Cube Insight【278】全球 IT 行业冰火两重天

全文概览

生成式人工智能的浪潮席卷全球，企业纷纷加大投入，希望在这场技术革命中抢占先机。云厂商和主权国家每年投入数千亿美元的资本支出，似乎预示着AI的无限前景。然而，在这股狂热的投资背后，一个令人困惑的现象正在显现：尽管AI预算持续火热，整体IT支出却显得不温不火，甚至预期有所下调。

企业真的从AI投资中获得了预期回报吗？报告显示，AI项目的实际回报并不高于，甚至可能落后于传统的IT项目。地缘政治动荡、政策不确定性以及低迷的GDP预测，共同构成了复杂的宏观环境，使得买家对技术支出的预期趋于谨慎。

本文将深入探讨当前企业AI采用的真实数据，结合整体IT支出情况，分析AI使用中的动态变化，并展示一些前沿的AI产品研究。宏观经济的逆风是否会吹散AI的投资热情？企业又该如何在不确定性中找到AI落地的方向？让我们一起探寻这些问题的答案。

阅读收获

• 了解当前企业AI投资与整体IT预算之间的反差及其原因。
• 认识到尽管政策不确定，企业AI项目仍在推进，但步伐趋于谨慎。
• 理解当前企业AI项目普遍面临的ROI不明确或较低的挑战。
• 掌握企业在选择LLM模型、开发平台和向量搜索工具时的偏好及考量因素。
• 识别制约企业自行构建AI应用的主要障碍，如技能、数据质量和遗留系统集成。
• 洞察企业AI工作负载的部署模式正向“将AI带到数据所在地”分化。
• 认识到AI数据中心建设正经历超级周期，云端和企业本地部署均呈现强劲增长。

图片

AI预算火热，IT预算不温不火

深度分析 作者：Dave Vellante 和 Erik Bradley[1]

生成式人工智能觉醒已过去三十个月，企业从AI投资中获益多少，目前尚无定论。

尽管绝大多数客户仍在持续投入AI，但报告的回报并不高于，坦率地说，甚至落后于通常与历史信息技术项目相关的回报，例如企业资源规划（enterprise resource planning）、数据仓库（data warehousing）和云计算（cloud computing）。让我们面对现实，云厂商和主权国家每年数千亿美元的资本支出正在助长这种狂热情绪，并实质上支持了对AI运动的盲目信仰。

但企业采用AI的实际回报仍然不透明。再加上地缘政治动荡、波动的公共政策以及低个位数的GDP预测，买家正在调低对技术支出的预期，相对于今年1月份而言。

在本期深度分析中，我们将结合整体IT支出情况，回顾企业AI采用的最新数据。我们还将深入探讨AI使用的一些动态，并为您简要展示Enterprise Technology Research进行的一些前沿AI产品研究。

内部AI应用/开发正在抢占预算

我们认为，ETR最新一期的AI产品系列数据（如下所示）证实了预算正果断转向构建内部AI应用。

这项针对600位积极开发和维护专有AI应用的IT决策者的调查发现，83% 的受访者预计2025年将增加支出，其中大多数预计将实现两位数增长。只有5% 预计会出现任何回落。ETR指出，1月份针对更广泛的“购买和构建”AI项目进行的配套调查也显示出类似的看涨解读（75%净积极），这强调了无论企业是购买软件即服务还是自行编写代码，AI应用/开发都是预算重点。

图片

主要发现

• 两位数的支出承诺： 我们的研究表明，大多数受访者正在大幅增加预算，以加速定制AI工作负载的价值实现时间。
• 各类买家的一致性： 此前一项包含所有类型的AI研究显示出几乎相同的热情，表明商业SaaS和定制开发路径的需求都表现强劲。
• 早期周期的增长空间： 考虑到大多数企业仍处于概念验证或早期生产阶段，我们认为这些支出意向代表着多年投资浪潮的前端。
• 下行风险较低： 只有5%的受访者表示会削减预算，这表明AI应用开发在一定程度上不受更广泛IT支出审查的影响。我们承认这会随着情绪变化而改变。
• 验证的节奏： ETR的定期脉搏将使我们能够快速追踪拐点；我们预计下一次读数将维持甚至超越目前的乐观情绪；但需要注意的是，如果ROI仍然不透明（我们将在下面讨论）且公共政策不确定性依然存在，这种乐观情绪可能会逆转。

尽管如此，在我们看来，图表中响应的右偏分布表明市场仍处于加速模式，远未饱和。这意味着为内部AI团队提供工具、运行时平台和人才的供应商可能会在2026年及以后看到持续的顺风。

监管逆风并未打破AI的势头

下方的图表描绘了一幅画面，表明地缘政治紧张和不断变化的政策框架并未阻碍企业AI议程。在ETR 2025年4月对507位领导者进行的宏观调查中，半数受访者表示，尽管政策收紧，他们仍在维持或加速AI项目。只有10%的受访者正在放缓脚步。

图片

上方的横条描绘了三个群体：1) 加速采用AI的企业；2) 维持现状的企业；3) 放缓采用的企业。

中间的条带标记为“谨慎推进”，占比最大，约为40%，而减速部分则低于10%。当数据过滤IT-电信行业的受访者时，代表加速的最左侧条带显著加宽，从24%跃升至40%，“持续”类别也相应提升至26%。在我们看来，这些数据强化了数字密集型行业正在加倍投入，而非对冲的观点。

主要发现

• 弹性需求信号： 数据表明，监管不确定性更多被视为治理障碍而非支出阻碍。
• 行业分化： IT-电信公司显示出近70%的积极势头，表明竞争压力正在挤压技术中心垂直行业的谨慎态度。
• 健康的怀疑态度，而非停滞： 40%的“谨慎推进”群体反映的是严谨的预算管理而非撤退。我们认为这些组织正在积极试点用例的同时，监测不断演变的合规框架。然而，我们将这一群体视为类似于选举中的摇摆票——如果情绪可能改变，他们的支出模式也可能改变。
• 没有催化剂的情况下下行空间有限： 减速比例停留在10%，大范围AI投资冻结的可能性较低。再次强调，我们已经看到政策或市场条件的变化如何对预算分配产生负面影响。
• 选择权依然存在： 尚未决定的买家仍可能转向积极；他们的预算已分配，但资金释放取决于更清晰的ROI指标。

在我们看来，图表的不对称性——即大部分是“绿色”，只有狭窄的“红色区域”——表明AI在2025年预算中赢得了突出地位。谨慎的中间群体将随着监管护栏的巩固而转向加速；如果持续不确定，则会维持现状。我们提醒，支出是反复无常的，常常随经济情绪起伏。

ROI落后于炒作，揭示了AI周期的不成熟

下方的图表给原本看涨的叙事注入了警示。生成式AI浪潮已过去三十个月，27%的受访者承认他们尚未看到其AI支出的任何实际回报。不到10%的受访者报告ROI超过25%，这是许多CFO用来批准高风险IT项目的门槛回报率。更具启发性的是，超过四分之一的受访者承认他们根本没有追踪ROI。

图片

上方的条形图段显示了几个ROI区间，包括未追踪、负/零、0-10%、10-25%以及三个“>25%”区间。最大的群体要么没有衡量，要么尚未达到盈亏平衡。这些数据强调了结果偏向于未经证实或未经衡量。

主要发现

• 概念验证阶段： 尽管供应商的说法并非如此，但我们的研究表明，企业仍处于实验模式，分配资金用于构建、测试和学习，而非立即获得回报。
• 预算重新分配，而非扩张： 定性反馈和其他定量调查数据表明，AI支出常常蚕食了业务线、销售和营销预算，推迟了正式的ROI审查。
• 责任延后： 27%的“未追踪”群体凸显了“先构建，后证明”的心态，尤其是在维护自己代码库的公司中。
• ROI差距与门槛回报率： 不到10%的项目达到了25%的ROI门槛，我们认为许多项目可能很快面临CFO的压力，需要阐明效率轶事之外的价值。
• 人才和运营支出抵消： 此外，我们注意到，内部将人员增长放缓视为一种隐含的回报机制，这可能进一步推迟严格的财务审查。

我们再次看到数据中的不对称性——即“无回报”的群体很大，而在“高回报”处急剧减少。在我们看来，这表明AI仍然是一个早期周期的投资故事。我们之前强调的“谨慎推进”中间群体一旦实际效益显现，可能转向积极；反之，如果ROI持续落后于预期或经济情绪转变，则可能恶化。无论如何，接下来的两轮调查对于确定乐观情绪是否能转化为可衡量的经济价值至关重要。

AI并非不受削减影响：CFO将首先削减实验性支出

我们认为，下方的图表提供了一个重要的现实检验。当被问及如果宏观经济状况进一步恶化，他们会从哪里削减资金时，219位C级高管表示，AI项目被列为第二大“非常脆弱”的类别——仅次于外包IT服务，排在安全云、软件即服务和核心基础设施之后。

图片

上方的横条按评估各领域增量削减脆弱性的高管比例对七个IT领域进行排名。外包IT服务位居榜首，其次是AI项目。安全性风险最小，位居末尾，而云计算、SaaS和基础架构占据中间位置，这表明它们相对更不受影响。

主要发现

关于削减风险的利弊权衡

在我们看来，这些数据提醒投资者和从业者，AI炒作不等于预算免疫。虽然早期数据显示了强劲的投资意向，但上方呈现的C级高管观点突出了一个警告。具体而言，如果宏观逆风加剧，实验性AI资金可能成为首批被削减的对象。

宏观情绪转变，IT预算增长回落

下方的数据捕捉到了自最初COVID冲击以来企业技术支出最剧烈的单季度重置之一。ETR 4月份的宏观脉搏显示，2025年IT预算增长预期从1月份的5.3%骤降至3.4%，下降了190个基点，ETR将其描述为“我们在危机之外记录到的最大跌幅”。

图片

上方的折线图追踪了IT总预算增长的连续季度修正，并标注了关键细分领域。所有三条曲线在第一季度和第二季度之间都急剧向下倾斜。主线平均值降至3.4%，而财富500强和全球2000强甚至更不乐观，分别预期为2.4%和2.2%。一个脚注是，调查在宣布对等关税后一天结束，这意味着数据错过了随后的股市抛售，这很可能会进一步压低预期。样本采集也在关税暂时搁置后出现的V型反弹之前。

主要发现

关于IT预算预期的利弊权衡

在我们看来，数据明显的下行拐点传达了两个信息。首先，后COVID时代“高个位数基线”的IT增长暂时结束；预算已回落到疫情前的常态。其次，宏观情绪的严重性显而易见。如果GDP保持在1%以下，我们预计CFO将继续将支出重新调整到2%至3%的区间，迫使AI倡导者更快地证明价值，否则将面临资金流失的风险。

政策迷雾导致高管层暂缓新增IT项目

以下数据显示，政治和贸易动荡正开始渗透到高管决策中，这是迄今为止最清晰的信号。在对219位C级别高管进行的快速调查中，71% 承认采取了某种形式的收缩，无论是延迟、缩小范围、暂停还是彻底取消AI计划，而只有27% 表示不确定性促使他们加速或批准新项目。

图片

主要发现

IT项目支出的得失

在我们看来，图表中偏向延迟和缩小范围的不对称分布，凸显了董事会对AI变革潜力的乐观态度与CFO在不稳定宏观环境下的谨慎态度之间日益紧张的关系。下一波调查将揭示今天的暂停是会变成明天的取消，还是仅仅是政策逆风消退后即将释放的蓄势待发。

企业LLM应用/开发采用显示GPT独占鳌头

ETR关于企业计划将哪些基础模型系列整合到其自身代码库中的首次快照提供了一个早期但具有说服力的信号——即，OpenAI的GPT拥有前所未有的关注度，约62%的开发者已经在使用或计划使用该模型。 没有竞争对手能突破35%的界限，这突显了GPT的先发优势和微软通过Azure OpenAI Service获得的渠道优势。

图片

水平条形图显示了十多个模型系列，按“当前使用/计划使用”的份额从高到低排列。GPT的条形图几乎占据了图形的三分之二，实心绿色表示正在使用，带图案的绿色表示近期意向。与此同时，下一组（Gemini、Anthropic Claude、Llama等）徘徊在20%到30%的高低区间。随后是逐渐减少的长尾，Databricks的DBRX、亚马逊的Nova、Snowflake Arctic、DeepSeek、Grok、IBM Granite和Cohere各自的兴趣度较低但值得关注。

主要发现

LLM在应用/开发中采用的得失

在我们看来，图表中从GPT到“其他所有模型”的急剧下降证实了在企业竞争中，分发和开发者体验与原始模型性能同样重要。然而，九个替代模型系列的存在，其中许多直接嵌入在数据平台中，预示着一旦基线准确性趋于一致，将进入一个碎片化和价格竞争的新阶段。

微软在AI开发平台领域扩大领先优势，但选择性仍然至关重要

我们认为，以下数据说明了一个熟悉的模式——即，企业在AI堆栈中向上移动得越远，微软的主导地位就越强。当被问及他们正在使用或计划使用哪些开发平台来构建AI应用时，三个Azure产品占据了前三位。

微软在开发平台中的主导地位

紧随微软的主导地位之后，下图显示亚马逊的Bedrock（30%中段）和SageMaker（30%低段）构成了第二梯队，随后是谷歌的Vertex AI（30%区间）。图表以混合的长尾收尾，包括Hugging Face、LangChain、Databricks Mosaic AI、Snowflake ML/Cortex、IBM watsonx、Oracle AI、Cloudflare Workers AI、Red Hat OpenShift AI和H2O.ai。

图片

主要发现

• Azure成为事实上的起点： 数据表明，微软从GPT到ML工具的简化交接提供了一个便捷的入口，目前很少有竞争对手能与之匹敌，至少在账户获取方面是如此。
• 公有云摩擦真实存在： 严格监管行业的CIO告诉ETR，他们不能将敏感数据放入公有云AI服务中，这突显了平台内选项为何能吸引显著兴趣。
• AWS展示双轨战略： Bedrock的模型库吸引了全新的生成式AI项目，而SageMaker继续服务于经典的ML工作负载。两者结合，加上可能更高的平均销售价格（ASP），有助于抵御Azure的账户渗透。
• 谷歌Vertex在开发者体验上取得进展： 尽管在原始热度上落后于GPT，但Vertex的集成工具和第一方Gemini访问使其稳居市场一席之地，特别是对于云原生企业。
• 靠近数据带来的长尾韧性： 我们认为，直接嵌入在数据平台（如Snowflake Cortex和Databricks Mosaic）中的产品表现超出其份额，因为它们最大限度地减少了数据移动和治理开销。
• 合规性驱动选择性： 图表中供应商标志的广泛性反映了企业对跨越公有云、专用区域、本地部署和混合Kubernetes环境的部署模式的需求。

Note

从数据平台初创公司的数量、能力来看，国内企业在AI领域的应用创新，除了算力短缺的客观短板外，在基础土壤上也有较大差距，软件工程造成的平台能力将是一段时间内需要弥合的关键。

在我们看来，数据强调了一个双重结论：1）微软从模型到工具的端到端定位正在奏效；然而2）市场远非赢家通吃，因为数据主权、延迟和现有平台承诺迫使企业采用多样化的工具集。 能够满足客户数据所在地的需求——同时抽象化模型编排复杂性的供应商，将在AI堆栈演进过程中获得巨大的优势。

向量搜索已从热门话题转变为必备功能，但市场仍然拥挤

我们认为，以下数据表明向量搜索已多么迅速地从头条创新转变为必备功能——以及这种转变如何导致采用分散到令人惊讶的广泛供应商中。当被问及他们目前正在使用或计划使用哪些向量搜索引擎时，受访者将微软的Azure AI Search放在首位，紧随其后的是MongoDB的原生Atlas Vector Search，而Elasticsearch和Redis几乎并驾齐驱。第二梯队包括谷歌的Vertex AI、亚马逊Kendra、Databricks的Vector Store、Snowflake Arctic Vector和Oracle的OCI AI Search，占据了十几百分比的份额，随后是IBM watsonx.data（IBM使用Milvus） 以及Pinecone、Milvus和Cloudflare Workers AI等专业独立产品，构成了个位数意向的长尾。

图片

主要发现

向量嵌入的得失

在我们看来，数据证实向量搜索已经跨越鸿沟进入“必备”领域，但远非赢家通吃。企业仍在通过询问“哪个引擎适合我现有的数据拓扑和延迟SLA？”来评估选项，而不是默认选择单一的云产品。我们预计整合将沿着两条路径进行：1）将向量索引更深入地嵌入主流数据库；2）专业引擎瞄准高吞吐量、跨区域的检索增强生成（RAG），并降低成本。

技能、数据质量和遗留系统集成是DIY AI的制约因素

图表显示的内容

垂直条形图从左到右排列这些障碍。前三个条形——技能、数据质量、遗留系统集成——远高于其余部分，随后是合规性、预算和扩展性等中间部分，然后是文化等软因素的逐渐减少。

数据突显了大型企业发现自己动手构建AI比营销演示暗示的要困难得多。在针对构建自身应用的组织进行的600名受访者数据分析中，如下图所示，一些障碍尤为突出，其中以技能、数据质量和集成挑战为首。

图片

主要发现

• “构建而非购买”倾向于大型公司： 我们的研究表明，财富500强企业更喜欢DIY堆栈以实现定制和IP控制，但这种偏好放大了他们认为最痛苦的制约因素——人才、数据准备和遗留系统。
• 数据仍然是关键资产： 没有可靠的数据血缘、屏蔽和向量友好型模式，微调模型将无法达到预期效果。在我们看来，这验证了我们在先前研究[3]（我们2025年预测文章中的第4点）中概述的“将AI带到数据所在地，而不是将数据带到AI”的论述。
• 合规性投下长影： 安全团队仍然认为公有云推理比本地沙盒风险更高，即使GPU稀缺持续存在，这也促使组织转向私有部署。
• 成本目前不是主要障碍： 只有30%的受访者将预算列为前三大担忧，这意味着一旦初始试点项目过渡到生产规模集群，CFO的审查将加剧。
• 人才争夺战可能决定平台赢家： 随着招聘限制侵蚀人才库，捆绑交钥匙MLOps、数据血缘和防护措施的供应商将从DIY管道中分流需求。

在我们看来，数据突显了一个清晰的事实——即，AI的限制因素更多地在于企业的基础设施，而非技术突破。解决数据卫生、技能获取和遗留系统连接问题，对于采用速度而言，将比从下一个模型版本中每美元多榨取几个token更重要。

将AI带到数据所在地：部署模式在云便利性和本地控制之间分化

我们认为，以下数据验证了本研究报告贯穿的核心主题——即，大多数企业正在将其AI资产进行分化，将敏感工作负载保留在靠近数据的地方，而将其他一切都卸载到公有云。

图片

主要发现

• 云占主导地位——但并非普遍。 我们的研究表明，得益于交钥匙工具、弹性GPU和成熟的MLOps服务，超过一半的AI工作负载在超大规模云区域启动。
• 本地部署仍然至关重要。 大约三分之一的受访者分布在私有云和遗留本地部署之间，这受数据引力、延迟和监管要求的驱动。这在金融服务、保险和医疗保健领域尤为突出。
• 私有云与遗留本地部署不同。 私有云环境在防火墙后提供类似云的API和自助服务门户。我们的解释是，本次调查中的“本地部署”指的是缺乏统一存储/计算/网络控制平面的经典孤立环境。规模而非地理位置是区分因素。
• 戴尔和HPE在本地部署竞争中领先。 当被问及他们会选择哪些供应商用于内部AI堆栈时，戴尔科技和慧与科技位居榜首，证实了他们在“AI工厂”捆绑方案方面的早期吸引力。
• GPU即服务是一个潜在增长领域。 目前只有约2%的工作负载部署在GPU公用事业云上，但兴趣正在攀升；Lambda Labs和CoreWeave在突发容量方面甚至超过了一些二级超大规模云供应商。
• 边缘计算尚处于萌芽阶段但不可避免。 零售销售点、机器人检测和自动驾驶汽车推理目前只占很小一部分，但我们认为一旦AI模型缩小且5G私有无线网络密集化，边缘份额将翻倍。值得注意的是，受访者显著提到了云服务提供商（例如，亚马逊Lambda、Azure Functions）。

在我们看来，图表清晰地呈现了正在出现的 “将AI带到数据所在地” 的论述。公有云的敏捷性在快速原型开发方面仍然无与伦比，但注重主权的行业拒绝将数PB的敏感数据复制/移动到其他区域。能够在任何地方（超级云）——例如，公有区域、托管机笼、数据中心机架或工厂车间——提供类似云体验的供应商，将抓住下一波企业支出。使本地AI像SaaS一样易于部署，同时保留董事会现在要求的治理保障，这场竞争正在进行中。

AI数据中心超级周期真实存在：云领先，但本地部署到2030年将突破1000亿美元

我们认为，以下数据证实，生成式AI点燃了自PC-服务器时代以来最大规模的单一用途基础设施繁荣。堆叠面积预测图——分为深蓝色“云端AI” 和浅蓝色“企业本地AI”——显示，AI专用数据中心总支出（计算、存储、网络、电力和冷却）将从2023年的约430亿美元跃升至2024年的1800亿美元，并在2025年超过2500亿美元，开启了我们称之为数据中心超级周期的阶段。

图片

我们的模型预测，到2034年，AI数据中心建设的10年复合年增长率（CAGR）为24%，但企业本地部署的复合年增长率甚至更快，达到40%。我们估计，到2030年，本地AI数据中心基础设施将超过1000亿美元，超过目前通用数据中心设备的整体规模，并开辟一个可与早期超大规模云支出模式相媲美的市场。重要的是，这一预测不包括SaaS消费，这突显了在计算任何订阅费用之前，物理基础设施的总潜在市场（TAM）是多么巨大。

主要发现

延伸思考

这次分享的内容就到这里了，或许以下几个问题，能够启发你更多的思考，欢迎留言，说说你的想法~

1. 在ROI尚不明确的情况下，企业应如何平衡AI的长期战略价值与短期的财务压力？
2. 随着监管框架的逐步完善，企业在AI合规性方面的投入将如何影响其技术选型和部署策略？
3. “将AI带到数据所在地”的趋势将如何重塑云计算、数据平台和基础设施市场的竞争格局？

#CubeInsight #企业IT投入分析

原文标题：AI budgets are hot, IT budgets are not

Notice：Translate by Gemini-2.0-flash-thinking

1. https://siliconangle.com/author/guestauthor/ ↩
2. https://thecuberesearch.com/242-breaking-analysis-cloud-spending-remains-resilient-amid-market-turbulence/ ↩
3. https://thecuberesearch.com/263-breaking-analysis-enterprise-technology-predictions-2025/ ↩