内容摘要：6月23-25日，2026夏季达沃斯论坛世界经济论坛第十七届新领军者年会）在大连举行。今年的夏季达沃斯以“规模化创新”为主题，人工智能成为贯穿每一场论坛与讨论的核心议题。面对AI技术的迅猛发展，对企业

6月23-25日，成本2026夏季达沃斯论坛（世界经济论坛第十七届新领军者年会）在大连举行。痛点今年的不于夏季达沃斯以“规模化创新”为主题，人工智能成为贯穿每一场论坛与讨论的于返核心议题。

面对AI技术的成本迅猛发展，对企业而言，痛点“是不于否使用AI”已不再是选择题，真正的于返挑战已转向如何有效控制AI成本。

如今，成本企业决策层对AI支出的痛点审核日益严苛。模型定价、不于Token账单、于返GPU算力成本、成本软件许可费、痛点云资源消耗以及服务商结算单等显性成本，不于虽然不可避免且易于量化，但并非全部。

真正高昂的成本，往往隐藏在各类“返工”之中。

问题的症结在于：在底层技术栈尚未理顺的情况下，即便选用低成本模型，AI策略的落地依然是一笔巨大的开销。真正依托AI取得成功的企业，并非那些将Token价格压至最低的企业，而是那些能够消除AI项目各类浪费的企业——例如重复的数据孤岛、脆弱的系统集成、过时的嵌入数据以及治理短板。

这好比为一栋保温性能差且窗户常年敞开的建筑争取更便宜的电价。短期内电费账单或许理想，但真正的浪费早已根植于建筑的基础设施本身。

生产级AI将暴露薄弱的底层架构

这一问题的紧迫性与日俱增，因为AI正从“试点探索”转向“投产落地”。IDC指出，技术行业正迎来三十年来最显著的增长周期，全球AI产业进入超级周期，市场重心正从基础设施建设转向企业级应用的爆发。

这种转变给企业架构带来了巨大压力：

• 概念验证（PoC）可基于筛选后的数据集、精简工作流程与小型专家团队开展。
• 生产级AI则必须适配企业真实的业务现状，包括零散的系统、实时交易、客户档案、文档、服务履历、风险信号、合规条例及区域数据要求等。

AI智能体的出现进一步放大了相关风险。聊天机器人仅负责检索信息，而智能体能够执行操作——创建档案、更新状态、触发工作流程并留存审计记录。一旦AI深度参与业务运营，过时数据和脆弱集成就不再只是小麻烦，而是演变为实实在在的运营风险。

MongoDB委托IDC开展的一项调研揭示了该问题的普遍性：

• 36%的大中华区企业表示，现有架构因过于僵化、成本高昂且响应迟缓，已无法满足当前业务需求；若不进行大规模现代化改造，将难以构建新应用。
• 88%的受访企业曾遭遇过现代化项目受挫的情况。

梳理这些受挫项目不难发现，根源大多指向数据。模型和智能体的效用，完全取决于投喂的数据质量以及数据调取速度。如果智能体基于过时的客户档案、上周的库存信息或已变更的价格进行推理，它不仅会输出错误结果，甚至会触发错误操作。

正因如此，数据架构正逐渐成为企业能否成功落地生产级AI的关键。如果缺乏能够整合各类数据并在业务决策时提供最新运营数据的底座，每新增一个AI用例，都将陷入新一轮的返工。

领先企业正面向生产级场景搭建底层架构

推进速度最快的企业，都选择从源头杜绝返工问题。IDC将企业划分为“领先企业”和“主流企业”。在大中华区，“领先企业”的数字化业务营收占比达70%，接近“主流企业”（24%）的三倍。

二者拉开差距的根源在于：领先企业将现代化改造视为一项可持续的能力，而非一次性迁移项目。它们持续投资打造数据底座，让系统能够顺应变化，支持多种数据类型，并为团队铺就一条从AI创意构思到生产应用的坦途。

这才是真正值得深究的AI成本问题：不在于“如何压低模型价格”，而在于“如何减少AI发挥实效过程中产生的各类返工”。

对技术决策者来说，需要跳出表层可见的AI技术栈来审视问题。纠结选用哪种模型、采购哪种云服务、试用哪个AI助手都只是浅层选择，更深层次的问题是：企业能否将AI与实时可信的运营数据连接起来，而不必每上线一个新用例就重新搭建一遍底层架构。

底层先行：OPPO与荣耀的路径

OPPO作为全球领先的智能终端厂商，其IoT设备的运动健康业务每日产生海量时序数据，年增长量已突破千亿条。落地MongoDB数据库后，OPPO节约了90%左右的磁盘空间，有效化解了存储成本压力。与此同时，由于运维与扩展效率的大幅提升，OPPO为向全球用户提供更加智能、AI驱动的产品体验奠定了坚实基础。

荣耀（HONOR）是全球领先的AI终端生态公司，服务着2.5亿+在网设备用户，每日承接3500亿+次业务请求，肩负着支撑450+应用高效运转的重任。荣耀数据库团队通过引入MongoDB作为核心支撑力量，彻底改变了传统运维模式，在保障业务敏捷创新的同时实现降本增效，助力荣耀构建AI终端生态优势。

企业当下可落实的三项举措

应对之道，在于务实。

1. 重新审视成本结构：识别并量化由数据质量差、集成脆弱导致的隐性返工成本，将其纳入AI预算的核心考量。
2. 对阻碍变革的架构进行现代化改造：搬迁式迁移往往会把原有系统的各类限制因素搬到新环境中，表面看似进展，实则结构僵化依旧。企业应优先选择可支持结构化数据、半结构化数据、非结构化数据和向量数据的统一架构，而不是迫使开发人员为每一个AI用例都重新拼凑一套全新的技术栈。
3. 将现代化改造融入企业日常运营：领先企业会持续投资于技能提升、变革管理、云就绪平台，并设定清晰的业务目标。它们不会坐等所谓完美的转型时机，而是在市场需求、监管政策、客户期望和AI能力不断变化的背景下，持续锤炼自身与时俱进的能力。

这正是大中华区企业在AI落地讨论中应当着眼的核心：安全、可靠且大规模地部署AI，不仅仅是模型使用成本的经济考量，更是一场能力考验——企业是否已经清理了足够多的架构冗余，使AI能够在真实业务场景中发挥实效。

潜藏在底层的返工成本，才是AI落地真正的成本痛点。

<本文作者：MongoDB 大中华区副总裁胡建基（Gabriel Woo）>