构建还是外购：生成式人工智能（GenAI）的技术经济评估框架与政策反思

《TECHNOLOGY IN SOCIETY》：Building vs Buying GenAI: A Techno-Economic Framework and Policy Reflections

　　

研究人员开发了一种技术经济框架（techno-economic framework），用于评估企业构建（build）还是外购（buy）生成式人工智能（Generative AI, GenAI）的决策。该框架的实证结果表明，五个企业用例（enterprise use-cases）的盈亏平衡阈值（break-even thresholds）存在显著差异。其成本结构对比了构建模式的基础设施与微调（fine-tuning）成本与外购模式的许可（licensing）和令牌（token）费用。企业规模塑造战略选择：微型企业（micro firms）受益于外购，而大型企业（larger firms）从构建中获益。政策启示强调，人工智能工厂（AI Factories）在使中小企业（SMEs）和初创企业（start-ups）民主化获取GenAI方面发挥关键作用。

当前，人工智能（Artificial Intelligence, AI），特别是生成式人工智能（Generative AI, GenAI）正在深刻改变日常工作的组织方式。现有实证研究表明，GenAI能够显著提升个体任务与工作流程的生产力水平，涉及专业写作、客户支持及软件开发等领域。由此，企业面临一项关键决策：是构建（Build）专有的内部解决方案，还是采购供应商提供的外部服务。尽管信息技术（Information Technology, IT）领域早已存在构建与外购的决策范式，但GenAI情境使这一决策更为复杂。GenAI的部署不仅依赖专有数据与技术资源，还需要人类专业知识的深度介入，且内部部署往往伴随大量的前期资本支出、专业化人力成本与持续的运营维护成本，其资本密集程度通常高于常规软件采购。现有研究多聚焦于GenAI的生产力效应或采购战略考量，将生产力价值、生命周期支出与折现投资计算整合于统一决策框架的研究仍较为缺乏，尤其缺乏关于不同用例及相关用户群体间阈值差异的量化指导。因此，企业需要一种透明的方法来估算在何种条件下内部GenAI部署在经济学上优于基于软件即服务（Software as a Service, SaaS）或应用程序接口（Application Programming Interface, API）的外部采购。正是在这一背景下，Konstantinos Alvertos、Nikos Ioannou、Dimitris Kokkinis、Dimitris Katsianis与Dimitris Varoutas等研究人员在《TECHNOLOGY IN SOCIETY》上发表了此项研究。

为填补上述研究空白，研究人员开发了一套面向GenAI构建与外购决策的定量技术经济框架（Techno-economic Framework）。该框架将基于生产力的价值估计与总拥有成本（Total Cost of Ownership, TCO）相联结，对基础设施与人力成本进行建模，并通过净现值（Net Present Value, NPV）分析评估投资，旨在估算构建配置在经济学上优于外购配置的盈亏平衡阈值（Break-even Threshold），且该阈值以特定功能或子单元内的相关用户群体（Relevant Users）加以界定。研究比较了五个企业功能用例：计算机编程、商业生产力、客户支持、营销以及文档搜索与摘要，并揭示了构建可行性如何随用例强度、成本结构与持续利用率而变化。研究得出的重要结论包括：不同企业用例的盈亏平衡阈值存在显著差异；成本结构方面，构建模式主要涉及基础设施与微调（Fine-tuning）成本，而外购模式主要涉及许可（Licensing）与令牌（Token）费用；企业规模间接影响战略选择，微型企业倾向于外购，而大型企业更可能从内部构建中获益；政策层面，共享基础设施如人工智能工厂（AI Factories）有望通过社会化固定成本，降低中小企业（Small and Medium-sized Enterprises, SMEs）与初创企业（Start-ups）获取GenAI的门槛，从而推动GenAI访问的民主化。

研究人员采用了确定性、基于场景的技术经济研究设计，在四年期内比较构建与外购两种基线情境。研究通过理论抽样选取五个典型企业功能用例，并整合二级实证研究中的生产力证据与工程、人力、定价及维护成本假设。价值计算基于相关用户在特定用例中节省的工时所等效的劳动价值；初始资本支出（Capital Expenditure, CAPEX）涵盖基础设施规模需求（包括吞吐量、令牌、内存与GPU配置）、实施人力、培训及软件许可；运营支出（Operating Expenditure, OPEX）则包含电力消耗、基础设施维护、AI工具许可、数据管理、微调及外购场景下的许可与令牌消耗费用。最终，通过总成本（Total Cost, TC）与NPV分析对生命周期成本进行折现评估，并辅以敏感性分析检验关键参数的稳健性。

在计算机编程用例中，研究表明外购场景自第一个相关用户起即呈正向净现值，构建场景在约8个相关用户时达到正向净现值；在成本比较上，构建场景在约34个相关用户时变得比外购场景更便宜，表明该用例具有相对较低的技术门槛。在商业生产力用例中，外购场景在约5个相关用户时达到正向净现值，构建场景在约66个相关用户时转正；构建场景需在约143个相关用户时方能比外购场景更具成本优势，这一较高阈值反映了通用商业生产力工具更广泛、更分散的采用特征。在客户支持用例中，外购场景在约5个相关用户时达到正向净现值，构建场景在约67个相关用户时转正；构建场景在约196个相关用户时才变得比外购场景更便宜，使其成为所建模用例中构建与外购成本阈值最高的功能，需要更大规模的用户基础才能摊销固定构建成本。在营销用例中，外购场景自第一个相关用户起即为正向净现值，构建场景在约7个相关用户时转正；构建场景在约28个相关用户时即变得比外购场景更便宜，营销因此成为基线成本比较中阈值最低的用例。在文档搜索与摘要用例中，外购场景在约2个相关用户时达到正向净现值，构建场景在约18个相关用户时转正；构建场景在约66个相关用户时变得比外购场景更便宜，其可行性介于营销、编程与商业生产力、客户支持之间。在阈值总结方面，研究区分了构建场景净现值转正与构建成本低至低于外购两种阈值，后者构成了核心的构建可行性判据。敏感性分析进一步表明，构建阈值受需求强度与利用特征强烈影响：查询数量与令牌消耗的增加可降低达到构建阈值所需的用户规模，而专业劳动力、设备维护或外部AI服务成本的变化则会反向影响阈值。

在讨论部分，研究人员强调，所估计的阈值仅为特定假设条件下的基准，不应直接套用于企业总体规模或作为自动化采购规则。研究表明，构建可行性主要取决于相关用户在特定GenAI用例中的集中度与重复利用强度，而非企业总体规模。中型专业化组织可能因需求集中而较早具备内部部署的经济合理性，而大型多元化企业若需求分散于众多小型部门，则可能仍倾向于外购或外包。政策意义上，固定支出是制约内部GenAI部署的关键壁垒，人工智能工厂等共享基础设施举措可通过提供共享算力、存储与开发环境，潜在地改变构建成本结构，使中小企业与专业化单元在不完全拥有基础设施的情况下实现类构建部署，但研究同时指出，基线分析并未对人工智能工厂的处理效应进行数值化估算。研究结论部分指出，所提出的技术经济框架成功将定性采购问题转化为透明、可调整且跨用例可扩展的阈值模型；不同GenAI应用的经济可行性差异显著，GenAI采购决策不应基于简单的企业规模逻辑，而应聚焦于组织内部GenAI重复使用的具体功能或部门。该框架为组织边界理论提供了定量补充，将分析层次从组织规模转向工作流程内相关用户的集中度，并揭示了经济规模与互补组织资源在内部部署中的共同作用——跨越经济阈值并不保证组织具备构建能力，而拥有AI能力也不意味着内部部署必然具备经济可行性。