人工智能市场的定价模式不会永远保持不变。不断上升的Token成本、安全风险和运营现实，正在推动AI回到“本地”。

　　过去几年，企业IT的默认假设是：AI将遵循与许多其他工作负载相同的道路，进入公共云。这个假设看起来合理——超大规模厂商拥有基础设施、GPU容量、托管服务和开发者生态系统。如果你想快速行动，公共云AI似乎是最直接的答案。

　　但这种逻辑正在被现实击穿。

　　博通（Broadcom）刚刚发布的《2026年私有云展望》报告揭示了一个清晰的转折点：企业AI正在从公有云大规模回流到私有云。调查显示，56%的企业正在或计划在私有云上运行生产级AI推理，而公有云在同等工作负载中的占比从一年前的56%骤降至41%。更值得注意的是，43%正在迁移工作负载的企业，明确将AI训练、大语言模型和推理从公有云迁回私有云——而这个“AI回流”类别在去年的研究中根本不存在。

　　正如博通VMware云基础架构部门营销副总裁Prashanth Shenoy所说：“企业AI已经找到了它的基础设施归宿。这个归宿就是私有云。 ”

　　Token越来越便宜，账单为什么越来越贵？

　　市场仍然将基于Token的AI定价视为一种稳定、成熟的经济模式。但现实远非如此。

　　一个看似悖论的现象正在发生：Token单价在暴跌，企业AI账单却在暴涨。 GPT-4级别的性能成本已从2022年底的每百万Token约20美元降至约0.40美元，降幅高达98%。然而，企业AI平均预算却从2024年的每年120万美元飙升至2026年的700万美元。

　　罪魁祸首是用量。2025年11月以来发布的Agentic AI工具——包括Anthropic的Claude Opus 4.5、OpenAI的GPT-5.1和Google的Gemini 3 Pro——将单次任务的Token消耗成倍放大。一个简单的线性工作流在2023年每次交互约需0.04美元，而一个编排好的Agentic系统在2026年约需1.20美元——增长了约30倍。

　　真实案例触目惊心：Uber进入2026年没几个月就烧穿了全年AI预算，主因是Claude Code。一家公司据报在单月内因忘记设置使用上限，跑出了5亿美元的Claude账单。一名Priceline员工告诉TechCrunch，一份常规的Cursor合同续约报价比之前贵了四到五倍。

　　与此同时，大模型API价格正在全面上涨。4月23日，OpenAI发布GPT-5.5，输入和输出价格从GPT-5.4的2.5/15美元提高到5/30美元。智谱年内已三次上调API价格，各型号涨幅均在30%以上；阿里云因全球AI需求爆发及供应链成本上涨，AI算力、存储等产品价格上调5%至34%。

　　一个明涨，一个暗涨。Django框架联合创始人Simon Willison过去30天消耗了价值2180美元的Token，实际只支付了200美元——但这笔补贴正在消失。OpenAI已将Codex从按消息估算改回按Token计费；Anthropic虽然没有提高Opus 4.7的挂牌价格，却通过新的Tokenizer让同样文本最多多切35%的Token。

　　当AI成为企业日常运营的一部分，Token费用不再是实验性开支，而是经常性的“水电费” 。那时，即使是价格的轻微变动也会对预算产生重大影响。

　　博通报告显示，成本已首次超越安全，成为IT领导者对公有云的首要担忧——从2025年的26%上升至2026年的31%。97%的IT领导者认为他们在公有云上的部分支出被浪费了，52%估计浪费超过总支出的25%。62%的IT领导者对生成式AI和Agentic AI的基础设施成本表示非常或极度担忧。

　　没有CIO愿意解释：公司成功运行了AI，却发现公共供应商不断增长的账单抵消了每一笔业务收益。企业曾在云成本超支中见过这一幕，他们不想用AI重蹈覆辙。

　　安全与治理：董事会桌上的新议题

　　成本可能是最直接的担忧，但它不是唯一的问题。

　　安全和治理正在成为同样强大的驱动力。 企业对敏感信息通过公共AI工具、公共API和难以监控的用户工作流程流动的想法越来越不安。这种担忧并非抽象——员工经常将机密信息粘贴到公共AI界面中以提高效率；开发团队的行动有时比政策制定更快；在治理跟上之前，业务部门就已经采用了工具。

　　结果是什么？数据泄露、未经授权的曝光、合规性失败以及与使用AI直接相关的安全事件的风险正在上升。

　　NTT DATA的《2026年全球AI报告》显示，超过95%的受访者认为私有AI和主权AI很重要，但组织“知道需要什么”和“准备好建设什么”之间存在巨大差距。近60%的AI领导者将跨境数据限制列为重大挑战。

　　一旦AI触及客户记录、财务模型、受监管数据或其他专有信息，焦点就会从“部署速度”转向“你向业务核心引入了什么风险”。虽然公有云可以提供强大的安全能力，但许多企业更倾向于对敏感的AI工作负载进行更严格的内部控制——更好的可观测性、访问控制、数据本地化和策略执行。

　　私有AI减少了不确定性。它让企业更直接地控制数据存放位置、模型如何使用、谁可以访问以及系统如何被审计。这并没有消除风险，但它使风险更容易管理。

　　博通报告的数据印证了这一点：数据保护和隐私（37%）以及安全和控制（36%）是AI对IT组织提出的最大新需求。83%的企业正在考虑将工作负载从公有云迁移回私有云，50%已经完成了至少部分迁移。安全和合规仍然是迁移的首要驱动因素，51%的受访者提及。

　　地缘政治也在重塑基础设施决策。五分之四的IT领导者表示地缘政治正在影响其IT战略和运营；数据主权和驻留要求（54%）已超越特定司法管辖区合规要求（51%），成为首要的地缘政治关切。

　　混合AI是自然的最终状态

　　越来越明显的是，企业AI的未来既不是“全公有云”也不是“全本地”。这是一个混合体。市场正在超越意识形态，根据经济、治理、延迟和控制的方向来部署工作负载。

　　这一转变之所以重要，是因为并非每个AI问题都需要一个巨大的托管模型。事实上，许多企业用例并不需要。越来越多的组织发现，在有针对性的业务任务中，更小、更专精的领域模型可以与更大的模型一样好，甚至更好。Gartner预测，到2027年，组织将实施“小型、任务特定的AI模型”，其使用量至少是通用大语言模型的三倍。

　　一些企业使用微调模型；一些依赖经典的机器学习和预测系统；一些将检索技术与较小的语言模型结合；还有一些根据特定的操作领域构建了严格约束的模型。

　　这些系统通常更适合私有基础设施。它们运行得更靠近企业数据，可以针对可预测的工作负载进行优化，并避免外部Token化服务的开放式成本结构。当模型在内部业务流程中反复使用——而不是偶尔被有限的用户使用——这一点尤其成立。

　　企业选择私有AI，不仅仅是因为他们不喜欢公有云定价。他们选择私有AI，是因为他们正在学习构建满足企业要求的AI系统——而不是默认从外部消费最容易获取的东西。

　　私有AI更难，但值得

　　私有AI并非不费力。在本地或私有云中构建AI需要投资、规划、专业技能、操作纪律以及愿意拥有更多技术栈。企业必须思考基础设施设计、GPU利用率、生命周期管理、模型运维、集成和弹性——而公共服务往往将这些抽象化。

　　额外的工作带来了真正的风险。一些组织会低估运营负担；一些会在基础设施上超支；一些将难以吸引合适的人才。NTT DATA的研究表明，尽管超过95%的受访者认为私有AI和主权AI很重要，但实际准备好的组织却少得多。

　　即使面对这些挑战，许多企业也得出了同样的结论：成本节约太有吸引力，无法忽视。

　　博通报告显示，私有云支出意愿在三年展望期内增长了21个百分点，而公有云仅增长10个百分点。58%的IT领导者将“在私有云上构建新工作负载”列为战略重点，高于一年前的53%。

　　企业转向私有AI，不是因为更容易。他们转向私有AI，是因为从长远来看更明智。 他们宁愿现在承担更多责任，也不愿继续暴露在以后可能变得不可持续的定价模式中。他们宁愿投资于自己拥有的能力，也不愿从未来经济不确定的外部平台租用关键智能。

　　公有云仍然很重要——特别是对于实验、突发性需求和精选服务。但对于许多生产工作负载来说，天平正在倾斜。随着Token成本上升、治理压力加剧，以及组织越来越擅长构建有针对性的模型而非默认使用巨型LLM，越来越多的企业将得出结论：他们最有价值的AI，应该留在离家更近的地方。

作者：David Linthicum