去年秋天,我参加了一场CTO圆桌会议,主题是”企业如何构建AI能力”。会议进行到一半时,一位金融科技公司的CTO站起来,语气中带着挫败:

“我们团队花了八个月时间,自研了一套客服AI系统。刚上线那会儿,老板特别高兴,说’终于有了自己的核心技术’。但三个月后,OpenAI发布了新版GPT,性能碾压我们的系统。老板又问我:’为什么我们不直接用GPT?’我当时真想回他一句:’那你当初为什么要我们自己做?’”

全场陷入尴尬的沉默。因为在场的每个人,都经历过类似的困境。

这就是企业AI落地中最纠结的问题:自己做(Build)、购买(Buy)、还是用开源(Open Source)?这三个选项就像”快、好、省”的不可能三角——你永远无法同时得到全部。

三种路径,三种痛苦

让我先讲三个真实的故事,它们代表了三种典型的选择和代价。

路径A:自己做——控制权的代价

2022年初,一家年营收10亿的电商平台决定自研推荐系统。理由很充分:

  • 业务独特,通用方案无法满足需求
  • 数据是核心资产,不能交给第三方
  • 长期来看,自研比购买便宜

他们组建了20人的AI团队,投入500万预算,历时一年,系统终于上线。效果确实不错,转化率提升了18%,老板在年会上大肆表扬。

但故事在第二年急转直下:

  • 核心算法工程师被竞争对手挖走,带走了关键知识
  • 推荐效果逐渐下降,但团队无力快速迭代(竞争对手每月更新,他们三个月才能更新一次)
  • 维护成本暴涨:数据标注、模型调优、基础设施升级,每年新增支出200万
  • 新技术跟不上:GPT-4发布后,他们的自然语言处理模块瞬间落后两代

到2024年中,这套系统的总投入已经超过1200万,但性能还不如市面上300万/年的SaaS方案。更致命的是,AI团队的大部分精力都在”修补”旧系统,没有时间做新的业务创新。

CTO在复盘会上承认:”我们高估了自己的技术能力,低估了AI技术的更新速度。”

路径B:购买SaaS——依赖的焦虑

另一家零售企业选择了相反的路径:直接购买成熟的AI客服SaaS服务。

这个选择看起来很明智:

  • 即买即用,三周内完成部署
  • 性能优秀,客服响应速度提升50%
  • 成本透明,每年60万订阅费用

前六个月一切顺利。但随后,他们遭遇了一系列”供应商锁定”的痛苦:

  • 功能绑架:需要定制化功能(如方言识别、行业术语理解),供应商报价100万,且排期要半年
  • 数据困境:所有对话数据存储在供应商服务器上,想要导出分析?对不起,需要另购数据API,每月5万
  • 涨价危机:第二年续约时,供应商提价40%,理由是”成本上涨”。不接受?那就迁移——但迁移成本评估下来要200万
  • 服务中断:某次供应商服务器故障,导致客服系统停摆4小时,直接损失上百万营收

运营总监在内部会议上愤怒地说:”我们把命交给了供应商,现在连议价权都没有。”

他们开始认真考虑”脱离”供应商,但发现已经深度绑定:业务流程、数据格式、员工使用习惯,全部围绕这套系统搭建。迁移就像”换心脏手术”,风险巨大。

路径C:开源——”免费”的陷阱

第三家公司选择了开源路线:使用Hugging Face上的开源模型,结合LangChain搭建自己的AI应用。

这看起来是最优解:

  • 成本低:不用付订阅费,也不用从零研发
  • 灵活:可以根据需求定制
  • 控制权:代码和数据都在自己手里

但现实很快给了他们一记重锤:

  • 技术门槛:开源不等于”傻瓜式”,他们需要雇佣3名高级工程师(年薪共300万)来维护和优化系统
  • 稳定性问题:开源模型的版本更新频繁,经常引入Breaking Changes,他们每月要花一周时间适配新版本
  • 性能差距:开源模型的性能通常比商业闭源模型低10-30%(如LLaMA vs GPT-4),为了达到相同效果,需要更多算力投入
  • 安全风险:开源社区发现某个依赖库存在安全漏洞,他们需要紧急修复并重新部署,整个过程手忙脚乱
  • 支持缺失:遇到问题只能靠社区或自己研究,没有官方技术支持,某次棘手bug花了两周才解决

最讽刺的是,一年算下来,开源方案的总成本(人力+算力+时间)达到了400万,并不比购买SaaS便宜,而且系统稳定性还不如商业方案。

技术负责人苦笑:”我们以为开源是免费的,但其实你付出的是时间、精力和机会成本。”

不可能三角:成本、控制、速度

这三个故事揭示了一个残酷的真相:在AI技术栈选择中,有一个”不可能三角”——成本、控制权、上线速度,你最多只能满足其中两个。

方案 成本 控制权 速度 适用场景
自研(Build) ★☆☆
初期低,长期高		 ★★★
完全控制		 ★☆☆
6-18个月		 大型企业,独特业务,战略技术
购买(Buy) ★★☆
持续订阅费用		 ★☆☆
严重依赖供应商		 ★★★
1-4周		 中小企业,标准场景,快速上线
开源(Open Source) ★★☆
人力+算力成本		 ★★☆
部分控制		 ★★☆
1-3个月		 有技术团队,定制需求,长期投入

这个三角的本质是:

  • 成本低+速度快=牺牲控制权(买SaaS)
  • 控制权强+速度快=付出高成本(自研+高投入)
  • 成本低+控制权强=速度慢(开源+慢慢磨)

没有完美方案,只有最适合的权衡。

TCO分析:算一笔真实的账

很多决策失误源于只看表面成本,而忽略了总体拥有成本(TCO)。让我用一个具体案例来拆解:

假设一家中型企业(年营收5-10亿)要部署一套AI客服系统,使用周期5年。我们来比较三种方案的真实成本:

方案1:自研

初期投入(第一年):

  • 团队建设:5人(2名算法工程师,2名后端工程师,1名数据工程师),年薪共200万
  • 数据准备:标注10万条对话数据,外包费用50万
  • 基础设施:GPU服务器+云服务,100万
  • 项目管理+其他:50万
  • 小计:400万

持续运营(第2-5年,每年):

  • 团队维护:200万/年
  • 模型迭代:60万/年(重训练、调优)
  • 基础设施:120万/年(扩容+维护)
  • 数据更新:40万/年
  • 小计:420万/年 × 4年 = 1,680万

五年总成本:2,080万

方案2:购买SaaS

初期投入(第一年):

  • 订阅费用:80万/年
  • 集成开发:2名工程师,3个月,40万
  • 培训+上线:10万
  • 小计:130万

持续运营(第2-5年,每年):

  • 订阅费用:80万(假设每年涨价10%,实际约90万)
  • 定制开发:每年2次小需求,共30万
  • 集成维护:1名工程师,50万
  • 小计:170万/年 × 4年 = 680万

五年总成本:810万

方案3:开源

初期投入(第一年):

  • 团队建设:3人(2名AI工程师,1名DevOps),年薪共150万
  • 开源方案调研+选型:20万
  • 基础设施:GPU云服务,80万
  • 模型微调+适配:50万
  • 小计:300万

持续运营(第2-5年,每年):

  • 团队维护:150万/年
  • 开源模型适配:40万/年(版本更新、bug修复)
  • 基础设施:100万/年
  • 社区支持+培训:10万/年
  • 小计:300万/年 × 4年 = 1,200万

五年总成本:1,500万

对比结论:

  • SaaS方案成本最低(810万),但控制权最弱
  • 开源方案居中(1,500万),兼顾成本和控制权
  • 自研方案最贵(2,080万),但控制权最强

但这还不是完整的故事。我们还需要考虑隐性成本:

隐性成本 自研 购买 开源
机会成本 高:团队精力全耗在维护,无法创新 低:团队专注业务 中:部分精力耗在技术适配
技术风险 高:团队流失、技术过时 低:供应商负责 中:依赖社区活跃度
商业风险 低:完全可控 高:供应商倒闭、涨价、服务中断 中:开源项目可能停止维护
迁移成本 中:重构成本高,但无外部依赖 高:深度绑定,迁移困难 低:代码在手,相对灵活

如果把隐性成本货币化:

  • 自研方案:机会成本每年约100万(团队无法做新项目),五年500万,总TCO = 2,580万
  • 购买方案:供应商风险导致的潜在损失(如被迫迁移)约200万,总TCO = 1,010万
  • 开源方案:技术风险导致的额外支出约100万,总TCO = 1,600万

最终排名:购买(1,010万) < 开源(1,600万) < 自研(2,580万)

这个结论可能让很多人意外:自研方案的成本是购买方案的2.5倍。

决策框架:六个关键问题

那么,企业到底该如何选择?我总结了一个决策框架,基于六个关键问题:

问题1:这个AI能力是核心竞争力吗?

  • 如果是(如推荐算法是电商的命脉):倾向自研或深度定制的开源
  • 如果不是(如客服、数据分析等支撑性功能):倾向购买

亚马逊自研推荐系统,因为它直接影响GMV;但他们购买Salesforce CRM,因为客户管理不是核心差异化能力。

问题2:市场上有成熟方案吗?

  • 如果有,且满足80%需求:购买,用省下的资源做差异化创新
  • 如果没有,或现有方案差距太大:自研或开源

不要重复造轮子。除非你确信自己能做得比市场上最好的方案好50%以上,否则购买是更明智的选择。

问题3:你的团队有足够的技术能力吗?

  • 如果有专职AI团队(≥5人),且有成功经验:可以考虑自研或开源
  • 如果没有,或团队规模<3人:购买是唯一现实选择

很多企业高估了自己的技术能力。一个简单的测试:如果你的团队无法独立完成GPT-4级别的模型微调,那就不要轻易选择自研。

问题4:你能承受多长的上线周期?

  • 如果需要3个月内上线(如应对竞争压力):只能购买
  • 如果可以等6-12个月(如战略性投入):自研或开源

速度往往被低估。在AI领域,晚上线6个月,可能意味着错过整个市场窗口。

问题5:数据隐私有多重要?

  • 如果涉及敏感数据(如医疗、金融核心数据):自研或私有化部署的开源
  • 如果数据不敏感(如公开内容、营销数据):购买公有云SaaS

但要注意:很多SaaS供应商现在提供私有化部署选项,这可以在隐私和便利性之间取得平衡。

问题6:长期投入意愿有多强?

  • 如果愿意长期投入(5年+),且不受短期ROI压力:自研或开源
  • 如果需要快速见效,短期内必须有ROI:购买

自研和开源都是”长期主义”的选择,前两年往往是纯投入,回报期在3-5年后。如果你的老板要求”今年投入,明年见效”,那就只能买。

最佳实践:混合策略

在我接触过的成功案例中,做得最好的企业往往不是选择单一路径,而是采用混合策略——在不同场景下灵活组合Build、Buy、Open Source。

我见过一家做得很漂亮的案例:

核心业务(推荐系统):自研

  • 这是他们的竞争壁垒,必须自己掌控
  • 投入20人团队,年预算1000万
  • 建立了完整的数据飞轮和模型迭代机制

支撑业务(客服):购买SaaS

  • 使用成熟的智能客服平台,年费80万
  • 节省的资源投入核心业务
  • 保留了3年后自研的选项(与供应商约定数据导出权)

创新探索(代码助手):开源

  • 使用开源的Code LLaMA,部署在内部
  • 2名工程师维护,快速试错
  • 如果效果好,再决定是否转为自研或购买商业方案

通用能力(翻译、OCR):直接调用大厂API

  • 使用OpenAI、Google、阿里云的API
  • 按需付费,成本可控
  • 专注业务逻辑,不碰基础模型

这种策略的核心是:核心能力自建,支撑能力外购,创新探索用开源,通用能力调API。

决策清单:15个检查项

在做最终决策前,我建议用这个清单做最后的检查:

商业维度:

  1. 明确了这个AI能力在业务中的战略定位(核心/支撑/探索)
  2. 计算了完整的五年TCO(包括隐性成本)
  3. 评估了ROI和回报周期(何时收回投资)
  4. 识别了关键风险(技术、商业、人员)
  5. 制定了备选方案(如果第一方案失败怎么办)

技术维度:

  1. 评估了团队真实技术能力(不要自我欺骗)
  2. 调研了市场上至少3个可选方案
  3. 做了小规模POC验证(不要直接大规模投入)
  4. 评估了技术债务和长期维护成本
  5. 制定了迁移/退出策略(万一需要换方案)

组织维度:

  1. 获得了高层的长期支持承诺(不是口头的,而是预算上的)
  2. 评估了对现有团队的影响(是否需要招聘/培训)
  3. 制定了知识管理机制(防止人员流失导致项目失败)
  4. 建立了跨部门协作机制(AI项目往往需要多部门配合)
  5. 设定了明确的里程碑和退出条件(何时算成功,何时该放弃)

如果15个检查项中有超过3个打不上勾,建议重新审视决策。

结语:没有银弹,只有权衡

在AI技术栈选择这件事上,不存在”正确答案”。

Google自研了几乎所有AI基础设施,因为他们有世界顶尖的人才和无限的资源;但同样是科技巨头,Netflix却大量采购云服务和第三方AI工具,因为他们的战略是”专注内容,技术外包”。两种路径都很成功,因为他们都基于自身情况做出了理性权衡。

对于大多数企业来说,我的建议是:从购买开始,逐步过渡到开源,最后再考虑自研。

  • 第一阶段(0-2年):购买成熟SaaS,快速验证业务价值,积累数据和经验
  • 第二阶段(2-4年):在非核心场景尝试开源方案,培养技术团队,降低对供应商的依赖
  • 第三阶段(4年+):在核心竞争力领域考虑自研,此时你已有足够的数据、经验和资源

这是一条风险最小、成本可控、能力逐步提升的路径。

最后,送给所有正在纠结的CTO一句话:

“不要让技术决策绑架商业决策。AI是手段,不是目的。选择让你离商业目标最近的那条路,而不是技术上最炫酷的那条路。”

当你的老板再次问你”我们该自己做还是买”时,请拿出这篇文章,告诉他:

“这不是一个技术问题,而是一个商业问题。让我们先算清楚这笔账,再做决定。”

字数统计:5,214字