
多数任务无需“法拉利级”AI
企业在部署AI智能体时,往往倾向于将最新、最强的模型应用于所有工作场景。然而,沃顿商学院与埃森哲周一发布的联合报告《代理式AI的真实成本是多少?》指出,这种做法存在严重的资源错配。
该报告研究了923个职业中的18,000多项任务,最终锁定11,339项可由AI智能体接管的工作。分析显示,超过90%的任务属于常规性质,仅需成本较低的基础模型即可胜任。在研究的19个行业中,仅有6%至11%的AI可承担工作因复杂度极高,必须依赖前沿(frontier)模型处理。
沃顿商学院AI与分析副院长、报告共同作者埃里克·布拉德洛(Eric Bradlow)指出,大多数公司并未对此进行区分,而是将最复杂的模型应用到整个工作流中。“这无法带来最佳投资回报,因为很大一部分任务根本不需要更复杂的模型。”他说。
追逐“最闪亮的物体”
布拉德洛将这种盲目追求最新模型的现象称为追逐“最闪亮的物体”。研究人员从相互依赖步骤数量、法律监管要求、系统影响范围、数据敏感度及数据量五个维度对任务复杂度进行评分。
埃森哲美洲行业与企业负责人詹姆斯·克劳利(James Crowley)表示,复杂性不仅源于计算难度,更来自工作流导航、系统交互及法规限制。例如,生命科学领域的质量控制开发属于高复杂度任务,而人员注册则相对简单。他强调,前沿模型对于高风险、专业化工作依然至关重要。
在资本市场、科技和航空航天领域,高容量任务往往更为复杂。克劳利以航空航天为例,跟踪庞大零件网络中的供应商可用性及认证是一项“极其复杂、价值极高”的工作。布拉德洛则指出,医疗研发中检测分子组合等任务虽昂贵,但潜在回报可达数十亿美元。
建立“AI损益表”
模型选择直接影响成本。对于一家拥有10万名员工并运行35个智能体的公司,预计五年内的AI成本从医疗保健行业的约1.55亿美元到保险业的约5.2亿美元不等。尽管单次任务成本下降,但随着应用场景扩张,总支出仍在上升。
报告建议企业像追踪利润表一样管理AI,建立“AI损益表”,以消除LLM“免费”的误解。作者主张在智能体构建的设计阶段即确定所需模型能力,而非依赖难以大规模实施的动态模型路由。
克劳利指出,挑战在于模型选择往往发生得太晚,人们倾向于使用现有权限内的模型而非最适合的模型。布拉德洛预计,未来AI系统将能自动分解请求并将子任务分发给合适模型。随着客户对ROI要求的提高,这种能降低成本的自动化匹配机制将比预期更快到来。