AI 为什么正在脱离传统软件采购逻辑
很多企业早期推进 AI，通常先从采购账号和鼓励试用开始。这种方式在探索阶段足够快，但一旦 AI 开始被用于编码、研究、数据分析、文档协作和跨系统执行，企业面对的就不再只是“有没有人用”，而是“谁在用什么能力、消耗了多少资源、产生了什么结果、又触发了多大风险”。如果这些问题仍靠感觉和年底复盘来判断，管理就会很快失真。
最近几条官方更新放在一起看，信号已经很清楚。OpenAI 一边把 Workspace analytics 带进企业产品，一边扩展 Google 和 Microsoft apps 的 write actions，又同步调整 Business、Enterprise 与 Codex 的灵活计费逻辑；Meta 和微软则不断强调推理基础设施和推理成本优化。它们共同指向一个现实：企业 AI 已经从统一席位采购，走向类似云资源的持续治理。
- AI 正在从统一订阅工具变成持续消耗、持续管理的经营资源
- 企业管理重点已从“有没有人用”转向“谁在用什么、花了多少、换来了什么”
- 没有用量治理，AI 项目越扩部门，预算和风险越容易一起失控
统一发账号，为什么会越来越看不清成本和风险
席位制适合管理使用行为差不多的软件，但企业里的 AI 使用差异正在快速拉大。同样是一个一百人的团队，有人只是偶尔整理纪要和起草文案，有人每天做深度研究和数据分析，也有开发团队把 AI 接进编码和测试，还有业务团队开始尝试让 AI 直接写入文档、安排会议或发起协作动作。继续用“一人一个账号、统一口径看待”的方式管理，成本和风险都会被平均化掩盖。
这会带来三类典型问题。第一，预算在涨，但没人能清楚解释哪些消耗对应了高价值产出；第二，可写能力一旦开放，风险会从内容质量问题跳到流程与责任问题；第三，真正浪费的往往不是许可证本身，而是把高能力配置给低频用户、把探索用户和生产用户混在一起管理，最终让扩张变成预算黑箱。
- 差异化使用行为会让统一席位口径失去解释力
- 可写型 AI 的风险等级明显高于只读型 AI
- 最贵的往往不是许可证，而是无效扩张和看不见的高消耗
真正该管的，不是账号数量，而是四个治理动作
更务实的做法，不是立刻缩减所有 AI 投入，而是先建立一套可执行的分层治理机制。第一步，把用户至少区分成轻量使用者、高强度使用者和高风险使用者，让不同层级对应不同能力、权限和预算上限；第二步，把预算从单一席位预算拆成席位预算、用量预算和场景预算，分别回答固定底座、按量消耗和高价值场景投入三个问题。
第三步，对所有可写动作默认走分级开放，从低风险内部草稿、测试环境和可回滚动作开始，而不是一次全开或一刀切禁掉；第四步，把季度复盘重点从活跃人数转到单位成本换来的业务结果，去回答哪些团队真正缩短了周期、减少了返工、沉淀了稳定工作流。只有这样，企业才能把 AI 从工具采购升级成经营能力建设。
- 先做用户分层，再决定能力和预算配置
- 把预算拆成席位、用量和场景三个口径
- 所有可写动作默认按风险分级开放
- 季度复盘要追踪单位成本换来的业务结果
下一阶段拼的，是谁先把 AI 用成可经营的资源
过去很多企业谈 AI，重点都放在模型能力、供应商对比和功能清单上。但从近期一手动作看，下一阶段真正决定成效的，正在变成推理成本怎么控、可写权限怎么放、用量与结果怎么对上。换句话说，企业 AI 管理越来越像云治理，而不是传统软件采购。
这并不是坏消息。相反，只有当席位、权限、消耗和结果能够被放进同一套管理框架，企业才更有机会把 AI 从局部试点推进到规模化使用。否则很容易出现一种假繁荣：看上去人人都在用 AI，实际上预算越来越重、权限越来越乱、结果越来越说不清。
- 企业 AI 的下一阶段分水岭是治理能力，不只是模型能力
- 把席位、权限、消耗和结果纳入同一框架，才能支撑规模化使用
- 缺少治理时，AI 扩张很容易形成预算和责任双重失控
