模型论分卖，入场费百万：为何AI进不了内网，生意才真正开始？
价格倒挂背后的商业逻辑
在公网语境下，大模型的能力与成本正在经历剧烈的“通缩”。API价格战的持续演进，将调用成本压低至令人咋舌的程度。以DeepSeek为例，其缓存命中输入价格甚至低至每百万Token两分五厘，即便未命中缓存，3元的价格也足以让处理整部《红楼梦》体量的文本变得微不足道。这种极致的性价比，让公众产生了一种错觉：AI落地应当是水到渠成的低成本扩张。然而，将视角切换至企业内网，尤其是政务与国企市场，看到的却是另一幅截然不同的价目表。
投中网在2025年4月的调研揭示了这一残酷现实：一台能够运行满血版大模型参数的英伟达H20一体机，售价高达150万元左右；若选用国产芯片替代，由于生态适配与性能折损，往往需要购买两台且仍面临跑不满的风险，预算瞬间飙升至400万。这不仅是硬件成本的差异，更是商业模式的根本性错位。基础模型能力在墙外按Token计价，极其廉价；但一旦模型试图跨越边界进入内网，其成本结构便瞬间转化为硬件采购、系统集成、长期运维以及不可量化的责任兜底。
这种价格倒挂并非偶然，而是“数据不出域”这一核心约束下的必然结果。政策推动、技术成熟度与效率预期构成了企业引入AI的原始动力，但禁令彻底重塑了需求的交付形态。原本可能流向云厂商的持续性Token订阅收入，被拆解并重新分配给了卖一体机、做私有化部署、搞系统集成以及提供长期驻场运维的供应商群体。需求本身并未被创造，但今天这种高客单价、按项目计价的企业AI生意形态，确实是由内网隔离这一现实条件“喂大”的。
从标准化软件到工程化交付
内网部署之所以昂贵，根本原因在于它剥离了软件生意中最核心的属性——可复制性。公有云API是标准的SaaS产品，一套代码服务百万客户，边际成本趋近于零。而在内网环境中，每一个部署场景都是一座孤岛。
企业的数据资产从来不是整齐划一的。它们散落在异构的业务数据库、邮件服务器、扫描件、甚至员工个人的终端设备中。同一个管理制度可能在内部留存着五个不同版本，最新的规定未必排在检索首位。此外，不同企业的网络架构、国产芯片型号、老旧系统接口千差万别。这意味着，没有规模效应可言，交付只能依靠人力堆砌。每一单都是一个定制的工程项目，而非标准化的商品销售。
这种工程化属性导致了市场表象与成交实质的巨大割裂。云天励飞副总裁曾形容客户的热情“从地上跳到空中”，但最终大概率会“回到桌上”。投中网的调研数据佐证了这一现象：有时数百个咨询涌入，最终落地的订单寥寥无几。即便成交，交付的标准也参差不齐。优刻得披露的实际交付数据显示，满血版大模型与蒸馏版模型的比例约为五五开。一半客户咬牙承担高昂硬件成本运行671B参数的巨型模型，另一半客户则选择成本仅三四十万元的32B或70B蒸馏版。
这两种方案在能力、硬件要求及交付价格上完全不在一个量级，但在市场宣传中，它们往往被笼统地统称为“大模型私有化部署”。更有甚者，部分中间商通过低价抢单、当天部署等手段获取项目，但底层RAG框架粗糙，专业术语检索出现碎片化错误。结果便是，机器部署完成了，业务流并未真正跑通。
MIT NANDA的一份2025年报告指出，仅有约5%的定制化企业生成式AI工具实现了“成功部署”，即产生持续的生产率提升或损益影响。这一数据并非证明其余95%的设备在吃灰，而是揭示了从“试点完成”到“价值产生”之间横亘着一条巨大的鸿沟。在采购统计中，中标金额翻了四倍，千万级、亿元级大单频现；但在价值统计中，持续回报依然稀缺。这两组数据衡量的根本不是同一件事：一个统计的是采购与交付行为，另一个统计的是持续的业务价值。
责任转移与验收的确定性
如果仅将内网AI生意理解为“卖硬件顺便装个模型”，便严重低估了其中的商业深意。真正的利润中心，位于部署之后的“管理成本”中。
在公有云上，企业的核心恐惧是数据泄露至外网；而在内网中，恐惧转移为“答案的正确性与可控性”。传统信息系统的权限管理只需覆盖菜单、接口和数据库层级，足以控制谁能看到什么数据。但大模型的引入彻底打破了这一边界。模型不仅需要检索知识库，更需要进行动态的权限判断：眼前提问的人，是否具备查看特定敏感信息的资格？财务经理能查询合同文本，但销售人员未必有权知晓其中的付款条款与底价。
若这一步权限管控失效，模型越强，潜在的事故规模越大。一个能够一字不差背诵出薪资表和客户底价的模型，在基准测试中可能是满分，但在企业内部则是一场灾难。因此，政企客户所支付的巨额费用，购买的并非模型本身的智力，而是包裹在模型外的一层“确定性外壳”。
这层壳包括：测试集验证、置信度阈值设定、人工复核机制、异常回退路径以及完整的操作日志留痕。传统软件是确定性的，输入A必然得到B；大模型基于概率工作，今天答对，明天可能换一种说法甚至产生幻觉。要让企业敢于将模型投入生产系统，就必须用工程手段强行赋予其确定性。错在哪里，必须可追溯；错了之后，必须有人担责。
这种责任管理不是买断制的，而是持续性的。投中网调研指出，点亮一体机只是“小时级”的工程，真正的工作始于部署之后：数据治理的清洗、权限体系的重构、业务场景的适配、以及模型的持续迭代优化。标题中提到的“生意才真正开始”，正是指这种基于长期运维与责任兜底的持续性服务模式。
决策账本：可计量的浪费 vs 不可计量的风险
为何在云计算高度成熟的今天，企业依然选择将模型锁进内网？这需要从甲方经办人的决策账本中寻找答案。
首先是比较“浪费”与“风险”的容忍度。按量调用API意味着持续的服务支出和长期的数据流转风险，这在财务审计中往往难以解释，尤其是当使用频率不高时，持续的订阅费被视为一种低效的资源占用。而一体机部署则更容易融入企业既有的硬件采购、固定资产管理和项目验收流程。更关键的是责任归属：服务器利用率不高，导致的资产闲置是可见的、有上限的、可被内部消化损失的；但一旦发生数据泄露，其造成的损失、法律责任及声誉损害却是不可计量的、无上限的。在体制内的决策逻辑中，可计量的浪费往往比不可计量的风险更容易被接受。
其次是技术代差的缩小。二十年前，企业不敢上云是因为私有化算力无法提供与公有云相当的弹性与服务能力，能力差距巨大。而这一次，以DeepSeek为代表的开源模型将足够可用的权重释放出来，使得内外能力的差距缩小至许多客户可以接受的程度。留在内网依然需要承担硬件折旧、运维人力及模型更新成本，但不再意味着必须使用落后一代的技术。
过去，企业是将数据送到算力旁边（上云）；现在，它们开始把模型搬到数据旁边（内网部署）。
未来的常态：自建AI机房
这一趋势是否会逆转？历史经验显示，二十年前许多企业也坚决反对数据上云，认为数据是命根子，但最终该上的都上了。但AI领域存在一个本质区别：数据边界。模型在内网中用得越深，喂入的核心数据越多，数据外流的合规风险就呈指数级上升，规矩也会越多。
因此，这道边界并非临时措施，而是长期常态。企业AI的终局，可能不是“万物上云”的简单续集，而是每一家具备规模的机构都建立一个自己的AI机房。这类似于二十年前每个大型单位都维护过一个ERP项目组，虽然效率未必最高，但安全可控。
从2025年上半年的中标数据预演未来，应用类项目中约四分之一与智能体相关，其中180个项目正在构建“智能体开发平台”。名词虽从“大模型”转向“智能体”，但标书结构与验收逻辑未变。照此节奏，明年甚至后年，“具身智能”等新概念也会遵循同样的内网交付逻辑。
三星的案例提供了最好的注脚。在经历早期的数据泄露教训后，三星没有单纯依赖外部服务，而是发布自研Gauss模型，用于内部办公及Galaxy AI的研发。这家巨头用行动表明：外面的模型可以不断迭代变化，但企业的数据边界必须由自己掌控。
当公众还在争论AGI何时到来时，内网中的决策者并不关心这个宏大命题。他们只关心一个简单的事实：无论AGI何时到来，一旦进入企业内部，必须先办理入网手续，并通过那层昂贵的、负责确定性的“壳”。