本文来自微信公众号： 企业管理杂志 ，作者：张乐弛
人工智能（AI）技术加速迭代，为企业出海注入强大增长动能，加快了其全球化步伐。但是，一些跨国企业不计成本地“烧Token”、堆砌最新AI应用，也为企业发展埋下隐患。无论是资本市场对AI泡沫的担忧，还是企业自身财报中不断攀升的算力开支，都在传递一个信号——不计代价的“Token军备竞赛”不可持续。
2026年3月，美国软件公司Flexera的报告发出警示：企业云支出平均浪费率攀升至29%。究其原因，主要是生成式AI正以前所未有的速度进入企业日常运营，带来更加复杂的安全合规与治理需求。换言之，在AI应用爆发式增长的背面，成本管控失序和未来收益不清，正在成为企业出海过程中亟须正视的“暗礁”。
当前环境下，出海企业应用AI，比拼的不是谁调用的模型更“大”、谁部署的Agent更多，而是谁能以更精细的财务刻度，核算每一笔AI的投入产出，并在成本、性能与价值之间找到可持续的动态平衡。
为此，本文提出三个关键考量维度：
一是政策合规，企业的数据和技术能不能出境、能不能获批，这是硬约束，不能心存侥幸；
二是商业价值，AI到底是帮助企业节省人力，还是更利于销售增长，必须做到细节拆分；
三是模式选择，AI应用系统自建还是购买，抑或选择混合模式，企业要有成本控制意识，技术只是工具，昂贵、先进的技术，不一定适合每家企业。
政策合规
部署AI应用，须先回答合规三问
企业出海首要工作是关注政策环境的变化。近年来，各国在AI治理、数据跨境、隐私保护等方面持续修订或颁布新规，如欧盟《AI法案》、东南亚各国数据本地化法规、美国金融与医疗行业的隐私保护规范等，共同构成一个跨司法管辖、法规迭代更新频繁的制度环境。传统“合规清单”模式（业务上线后由法务部门逐条核对）已完全失效。原因在于，AI应用的数据流动是实时、连续、跨境的，任何静态检查都无法覆盖动态风险。对出海企业而言，合规压力不仅来自母国，更来自每一个目标市场。在日趋严苛的制度环境下，合规不再是“可选项”，而是嵌入技术底层的强制性约束。
在出海企业AI应用场景中，同时存在三类AI治理制度。
一是强制制度。《欧盟通用数据保护条例》（GDPR）、《加州消费者隐私法案》（CCPA）、东南亚数据本地化法规等，直接规定数据收集、存储、传输的边界，违反即遭处罚，需要严格执行。
二是模仿制度。头部出海企业往往会公开其合规实践，追随企业则借用其成功之道，以降低被制裁风险。但盲目模仿会失去意义，甚至适得其反，降低效率。
三是规范制度。国际标准化组织（ISO）、电气与电子工程师协会（IEEE）等机构正在制定AI治理与隐私工程标准，这些标准将逐步成为行业标准，其中很多虽然不具强制约束性，但可以视为先行信号。
应对不同司法管辖区和不同类型的法规制度，“政策即代码”（Policy as Code）方案提供了最佳路径——将强制、模仿和行业规范转化为机器可执行、可测试、可编辑、可调整的规则集。例如，任何API调用、数据存储、模型推理之前，系统都会自动执行强制制度，但对于模仿制度和行业规范，系统需要进行人工干预或者高级别审核。该模式实现了从“人治合规”到“代码合规”的范式跃迁，也保留了制度合规的灵活性。
对不同制度进行分类后，企业在部署任何AI应用前，须先回答三个合规问题。
一是数据从哪里来？客户信息、生产数据、内部邮件——不同来源适用不同法律。
二是数据要到哪里去？调用ChatGPT、Claude等海外大模型服务平台的API，会形成数据跨境流动，某些国家允许，某些国家禁止。
三是当地监管如何规定？欧盟要求数据原则上不能出境，东南亚各国相关规则比较碎片化；中东要求某些行业数据必须本地存储。
围绕这三个问题，建议出海企业构建“合规三明治”治理架构（见表1）。这套架构不仅满足当前监管，还能以较低成本应对法规变化——只需更新策略代码，无需重构业务系统。
商业价值
从“费用黑洞”到战略资产
出海企业对AI应用的典型误判，是相信“上了AI就能自动降本增效”。事实往往相反，如果没有一套严谨的商业价值量化体系，AI投入很可能会沦为既不省钱也没增效的额外开支。
1.低价算力出境受限
考量AI应用的商业价值维度，核心任务是将AI应用系统从“费用黑洞”变成一项可核算、可归因、可对标的企业战略资产。以AI客服消耗的Token为例，中美两地定价最高相差数千倍。目前，国内超低成本大模型虽然面临涨价压力，但每百万Token费用可低至人民币几分钱。而北美主流模型每百万Token输入输出合计仍高达数十美元，如OpenAI GPT-5.5每百万Token输入、输出的标准定价分别为5美元和30美元。这意味着，同样是处理一项客户咨询，调用国内算力与调用海外算力的直接成本天差地别。
在AI交易市场，很多客户都要求本地化部署，GDPR等隐私保护法案也要求个人信息原则上不得出境，所以即使国内算力价格很低，也无法用于处理大部分西方国家客户的真实数据。这大幅限制了出海企业的Token套利空间，提高了AI使用的单位价格。
2.衡量AI价值的指标
在成本基线大致清晰之后，企业接下来要问：AI究竟创造了多少可测量的价值？这需要出海企业跳出“提效”“赋能”这类笼统表述，找到几个真正能锚定客户体验与企业效率的关键指标。
仍以出海企业最常见的应用场景AI客服为例。衡量AI价值最直观的指标是“一次性解决率”（First Contact Resolution,FCR），即客户第一次联系就解决问题的比例。这个数字直接反映了AI理解用户意图、检索知识库、自主完成闭环的能力。另一个指标是“转接次数”，即一个问题被转了多少次人工或不同部门。转接越少，说明AI越能打通企业内部的数据与流程孤岛——这对跨时区、跨语言、跨法域的出海团队而言，弥足珍贵。
但需要注意，一味追求较高的“一次性解决率”也可能走偏。有时AI为了让客户“一次性解决”，不惜陷入冗长的多轮对话，甚至触及客户不愿回答的敏感信息，反而惹人生厌。一次及时、准确的人工转接，往往胜过数轮无效的机器对话。真正聪明的AI服务，不是取代人工，而是在人机之间找到体验与效率的最佳平衡点。
传统客服体系里还有平均处理时长、分流率等指标，这些当然重要。但在智能化转型的视角下，它们应当放在“系统性、体验性、可信赖性”这组更上层的指标之后去考量。简单说，先回答AI能不能真正帮客户解决问题、能不能让客户感到可信，再回头看它处理得快不快。
3.市场多大，AI就投多少
即便单位经济效益算得过来，企业还得看另一个硬约束：目标市场的规模与增速。AI投资不是孤立的“买模型、租算力”，它必须与出海目的地市场容量匹配。例如，一家只面向某个东欧小语种国家的垂直电商，其AI客服的年调用量可能远远少于在中国所需，即使单位Token成本压到最低，节省的绝对值也相当有限。反之，一家覆盖北美多地的社交电商，月度消息量可能以百万计，即使Token单价轻微浮动，也会对利润表产生可观影响。因此，企业在决定AI投入前，应当先算一笔账：目标市场的年调用量预计是多少，乘以单位成本后，总支出是否在可接受范围内，节约的空间是否值得前期的工程与合规投入。
AI技术自身迭代极快，而海外各国的数据监管政策又变幻莫测。这两股不确定性叠加在一起，让传统的“一次性ROI测算”常常失效——上个月算好的账，下个月可能因为模型降价或合规收紧而面目全非。应对这种局面的务实方法，是将AI投入拆解成几个小步骤。先花一笔不大的“选项费”做小范围试点：选择一个海外市场、一个业务场景、一套合规方案，真实运行两到三个月。效果好，再逐步扩大；效果不佳或监管生变，果断停止，损失可控。这种“小步快跑、分阶段行权”的策略，避免了两极困境：要么仓促孤注一掷，要么因过度恐惧而无所作为。
具体操作上，企业可以将AI项目按两个维度分类：战略价值和确定性。对于那些战略价值极高但监管走向尚不明朗的项目（比如面向欧洲市场的智能客服），适合先做限额试点，等本地化方案成熟后再切换；对于那些战略价值一般但比较确定的任务（比如内部行政文案自动生成），则可以按常规预算直接推进；而那些既不确定、价值又不高的尝试，不妨先放在观察清单里。
出海企业部署AI应用，从来不是一个“上了就好”的简单故事。它始于对不同市场成本的清醒认知，继而在合规框架内锚定几个关键指标，最终通过分阶段的试错与迭代，将技术投入转化为实实在在的财务回报。企业把这笔账算清楚，才有机会在海外市场笑到最后。
模式选择
技术只是工具，不是目的
出海企业对AI的另一种常见误解，是把技术本身当成战略——谁家的模型参数更多、推理速度更快,谁就能在海外市场上抢得先机。但事实上，对大多数非科技出身的传统企业而言，AI从来不是目的，而是降低交易成本、提升组织效率的工具。因此，决策的核心不是“能不能做”，而是“该不该自己做”。
1.自建还是外包
企业在决定一项业务职能是内部化还是外包时，面对的是一个经典的治理结构选择题。著名经济学家罗纳德·科斯在1937年就点明：市场交易并非免费，每一次搜寻、谈判、签约、监督都产生成本。当这些外部交易成本高于企业内部的行政协调成本时，企业就会选择自建。反过来，如果市场能够以更低的成本提供同样的服务，外包就是更理性的选择。
这一逻辑在AI时代并未过时。今天，一家出海企业面对的是数百家大模型供应商、数千种接入API的报价方案，以及每天都在变化的海外监管环境。在这样的市场中，交易成本不是降低了，而是以新的形式放大了。
后来，另一位经济学家奥利弗·威廉姆森给这个分析框架添加了三把实用的尺子，本文结合AI应用加以说明。
第一把尺子叫“资产专用性”。如果你投入的模型、数据、流程高度绑定于某一家供应商，换一家就得推倒重来，那么自建就是防范被“套牢”的保险。
第二把尺子是“不确定性”。当技术路线还在快速迭代、海外各国的数据政策高频调整时，企业与供应商之间几乎不可能签订一份覆盖所有未来情形的完备合同。不确定性越高，内部化越安全。
第三把尺子是“交易频率”。高频重复的任务，自建可以摊薄固定成本；低频偶发的需求，按次采购显然更划算。
2.“市场失灵”风险
然而，仅靠罗纳德·科斯和奥利弗·威廉姆森的框架还不够。企业需要有效监督供应商的行为，或者合同能够覆盖所有重要变量。现实中，这个假设经常不成立。当企业无法完全观测供应商的真实技术能力或持续努力水平时，市场就会失灵。
市场失灵的形式有两种：一种是“逆向选择”，那些技术水平低、报价便宜的供应商反而更容易拿到合同，因为企业无从分辨好坏；另一种是“道德风险”，签了合同之后，供应商偷偷降低成本、牺牲质量，而企业很难及时发现。
模型不像螺丝钉，它看不见、摸不着，性能会随着版本迭代、参数调整而波动。举一个真实案例。某出海企业将面向欧美市场的AI客服外包给一家服务商，合同里只约定了“准确率不低于85%”，却没有明确约束所使用的模型版本。系统上线两个月后，企业发现实际识别率从88%掉到了72%。企业经过调查才发现，供应商在没有告知的情况下，悄悄把模型从高性能版切换到了成本更低、但能力也明显缩水的老版本。合同条款没有禁止这种做法，企业既无法追责，又不得不暂时忍受服务质量降级。这类隐蔽风险，在重视服务质量的AI外包中普遍存在。它带来的后果不仅仅是准确率下降，更可能直接伤害客户体验和品牌信誉。
3.混合模式
面对诸多困境，越来越多的出海企业开始选择一条中间路径：混合模式。所谓混合，就是把AI能力拆分成两层：通用能力层和业务核心层。
底层是通用能力层。多语言翻译、基础文本生成、图像识别、语音转文字——这些任务技术成熟、供应商竞争充分、切换成本极低，直接用API或SaaS工具解决。哪家便宜用哪家，效果不好随时换。这部分能力不需要内部化。
上层是业务核心层。那些融合了企业特有产品知识、供应链规则、历史客户行为模式的决策逻辑，比如一个基于自身产品数据库训练的推荐模型，或者一个嵌入了品牌客服话术体系的对话系统，这部分能力更适合自建或本地化部署。这种“核心自建、通用外包、保留备份”的思路，本质上是在交易成本和信息不对称之间寻找一个现实可操作的平衡点。它不追求理论上的最优解，而是追求在出海的不确定性中保留选择权。