当AI开始算账：一家算力企业的“智企”实践样本丨2026 ITValue Summit 数字价值年会

2026 ITValue Summit数字价值年会上，超聚变数字技术股份有限公司CEO刘宏云的分享他明确指出，“在AI大发展下，企业大家都很焦虑，其实我们自身就很焦虑。而‘智企’正是企业以AI重构经营管理、实现进化升级的重要答案。” 超聚变数字技术股份有限公司CEO刘宏云 台下坐着几百位企业CIO和数字化负责人。按常理，这家以算力业务起家的公司本该是最不焦虑的那一批，不管谁家的大模型跑得好，服务器总得有人造。刘宏云自己把这个逻辑拆掉了：正因为天天和大模型厂商打交道，他们比多数企业更早、更直接地感受到模型能力往上跳的速度，也因此更早看到了账单。 刘宏云表示，超聚变拥有数千名员工，平均每天要消耗三百多亿个Token，全年预计在七万亿到十万亿之间，如果按当前的市场价格折算，仅今年一年，这笔开支就可能在六七亿元人民币的量级。 一家原先以算力基础设施和算力服务为主业的公司，自己成了AI最大的“用户”之一，这件事本身就足够耐人寻味。而在2026 ITValue Summit数字价值年会的圆桌对话环节，面对有关“自动代码生成率50%”的现场讨论，超聚变数字技术股份有限公司副总经理、CIO蓝文广表示：“任何单一指标都不足以完整反映AI落地效果，更重要的是看其在真实业务中的实际价值。” 最焦虑的人，恰恰是离算力最近的人 一家以算力业务为主的公司，照理说应该是AI浪潮中最不需要焦虑的那一批，毕竟不管谁家的大模型跑得好，服务器总得有人造。但刘宏云在2026 ITValue Summit数字价值年会的分享中说了句大实话：“我们自身就很焦虑。” 这种焦虑并非没有来由。作为算力供应商，超聚变每天跟大模型厂商打交道，比大多数企业更早、更直接地感受到AI能力的跃升速度。他们看到的不是“AI能做什么”的乐观叙事，而是一个更棘手的问题：当AI每三个月就迭代一次，企业过去花十几年、二十几年搭建的存量系统，到底还有没有价值？ 刘宏云把企业的焦虑拆成了三笔账。第一笔是存量资产。刘宏云表示，他花十几年、二十几年建起来的系统，在AI来了以后还有没有价值？第二笔是投入的时效。AI大约每三个月就迭代一轮，今天围绕营销、仓储、物流投下去的AI研究，会不会被三个月后的新模型抹平？该不该停？第三笔最要命：钱花出去多少，谁也算不清。 第三笔账的样本，今年上半年在硅谷被完整地演示了一遍。据《The Information》报道，Uber在2025年底给大约5000名工程师开放了Anthropic的编程智能体Claude Code，并做了一个内部排行榜，按AI工具的使用量给工程师排名。激励的方向非常明确：用得越多，排得越前。到2026年3月，约84%的Uber开发人员被归类为“智能体编程用户”，95%的工程师每月都在用AI工具，约70%提交的代码和AI有关。这是一组可以直接放进董事会议案的漂亮数字。 然后账单来了。4月中旬，Uber CTO Praveen Neppalli Naga向媒体承认，公司2026年全年的AI预算，在头四个月里就烧完了，不得不“回到原点重新想”这件事。单个工程师每月的API开销在500到2000美元之间。Uber 2025年的研发支出是34亿美元、同比增长9%，而AI相关成本比前一年涨了大约6倍，预算不是不够多，是财务模型压根没算准这门生意的计价方式。 而这种焦虑同时也体现在了中国的企业身上。刘宏云提到，他们跟上百家企业做过交流，发现大家的困惑高度相似：已经投入巨资建设的ERP、CRM等系统，在AI面前似乎一夜之间变得笨重而迟钝；想改造，牵一发而动全身；不改造，又怕被竞争对手甩开。更现实的是成本问题。随着Token消耗量急剧攀升，很多企业发现AI的账单远比预期来得凶猛。刘宏云透露，超聚变自身平均每天消耗300多亿Token，全年预计在7万亿到10万亿之间，折算下来今年开支可能达到6到7亿元，“甚至有美国企业前四五个月就把全年的Token预算花完了。”刘宏云指出。 而蓝文广在圆桌对话上的表达更为直接，他把AI的价值链拆成几段：从瓦特到FLOPS，从FLOPS到Token，从Token到智能体，再从智能体到业务价值。每往前走一步，能看懂的人就少一层，价值被损耗掉的可能就多一层。“瓦特是电，是成本；Token是能力，是投入；只有业务价值，才是企业真正能装进口袋的东西。”蓝文广分享道。 一句话概括就是：AI的第一份账单，永远比第一份收益来得快。谁离算力最近，谁的账最先到期，这也解释了为什么一家卖算力的公司，成了全场最坦诚讲成本的人。 踩过的坑比想象中更贵 如果说刘宏云代表的是“卖铲子的人”的视角，那么蓝文广的发言则更像是一个“用铲子的人”的实战复盘。作为超聚变的CIO，蓝文广面对的问题比外部观察者要具体得多，也残酷得多。 面对“超聚变对外提到自动代码生成率达到50%，这一成果应如何理解和衡量？”的提问，蓝文广表示，如果仅看代码生成率这一单一指标，并不足以全面反映AI工具的实际价值。一个AI工具能够生成多少代码，与这些代码是否可用、上线后是否稳定，以及整体开发效率是否真正得到提升，并不能简单画上等号。 他提出，真正值得关注的是覆盖研发全流程的价值衡量体系。“从业务设计、说明书生成、编码、测试、自动违规检测到最终部署，每个环节的效能都应纳入考量。尤其是代码的返工率和上线率，这两个指标更能说明AI应用的真实效果。”蓝文广强调。 与此同时，蓝文广还指出了一个行业性的误区。过去几年，很多企业把AI用在了数字人上，但本质上并没有触及业务的核心价值。他认为，AI真正的价值必须回到业务场景中去衡量，而不是停留在炫技层面。 这些反思背后的“学费”并不便宜。蓝文广提到，超聚变在不同类型的算子如何适配不同模型、如何提升推理效能这些问题上都“淌过坑”。更大的挑战在于，当AI智能体开始产生实际效果之后，碳基和硅基之间怎么协同、怎么治理，这在整个行业里都还没有成熟的答案。超聚变自己也尝试过、失败过，只是在失败中继续往前走。 从行业数据来看，蓝文广的谨慎并非过度保守。Gartner研究总监Melanie Freeze在分析AI项目失败原因时指出，“最常见的原因包括对AI工具能力抱有不切实际的期望，以及在实际试点阶段存在技能缺口”。调查中57%的I&O领导者报告了至少一次失败经历，许多人表示“期望过高、节奏过快，认为AI会立即自动化复杂任务、削减成本或解决长期存在的运营问题”。埃森哲的调研则从另一个角度印证了这种落差：跨过先进AI应用试点阶段的中国企业占比已从去年的46%跃升至88%，但真正实现生产效率、收入和利润提升等显著成果的企业，仅从9%升至14%。铺开容易，见效难，这几乎是所有企业面临的共同困局。 蓝文广特别强调了一点：Token本身是高成本支出，企业必须建立一套从最终价值结果往下分解到各个环节的度量体系。不能只盯着“花了多少钱买Token”，更要看这些Token产出了什么价值。这听起来像是一句正确的废话，但在实际操作中，能把这件事做清楚的企业少之又少。大多数公司的现状是：各部门各自采购AI工具，各自消耗Token，到了年底一算总账，发现钱花了不少，但到底值不值，没人说得清。 企业架构的换代 在刘宏云的发言里，最有个性的一个判断是：企业架构正在迎来换代。