一个研究项目发现多智能体编排大约翻了一番——在 KPMG 的美国样本中，从 9% 升到 18%——并且约四分之三的负责人仍把 AI 列为首要投资优先级。没有人在离场。他们是在缩手。

当唯一的控制件是一个开关，"收缩"就是你能做的事

"收缩、收窄、推迟或暂停"是同一个底层事实的四种说法：这个反应作用在整个部署上。那是现存最粗的控制件，也正是当开销只能归到"一个 API key 加一个月份"、而不是"一个任务类加一个结果"时，你手里剩下的那一个。

它上面的两级要好得多，也苛刻得多。退役一个任务类——注意到单据核对每次跑 $4.10、而人工基线是 $1.80，同时工单分诊每次 $0.11、人工基线是 $6.00，于是砍掉前者、扩张后者——要求开销能与任务类型、以及任务是否成功连接起来。重新调优一个任务类——同一次运行，靠缓存、在分类那一跳上换小模型、加一个步数上限，做到原成本的五分之一——要求上面这些，外加一条你能翻看的轨迹。两者都不是什么奇技淫巧。它们只是对一个"最细的成本事实就是发票"的组织而言压根不可得。

所以那 49% 并不是这些部署不赚钱的证据。它是这样一个证据：信号到来时，接上线的执行机构只有那个把东西关掉的。一个手上有按工作流划分的"每完成任务成本"的团队，面对同一个信号会砍掉 20% 的工作、保住 100% 的价值，而且根本不会出现在这份调查里。

成本自己会来。价值得有人造出来。

你的模型提供方计量 token，因为它得向你收钱。那块表精确、带时间戳、无论你要不要都按月送达，而且以财务本来就懂的单位计价。没有人计量价值。不存在哪家厂商的收入取决于告诉你"这个智能体解决了 4,000 张工单，那本来要占用 900 个人工小时"。如果这个数字存在，那是你们公司里有人刻意地、费力地把它造出来的。

结果就是：每一次智能体部署都会产出一个不断上升、清晰可读、不请自来的成本信号，以及一个在被构造出来之前一直停在零的价值信号。让这套安排跑上两个季度，公司内部的情绪现实就会是：这个智能体又贵又没被证明——不管真实的比值到底是多少。7% 的 ROI 数字和 49% 的收缩数字，是同一个现象的两个侧面。

这也是为什么"我们需要更好的成本可观测性"是从这份调查里能取到的错误教训，尽管它是这份调查最明显地在暗示的那一个。成本可观测性是好办的那一半。网关日志在那儿，用量 API 在那儿，轨迹在那儿；对一个已经下定决心去做的团队来说，把开销归因到某个功能与某个租户，是一周的活。缺乏实时成本可见性的那 74%，面对的是一个可解的问题。缺乏已确立 ROI 数字的那 93%，面对的是一个更难的问题，因为他们需要的东西里有一部分只在过去可得。

那项事后拿不到的测量

一个 ROI 数字是与某个反事实的比较：在智能体出现之前，这些活儿花了多少钱、做得多好。一旦智能体接管了这条工作流，反事实就没了。你可以估，人们也确实在估，而这个估值的可信度，恰好等于那个正在要预算的人的可信度——这也正是为什么声称拥有确立数字的组织如此之少。

基线采集起来便宜，重建起来昂贵，这使它成为这份清单上杠杆最高的一件事。在智能体碰这条工作流之前，把当前流程的四件事记下来：

• 数量。这类事情每周发生多少次，以及它有怎样的季节性波动。没有它，你之后算出的任何单位指标都无处锚定。
• 每单位的人工时间。是量出来的，不是回忆出来的。回忆出来的数字系统性地偏错，而且总是朝着让这个项目好看的方向偏。
• 今天的质量。人工流程的出错率、返工率、升级率。人们惯常拿一个在位流程从未达到过的标准去要求智能体，而没有在位流程的数字，你连这话都说不出口。
• 长尾。已经有多大比例的案例耗时是中位数的五倍。这个比例通常预告了智能体的成本会往哪里聚集，也是最该先从范围里切出去的东西。

四个数字，一周的活，只采集一次。正是它们把"这个智能体每次跑 $4.10"从一个吓人的事实变成一次比较——而比较是唯一能让你砍掉一个工作负载、而不是砍掉一个项目的东西。

下一次扩张之前该装上什么表

次序比清单更要紧。团队们可靠地先做那块开销看板，因为它令人满足又显眼，然后才发现它只告诉你花了多少，不告诉你花在什么上、也不告诉你有没有奏效。按任务类拆分的"每完成任务成本"，是能支撑起"少花点"以外任何决定的最小仪表。

为这次收缩说句公道话

那 49% 里有一部分是对的，这话值得直说。确实存在一些智能体部署，其经济账在任何仪表水平下都算不过来——一条人工九十秒就能干完、而智能体需要四十步轨迹才能得到同一个答案的工作流，不会被更好的看板救回来。在那里暂停就是对的判断，而"我们试了，不划算，我们停了"，比另一种结局要健康得多：一个项目靠叙事再活两年。

不对称在推理里，不在结论里。一个因为在自己量过的工作流上"每完成任务成本"超过了人工基线而停手的团队，学到了一件经久有用的事，并能把它用到下一个候选工作流上。一个因为月账单看着难受而停手的团队什么也没学到，半年后某家厂商降价时它会把同一个决定再打一遍，而且没有办法把这两种情形区分开。这份调查同样区分不了——在把 49% 当成市场对智能体的判决、而不是当成一张关于仪表水平的快照之前，这一点值得记住。

延伸阅读

本站相关：

• 收缩一次智能体部署——怎样砍掉一个任务类，而不是砍掉一个项目。
• 成本归因与预算——把你据以决策的维度带过每一次调用。
• 衡量智能体的 ROI——那个分母，以及为什么它必须被造出来。
• 智能体的单位经济——单次运行到底花了多少。
• 智能体成本控制——四个杠杆，按回报排序。
• 成本与额度的交互设计——让触发这次运行的人看得懂那块表。

资料来源：

• KPMG——Global AI Pulse，2026 年第二季度
• KPMG 美国——2026 年第二季度 AI Quarterly Pulse 调查
• Forbes——KPMG 称近半数高管因成本收缩了 AI 智能体