从「拼能力」到「拼落地」，MaaS 的真实边界在哪

                                                      ▲ 能力已经堆得很高，但通往业务的桥还没修完

过去两年，行业把「能力可得性」解决得非常好，但把「价值可证性」解决得非常差。调用量爆发是真的，企业赚没赚到钱，是另一回事。

先看一条大家都熟悉的增长曲线。

                                                                ▲ 豆包大模型日均 Token 调用量，两年增长约 90 倍

漂亮吧？但把另外两个数字摆到它旁边，味道就变了：

Token 的爆发是真实的，但它既没有转化成云厂商整体的收入跃迁，也没有转化成企业侧的生产力跃迁。

行业出现了「局部泼天富贵、大盘原地踏步」的异象。

死掉的项目，死因从来不是模型

2023 年到 2026 年，模型能力突飞猛进，但企业 AI 项目的死亡率几乎没降。漏斗长这样：

                                                        ▲ 几乎所有人都在立项，几乎没人走到生产

Gartner 的判断更直接：到 2027 年底，超过 40% 的智能体项目会被取消，原因排序很稳定——

商业价值说不清、成本跑在回报前面、风险控制第一天就缺席

。三种死法，没有一种是「模型不够聪明」。

那到底卡在哪？企业买家自己的投票给出了答案：

                                                                 ▲ 排第一的不是数据，是评测与可观测性

这个顺序很反直觉，但极其合理：

数据脏你能感觉到，「这周的智能体比上周好还是坏」——没有评测集，你连感觉都没有。

无法度量，就无法迭代；无法迭代，项目就永远停在「看起来很 impressive」。

常见误读：数据质量差→智能体不准→项目失败。

真实链路：数据质量差→需要人工兜底→定义不出自动成功率→没有验收标准→项目无法宣告完成→无限迭代→预算耗尽被取消。

直接死因是「没有验收标准」。这也是为什么很多数据治理做得不错的企业照样死——他们治了数据，但没写验收标准。

MaaS 到底加速了什么？四层，含金量不同

MaaS 不是一件事，是四件被捆在一起卖的事。

：已经彻底商品化。API 价格两年降超 90%，微软披露同时用多家模型的客户今年增长 5 倍。真正的意义不是便宜，而是

——选型从不可逆的战略决策，变成可以每周重跑的路由策略。

：2026 年真正的战场。所有主流平台都在从「卖模型调用」向「承接生产级应用」上移：微软 Foundry 加上了权限、状态、追踪、评估；AWS AgentCore 做成模型无关、每个 Agent 独立身份、全链路审计；阿里云「千问云」干脆把服务对象定义成 Agent。

平台争夺的已不是调用量，而是企业 AI 应用的运行入口。

：企业数据正从「训练语料」变成「运行时上下文」。翻译一下：多数企业根本不需要微调，需要的是把私有知识在推理时准确地喂进去。这是 MaaS 对中小企业最实质的赋能——

过去「用上自己的知识」按季度计，现在按周计。

：席位订阅 → 按工作量 → 按结果计费。意义不在厂商怎么收钱，而在

它强迫双方在签约时就把「什么叫成功」写下来

这一层不是 PPT，已有可验证的产出：Mobileye 的支持智能体响应时间缩短 90%、准确率超 95%；AT&T 解决时间缩短 33%、部署 700 多个数字员工。四个标杆案例的共同点：

都有明确验收标准 + 存量人工成本 + 高频重复

。没有一个是「提升决策质量」这种说不清的宏大目标。

1 没人写下「什么叫做成了」。

「降低工单处理时间」无法被通过，也无法被否决。没有阈值，默认结局就是无限迭代——而无限迭代在预算耗尽后，与失败无法区分。

改一次 prompt，不知道是变好还是变坏，团队从此不敢动，项目凝固在某个偶然可用的版本上。

3 数据接不上，或权限过不去。

更隐蔽的是：给 Agent 开了写权限却没有审批闸门，安全团队第五个月提了一个没人答得上来的问题，项目就地冻结。

Uber 四月就烧完了全年 AI 编程预算。失控的不是单价，是「按量计费 × 智能体循环 × 无人监控用量」。

5 用智能体干了一百行代码能干得更好的事。

输入固定、规则固定的流程，确定性代码在成本、延迟、可靠性上全面胜出。Gartner 估计：成千上万家宣称「智能体」的厂商里，真正交付的约 130 家。

以一封售后技术邮件为例：输入 6000 Token（含检索的说明书片段）、输出 800 Token，按主流挂牌价量级算：

                                                      ▲ 对数刻度下，模型成本约为人工的 1/1300

在这种高频文字场景里，Token 几乎不构成成本。

0.037 元除以 60% 成功率，仍然可以忽略。但如果成功率只有 30%，意味着 70% 的邮件要人工重做——此时成本由「人工重做一遍」决定。

这就是为什么「准确率提升 10 个点」远比「单价降低 50%」值钱。

反过来，Token 成本失控只发生在智能体循环里：一个任务拆 20 步、每步带全量上下文、步与步互相调用。所以成本治理的抓手是三件事：

（多数请求不需要最强模型）、

企业侧怎么走：先写验收标准，再写 prompt

必须包含三个数：自动完成率阈值、错误率上限、人工介入触发条件。写不出这三个数，说明场景没想清楚，别立项。

2 用存量数据造评测集，哪怕只有 200 条。从历史工单里抽样，标注「标准答案」和「不可接受的错误」。这 200 条是全项目最有价值的资产——它比模型活得久，比供应商活得久。

3 按容错率排优先级，不按想象空间。内部提效 → 对外半自动（AI 建议 + 人确认）→ 全自动。跳过中间那步的项目，基本死在 POC 之后。

订单、库存、价格这类有唯一正确答案的事，绝不让模型凭记忆回答。模型提议，规则裁决。

（原文、版本、权限在你手里）、

（唯一能告诉你变好还是变坏的东西）、

（流程是你的竞争力，不该变成别人的配置项）。

假设明天要换模型供应商，你是改配置，还是重建系统？

改配置叫落地，重建叫被锁定。

                                                                        ▲ 落地阶段的最优解，是人机同行，而不是替换

它把模型的门槛降到了几千块，把工程的门槛降到了几周，把知识的门槛降到了一次索引。但最后那一步——在立项那天，就把「什么叫做成了」写成一句可以被否决的话——没有任何平台能替你做。

加速的上限，从来不取决于平台又上了什么能力，

而取决于企业敢不敢先写下那句话。

Token 涨了 90 倍，为什么 AI 还是落不了地？

“拼落地”的本质变化不是模型变强了，而是竞争单元从“模型能力上限”换成了“单位业务结果的最低成本”。MaaS 真正加速的是从 0 到 1 的工程距离，不是从 1 到 N 的业务闭环——这个区别决定了你该买什么、不该买什么。

人工智能

MaaS商业落地关键：从“拼能力”转向“拼落地”，核心在评测与验收标准。Token调用量爆发但企业增收有限，项目死因多为商业价值不清、无评测集。2026年工程层成战场，企业应优先写清验收标准、构建评测集，按容错率排序，避免模型锁定。

数据治理

智能体

AI编程

路由

Agent

MaaS

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

Token 涨了 90 倍，为什么 AI 还是落不了地？

Token 涨了 90 倍，为什么 AI 还是落不了地？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐