贵的不是模型。在多数企业AI项目中,与遗留基础设施的集成占到总交付成本的40%到60%,而绝大多数商业论证从来没有把它算进去。
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
每一家企业AI供应商,都是在干净的环境里演示自己的产品。数据是结构化的,API文档齐备,系统被建成正好能接收其模型产出的那类输入。这里没有欺骗;干净的环境是演示产品唯一合理的方式。它同时也完全代表不了产品真正要运行的那个环境。
真正要运行的环境是几十年里建起来的,由不同的团队,在不同的技术栈上,而且从来没有为连接构建时尚不存在的东西做过设计。让AI在那样的环境里稳定运行,是一项工程项目,不是一项配置任务,而它一直是企业AI商业论证漏算的最大一笔成本。
模型是最便宜的部分
AI供应商的定价结构,系统性地扭曲了企业估算项目成本的方式。模型推理成本看得见、可预测,而且在下降。它清楚地写在供应商的方案里,推算起来也不费事。而把模型接到它所依赖的系统上所需的工程工作,在供应商的报价里根本不会出现。
Gartner对大型企业部署中AI项目成本结构的分析显示,一旦部署达到生产规模,集成与数据工程会占到项目总成本的40%到60%。这是多数项目中最大的单项成本,而在多数商业论证里,它恰恰是最可能被一个占位数字、而不是一个有依据的估算所代表的类别。
L.E.K. Consulting的2025年 Office of the CFO 调研发现,集成失败是被提及最多的AI价值兑现障碍,排在模型性能、员工采纳和预算约束之前。技术是能用的。围绕它的基础设施撑不起它。
遗留系统为什么总被低估
建造了多数企业核心系统的那批工程师,早已不在运行这些系统的公司里。这些系统的文档不完整、不一致,或者描述的是2017年就被取代的版本。API即便存在,也是为当年那些集成而建的,不是为AI所需要的实时、高并发、结构化的数据访问而建的。
于是在AI集成工作中会出现一串可预料的发现。第一个发现是:AI需要的数据存在,但不是它需要的形式。第二个是:要把数据以正确的形式提供出来,就得动那些承载着不成比例的组织风险的系统,核心ERP、财务总账、客户档案,而在这些系统里变更管理的周期是按季度算的,不是按迭代算的。第三个发现是,这些系统在AI所依赖的字段一级上的数据质量,比项目前任何一次审计所显示的都要低。
这些都不稀奇。对运营超过十年的组织来说,这就是企业数据基础设施的常态。稀奇的是把它当作事先已知的成本,而不是事后发现的成本。
商业论证漏掉的四项集成成本
那些出现在复盘里、却不出现在商业论证里的集成成本,有一个固定的模式。
数据准备与清洗。 AI模型的产出,与输入的质量成正比。在多数企业部署中,把数据整理到模型所要求的质量水平,本身就是一个独立项目:源系统盘点、去重、规范化,以及持续的数据管道维护。这项工作很少在AI试点获得资金之前就完成,而即便完成了,也几乎总是被低估。
认证与访问控制。 企业系统不会自由地共享数据。它们有权限结构、审计要求和访问控制,而这些设计时都没有考虑过AI服务账号。把AI接到这些系统上,需要安全架构方面的工作,这要花时间,在受监管行业还要走合规评审。任何一家模型供应商的价目表上都没有这一项。
源系统的变更管理。 当AI集成要求改变某个源系统的运作方式,比如改一个API、加一个事件触发器、动一处数据结构,这项变更就会进入那个系统的变更管理队列。在大型组织里,这些队列很长,而排在队首的系统很少是AI项目需要的那些。凡是建立在源系统变更会按项目时间表推进这一假设上的工期估算,一律出错。
持续监控与漂移治理。 模型上了生产,集成并不会因此变成免费的。源系统里的数据会变。上游API会升版本。输入分布一旦移动,模型输出就会漂移。监控和维护集成层是一项持续的工程成本,而多数商业论证把上线之后的这部分当作可以忽略不计。
站得住脚的商业论证长什么样
那些在项目启动前就把集成成本估准的组织,靠的是从系统架构入手,而不是从供应商报价入手。
在提交商业论证之前,该问的是:这套AI需要访问哪些源系统,以什么形式,以多大的时延,以及这些系统当前的数据质量和API可用面处在什么状态?这样的分析会产出一个真实的集成范围,和一个真实的成本估算。它还会提早暴露那些源系统的约束,而这些约束对项目时间表的影响,比任何选型决定都大。
这并不是一个漫长的过程。在选定供应商之前做一次为期两天的系统架构评审,就足以把一份没有约束的商业论证,变成一份成本结构站得住脚的商业论证。跳过这一步的组织并没有省下这笔成本。他们只是更晚才发现它,那时项目已经开弓,可供腾挪的余地已经小了很多。
这对采购意味着什么
集成税对企业AI的采购方式有直接影响。只看模型性能和授权费用来选供应商、不计入集成复杂度,得到的成本结构不会让任何人意外,除了批准预算的那些人。
以实施风险来评估AI平台的采购流程,具体说是以它能多干净、多快地接上组织实际在跑的源系统来评估,其结果好过只看模型跑分的流程。主流平台的模型能力正在趋同。它们提供的集成面,以及支撑这个面的专业服务生态,差别相当大。
从企业AI中拿到最多价值的组织,是那些在项目开始时就准确知道把这些模型接进自家业务究竟要付出什么,并从一开始就把这项要求写进项目里的组织。模型本身的性能,很少是决定因素。
集成税不是那种因为难找而隐蔽的成本。它隐蔽,是因为采购流程里没有任何一方有动机把它早早摆到台面上。供应商报模型成本。系统集成商针对一个尚未定义的范围报实施成本。内部团队按乐观情形估算,因为那才是能拿到预算的估算。
结果就是一批在生产投入上结构性资金不足、在时间上结构性超额承诺的项目。把商业论证做对,不需要新工具,也不需要新方法论。它需要的是,先问基础设施的问题,再问供应商的问题,并且把答案当成约束,而不是脚注。
Frequently asked questions
Why is AI integration into legacy systems so expensive?+
Legacy enterprise systems were not designed to expose the data AI requires in the form it requires it. Connecting them requires translation layers, data cleaning pipelines, authentication bridging, and often significant engineering work on systems that were never meant to be touched again. This work does not appear in model vendor pricing.
What portion of enterprise AI cost is integration?+
Estimates vary, but L.E.K. Consulting's 2025 Office of the CFO survey found integration failure cited as the single largest operational blocker to AI value realisation. Gartner's analysis of AI programme cost structures suggests integration accounts for 40–60% of total programme cost in mature enterprise deployments.
How should enterprise leaders account for integration cost in AI business cases?+
Integration costs should be estimated at the systems architecture level before a business case is submitted — not after a vendor is selected. The questions to answer: which source systems does this AI require access to, in what form, at what latency, and what is the current state of those systems' data quality and API surface?