开利是一家历史悠久的美国工业公司，专注于暖通空调领域已经有 110 年的历史。它拥有约 50,000 名员工。今年 9 月，在一个行业基础设施会议的圆桌（视频）上，三家大公司坐到一起，这家公司的首席数据与 AI 官 Arun Nandi 报了个数：2026 年 1 月至 7 月期间，全公司的 token 账单增至原来的 8 倍。这些支出主要用于服务自家产品的边缘设施、软件和数据团队。Arun 强调账单涨成这样出自刻意安排，那是探索的账单（that is the bill for discovery… for innovation.）。
开利买的是模型本身，训练基座这件事，三家谁都没做。稍大一些的是合众银行，全美第五大，70,000 名员工。有人问首席 AI 官 Prashant Mehrotra 会不会预训练自己的基座模型，他说不会说死，但今天没有（never say never. It’s not there today.）。110,000 名员工的商业地产服务机构仲量联行（JLL），其基座模型也完全外包。
这并不是这三家公司的怪癖。Menlo Ventures 在 2025 年 11 月做了一个调查，采访了 495 位美国企业的决策者。数据显示，2024 年企业 AI 项目中有 47% 是自己搭建，但现在已经变成了 76% 直接采购。在企业大模型 API 的使用量中，Anthropic、OpenAI 和 Google 占据了 88%。这批人把底层模型当作日常消耗品，工程力气花在模型之上的那一层。仔细梳理他们在实践中趟出来的路子，主要有四条可以直接对照着抄的作业。
传统企业软件采购，评估时默认一套系统能用上三到五年。可现在头部 AI 实验室两到四周就推一个新模型，合众银行的采购思路随之调整。Prashant Mehrotra 说，现在用一个东西的前提是知道能在 12 到 18 个月窗口期里换掉它（we can have it replaced in a 12 to 18 month window.）
这种替换不是纸上谈兵，合众银行内部已经有多个业务项目在半途换掉了整个模型家族。Mehrotra 认为，基础设施就应该像道路、供水、电力一样天然存在，企业只管在上面盖房子，模型只是新接的水电。开利的 Arun Nandi 也提醒了另一个更糟的现实风险：新模型可能因为完全不在你控制之内的原因下架，有时甚至不在你这个国家的控制之内。Nandi 的原文只一句：can be pulled for reasons completely out of your control。既然外部供应随时可能发生变动，随时可替换就成了实实在在的风险对冲。写提示词和评测集，就按着下季度要换一家的假设来设计。
当模型变成日常消耗品，企业内部紧接着要面对的就是内部账单如何分摊。合众银行的做法是把 token 成本记到每个员工名下，让他们自己弄清楚该买哪种模型（everybody is paying for the token internally… so they know which ones to buy）。光有账单还不够，他们还同步在内部做技能培训，教大家什么任务该配什么规格的模型。Mehrotra 提醒过，给客户或员工回答一个简单问题，用不着万亿 token 的大模型。
仲量联行是最明显展示这种思路落地的公司。这家 11 万员工的公司，技术人员只占约 3,000 人。CTO Yao Morin 的策略是先给员工很大的 token 配额，再砍下去。员工一开始不少人抱怨配额少了没法干活，后来自己摸索出了很多省钱的技巧，比如不用一遍遍重传同样的数据。Morin 的结论是，给约束会让人的创造力冒出来（Human ingenuity is amazing when you give them constraints.）。开利的 Nandi 对成本的看法也类似：成本不该按 token 单价算，而该按每个任务带来的业务价值算。所以从一开始就要按任务归因，不要把成本账做糊涂。
选模型时，最顺手的依据是各种公开评测的排行榜。但在开利，Arun Nandi 发现过去八个月到一年中，某些岗位的员工对特定模型家族形成了忠诚度，这和公开评测的结果对不太上，也和 token 价格没有关系（slightly different from what we’ve seen from evals… devoid of all of the cost per token.）。评测替代不了用户在实际使用中的感受。
开利的策略是，给不同岗位分流：多步推理用尖端模型，例行问题走便宜的主力模型，开源权重就行。合众银行对同一语音通道给客户的和给员工的延迟、成本都分开；仲量联行则直接做成统一网关，Yao Morin 的关键设计是把响应时限作为独立变量：有些后台任务不需要实时响应，可以拖到算力便宜的时段跑，成本再降一截。Morin 提醒过，很多前沿厂商没有给企业的 SLA 承诺，找他们要五个九的可用性，他们会当场笑出来。在真正承流量的路由层，调度决策的依据，正是这些沉淀下来的用户手感。
企业在 AI 上大量投入，同时也会经历很多失败。Arun Nandi 说，他管理这些创新项目的心态更像管基金：组合里两三个高绩效项目，抵得过 95 个不成功的，少数赢家 offset 掉全部输家。
Gartner 在 2026 年 1 月的更新指出，截至 2025 年底，至少有 50% 的 GenAI 项目已在概念验证后终止，无法进入生产。451 Research（属于标普全球）对 1,006 位欧美企业从业者调查，发现企业明确放弃多数 AI 倡议的比例从 17% 升至 42%。面对如此高的失败率，开利不去写大段立项文档，而是直接收原型代码做快速分诊。中小团队可以照抄，预设清晰的中止条件，数据不达预期果断砍。
上面这些做法的出处，也需要交代清楚。这个圆桌讨论是在第三方会议机构 Kisaco Research 举办的 AI Infra Summit 上进行的，时间是 2026 年 9 月 16 日。Lambda 作为算力供应商是会议的白金赞助商，圆桌的主持人是它的首席商业官。目前公开的视频是 41 分钟的版本，由 Lambda 频道在 9 月 25 日剪辑发布，现场的原版全场录像则看不到。
Lambda 作为算力供应商，80% 的收入来自大云厂商和头部实验室（他本人在访谈里的说法），这一点也是需要注意的。它的官方博客把自建画成硬件地狱，把只买 API 的路线说成给供应商绑架，推荐的出路全是自家的预留算力。连词也有故事，Mehrotra 在台上首先说出了 valuemaxxing（先找准价值点，再决定钱花在哪），Lambda 官方帖随后宣称这个词诞生于自家圆桌。但在 IBM 的科技专栏里可以发现，早在圆桌三个月前就已经白纸黑字记载过这个词的发明人是 Lambda 的直接竞争对手 Nebius 的首席营收官 Marc Boroditsky。
抛开商业动机，只看三位高管在各自公司里做的事，他们的做法站得住脚。台上的说法，多数在公开材料里能找到证据（8 倍账单这类自报数字除外）。比如 Mehrotra 在另一次访谈里明确说过，银行的天平已经倒向租用模型。开利的 CTO Markus Klausner 在接受 Fortune 采访时也证实了，公司的模型策略是所有都要，走前沿商业 API 加微调开源。仲量联行的模型与公有云架构，在官方新闻稿和 Microsoft 的客户案例里都有说明。真正可以放心照抄的，就是前面这四条工程作业。需要打折看待的，只是 Lambda 替它们包装的概念和结论。