AI算力资源采购权从业务端向IT端集中的趋势

1. 引言：AI算力跨越“实验期”，企业基础设施架构的权力交接

在全球企业数字化转型的历史进程中，技术采购权的归属往往标志着一项技术的成熟度与战略重要性。在生成式人工智能（Generative AI）爆发的初期，为了追求敏捷性、探索业务场景以及争夺市场先机，AI工具和底层算力资源的采购权主要高度分散在各个业务线（Business Units, BUs）手中。在这个被称为“实验期”的阶段，业务部门通常利用部门级预算，通过公有云的按量付费（Pay-as-you-go）模式或直接购买API接口，快速部署单一的大语言模型（LLM）用例。

然而，进入2026年，随着人工智能从前沿探索全面迈入生产环境落地（Production-Scale），一个显著的结构性拐点已经出现：企业正在将AI算力资源的采购权、调度权和治理权从业务端强力收归至中央IT部门（IT Department）及统一的采购管理团队。最新行业调研表明，在受访的170家大型企业中，近三分之二的企业已经将AI工作负载投入实时生产环境，29%的企业明确表示已实现AI的规模化运行，仅有4%的企业尚未开启AI部署。当AI不再仅仅是实验室里的创新沙盒，而是成为与企业ERP、CRM系统一样承载核心业务的“承重墙”（Load-bearing infrastructure）时，业务端主导采购所带来的成本失控、安全漏洞、资源闲置以及技术孤岛问题变得极其尖锐。

这一采购权限的集中，不仅仅是企业内部管理流程的传统复辟，而是由AI算力底层经济学特性的根本改变所驱动的。当前，诸多企业在AI算力上的投资已经超越了运行这些系统的人力资本支出，劳动力成本驱动预算的几十年传统正在被打破。为了在异构芯片共存的时代实现全域算力池化、保障大规模多智能体（Agentic AI）协同的推理稳定性，并建立严密的财务FinOps与安全合规防线，IT部门必须重新掌控全局。本报告将深入剖析这一趋势的核心驱动力、战略落地机制、跨部门协同模型、供应商的同步转型，以及这一转变对企业未来竞争力的深远影响。

2. 全球AI算力支出的宏观全景与结构性变迁

在探讨企业内部采购权转移之前，必须首先厘清全球AI支出市场的宏观体量与资本流向。当前，企业管理层在规划AI预算时，往往面临着各大咨询机构预测数据相互矛盾的困惑。明确这些数据的统计口径，是理解IT集中采购必要性的前提。

研究表明，关于2026年全球AI支出的三组主流数据分别衡量了截然不同的经济流向。Gartner预测2026年全球AI总支出将达到2.59万亿美元，这一数据衡量的是涵盖硬件、软件、服务、网络安全及数据治理的“全栈”（Full-stack）采购支出，年同比增长达47%。与之相对，IDC发布的《全球季度AI基础设施追踪报告》指出，2026年全球AI基础设施（仅限硬件，即AI优化服务器、存储和网络设备）支出将达到4870亿美元，相比2025年的3180亿美元大幅增长53%。而斯坦福大学（Stanford HAI）报告的5810亿美元则是2025年全球企业的实际AI投资资本形成总额，而非2026年的预测。

在高达2.59万亿美元的全栈支出中，最为引人瞩目的是AI代理软件（Agent software）的爆发式增长。Gartner数据显示，该细分市场在2026年将激增139%，从2025年的864亿美元飙升至2065亿美元，成为整个繁荣市场中增速最快的赛道。这种软件层面的复杂化与指数级增长，意味着底层的算力消耗逻辑正在发生剧变。企业如果继续容许业务部门独立进行软硬件的零散采购，将直接导致整体2.59万亿美元支出红利被低效的IT架构所吞噬。因此，集中化管控不仅是管理手段，更是应对万亿级市场扩张的生存策略。

3. 核心驱动力解析：为何业务端主导的算力采购难以为继

业务部门主导的算力采购在早期赋予了企业极大的灵活性，但在规模化阶段，其内生缺陷迅速暴露。最高决策层（CEO、CFO与CIO）推动集中化改革的背后，隐藏着四个维度的核心驱动力。

3.1 成本失控与“算力刺客”：从SaaS逻辑到消耗逻辑的冲突

传统企业IT软件（如SaaS）的采购遵循“按席位计费”（Per-seat）的确定性预算模型，财务部门可以根据员工数量精准预测年度开支。然而，AI算力的成本消耗逻辑呈现出高度的随机性和波动性。AI投资正在打破历史惯例，企业在AI计算工作负载上的投资已经超过了运行这些系统的人员工资、福利及留存成本，这也标志着IT预算评估价值标准的重定义。

AI模型（特别是代理型AI）在执行复杂任务时，会自主进行子任务拆解、多次工具调用和数据库查询。一个重度用户在同一个席位上产生的推理消耗可能是轻度用户的100倍。这种“次级代理扇出”（Subagent fan-out）现象经常导致失控的算力账单，业务部门在月底才会惊觉预算超支。此外，AI算力基础设施成本不仅包含GPU裸金属租赁，还包含了庞大的周边隐性成本。在企业完整的AI生命周期中，GPU计算成本通常仅占总预算的40%至60%；数据存储、分布式训练必备的InfiniBand网络（相比标准以太网存在30%至50%的溢价）、公有云高昂的数据流出费（Egress fees，可达总成本的30%），以及高达40%至55%的日常运营与监控（MLOps）人力支出，往往被缺乏全局视野的业务部门严重低估。

同时，由业务端分散采购直接导致了惊人的算力资源浪费。研究显示，约69%的自建GPU企业其算力资源利用率长期等于或低于50%，更有大量集群的利用率仅在5%至20%之间徘徊。业务部门为了保障自身项目的峰值需求，极易陷入过度配置（Overprovisioned resources）的陷阱。一边是某些业务线的计算节点闲置，另一边则是其他部门在公有云上高价排队购买按需算力，这种跨部门的算力割裂，迫使企业最高层必须授权IT部门实施统一的集中调度。

3.2 从“模型训练”到“长周期推理”的重心转移

整个AI产业正在经历从训练主导向推理主导的深远跨越，这一技术层面的转变直接导致了管理权向IT端倾斜。Gartner等权威机构的数据清晰地显示，2026年全球AI优化基础设施即服务（IaaS）支出将大幅攀升至约422亿美元（同比增长96.4%），其中推理场景的支出占比将达到55%（约233亿美元），超过了190亿美元的训练支出，并预计在2027年进一步攀升至59%（IaaS总额达661亿美元）。

模型训练通常是低频的、批处理的资源密集型任务，类似于一次性的大型工程建设，业务团队尚可通过短期租赁完成。然而，推理是实时发生、持续在线的。随着AI代理（Agentic AI）技术的成熟，智能体不再被动等待用户指令，而是会在后台进行长周期的网状协同、检查数据库、起草文件并自主执行决策，这将导致推理需求呈指数级爆炸。IDC预测，到2027年，AI智能体的使用量将激增10倍，随之而来的是推理需求惊人的1000倍增长。

这种“持续在线、高并发、强实时”的推理负载特性，使得底层的GPU集群不再仅仅是硬件堆叠，而是一台高度协同的超级计算机。业务部门显然不具备构建和运维此类关键任务（Mission-critical）架构的能力。一旦AI能力深度嵌入企业ERP或客户服务等核心工作流，底层算力任何微小的中断、延迟或显存溢出都意味着业务直接停摆。因此，为了保障系统层面的高可用性（SLA保障）及模型执行一致性，基础设施必须由中央IT部门接管并进行系统级统筹。

3.3 数据安全、合规审查与地缘政治防线的构筑

在分散式采购模式下，业务部门往往为了追求上线速度，将敏感的专有数据、客户信息直接暴露于各种第三方云端模型或SaaS API中。这不仅导致了泛滥的“影子AI”（Shadow AI）问题，更触碰了企业数据合规与隐私保护的绝对红线。随着生成式AI的普及，跨网络的数据交互频率急剧上升，安全漏洞已演变为AI基础设施中最昂贵的潜在风险之一。

同时，全球范围内对AI的监管政策正在迅速收紧。例如，美国白宫于2026年6月发布的第14409号行政命令（Executive Order 14409），创建了前沿AI开发者与联邦政府之间的自愿参与模型，要求相关前沿模型在发布给受信任伙伴前必须接受长达30天的政府级网络安全及漏洞审查。这一行政命令的涟漪效应迅速波及企业市场：即使企业本身不受直接监管，采购部门也必须具备深度的尽职调查能力，以确认其AI供应商的模型处于何种风险级别、是否涉及高级网络能力风险。此外，政府层面的采购正悄然成为国家安全“守门人”（Gatekeeper），通过采购合同中的披露要求、美国本土AI系统限制以及对离岸服务商的审查，直接塑造着底层的信任网络。

在这一背景下，AI算力的采购不再是简单的算力买卖，而是涉及复杂的供应链审查、地缘政治风险评估与合规确权。业务团队无力应对这种系统性风险，必须依赖IT和法务部门在集中采购阶段构建统一的安全架构，实施严格的基于角色的访问控制（RBAC）、网络级数据保护以及集中身份认证（如Microsoft Entra ID集成），从而将AI数据流动的可见性置于企业防火墙的严格监控之下。

3.4 集中式与分布式AI架构的博弈

当前，企业级AI基础设施在集中式（Centralized）与分布式/去中心化（Decentralized）之间存在着显著的架构博弈。集中式AI系统依赖单一的权威中心（如大型云厂商的超大规模数据中心）来汇聚数据并执行计算；而分布式AI则强调将计算资源、数据乃至模型所有权分散到边缘节点、联邦学习网络或区块链支撑的市场中。

大型企业在实际生产中绝大多数倾向于采用集中式架构，因为集中式的GPU集群（如部署NVIDIA H100/H200的中心）能够提供无与伦比的高吞吐量、极低的计算延迟以及统一的模型版本控制，这对于需要处理海量数据流的金融、医疗及工业制造企业至关重要。然而，集中式架构的弊端在于其天然存在的“单点故障”（Single Point of Failure）风险，一旦中心服务器宕机或遭受网络攻击，将波及整个企业的智能中枢，同时中心化的数据存储也面临着更集中的隐私泄露风险。

与之相对，分布式架构虽然在容错性、隐私保护（如数据不出域）和规避单点审查方面展现出独特优势，但其较高的网络同步延迟、通信开销以及复杂的跨节点协调，使其难以满足高频实时推理的苛刻要求。由于企业无法容忍各业务部门自行搭建脆弱且难以监管的去中心化节点，IT部门必须通过集权的手段，构建一套基于“统一控制平面”但物理上可具备一定弹性拓扑的集中式基础设施，以在性能与安全性之间取得最佳平衡。

4. IT端集中的战略落地：全栈架构重构与精细化财务管控

IT部门夺回采购与调度权后，面临的首要任务并非简单地叫停业务创新，而是要构建一套既能保障安全与成本可控，又能赋能业务敏捷创新的“企业级AI基础设施平台”。

4.1 混合基础设施的重塑：遣返（Repatriation）与云边协同

出于对不可预测的公有云按需计费以及数据主权隐私的深切担忧，2026年企业IT部门正在主导一场声势浩大的基础设施“遣返”（Repatriation）运动。Broadcom的一项针对1800名高级IT决策者的调查指出，高达83%的企业正在考虑或已经将部分AI工作负载从公有云遣返回私有云或本地数据中心（On-premises），而在2025年这一比例仅为69%。超过31%的受访者将成本管理列为公有云最大的挑战（超越了安全性），97%的IT领导者认为其公有云支出存在浪费，甚至有超过半数认为浪费比例超过25%。

在IT集中管理下，企业倾向于采用混合架构（Hybrid Architecture）：将稳态的、高频的生产推理任务（特别是涉及高价值敏感数据的核心业务模型）部署在本地私有算力集群或专属的托管基础设施（Colocation）上，从而将变动成本转化为可预测的固定资产支出（CapEx）或长期租赁支出。与纯粹的公有云部署相比，这种混合模式通过长期的专属资源承诺，可节省约42%的总体成本支出。同时，将公有云资源作为弹性补充，用于处理突发的流量洪峰（Bursting）、临时性的大规模训练任务或探索性的实验项目。

此外，从物理能耗角度看，AI数据中心的用电量正呈现爆发式增长，单个数据中心的电力需求跃升至200兆瓦乃至500兆瓦以上，对城市现有电力设施构成严峻挑战。这种超大容量电力匹配与高密机柜（如液冷技术）的散热设计，早已超出了业务部门的认知范畴，必须由专业的IT基础设施工程师从全局规划选址、建筑空间分区及新能源引入。

4.2 异构算力池化与AI编排框架的标准化

在全球高端GPU供应紧张、地缘政治影响芯片流通的大环境下，单一依赖某一家芯片厂商构成了极大的供应链风险。因此，大型企业IT采购正在构建包含Nvidia、AMD、Intel以及中国本土算力（如华为昇腾、百度昆仑芯、海光等）在内的“多芯共存”异构基础设施。为了向业务端屏蔽底层的硬件复杂性，IT部门引入了具备vGPU控制平面的资源池，将物理算力切分、虚拟化，并转化为应用层可随时调用、随时度量的标准化服务。

在软件架构层面，2026年是AI智能体编排框架（AI Orchestration Frameworks）走向标准化的分水岭。业务团队过去随意使用零散Python脚本或初级SDK进行“手工作坊”式开发的时代已被彻底终结。据预计，AI编排市场的规模将从2023年的75亿美元飙升至2034年的480亿美元以上。

IT部门开始强制推行经过验证的、具备持久化执行、状态管理及“人类在环”（Human-in-the-loop）审批功能的编排层标准。市场格局在2026年已经固化为几大主导力量：LangChain Inc.发布的LangGraph 1.0成为了状态管理与长周期运行智能体的事实标准；Pydantic AI 1.0确立了类型安全（Type-safe）和Python优先架构；微软主导的Auto-Gen演进为AG2社区版本，提供事件驱动的生产级运行环境；而模型上下文协议（Model Context Protocol, MCP）则被各大主流框架原生支持，成为了连接任意智能体与企业工具、数据库的通用总线。通过指定统一的编排层平台（如引入CrewAI的企业级RBAC权限管理），IT部门确保了所有AI任务调度的可追踪性、并行步骤的容错性以及系统的横向扩展能力。

4.3 确立基于消费的内部结算（Chargeback）与FinOps体系

算力采购权的集中并不意味着IT部门要被迫成为全公司的成本黑洞。相反，企业正迅速适应AI时代的FinOps实践，通过建立严格的内部结算（Chargeback）模型，实现了权责对等，倒逼业务部门理性消费。

对于AI工作负载，传统的云计费工具存在系统性失灵：例如AWS的成本分析只能精确到具体的实例级别（Instance level），却无法分辨跑在同一实例上的多个业务团队（如团队A占40%，团队B占25%）的消耗，导致归属不明。为了解决这一难题，IT部门通过部署Prometheus、DCGM和Grafana等监控堆栈，构建了跨越整个算力栈的“五维标签体系”，即：团队（team）、项目（project）、环境（environment）、模型版本（model-name）以及财务成本中心（cost-center）。

实施过程中，企业往往先采用“展示计费”（Showback）机制，即向业务线展示其当月假设需要支付的算力账单，运行两个计费周期以校准标签准确性并给予缓冲期；随后，再过渡到动用真金白银的“强制结算”（Chargeback），确保每一笔GPU消耗都能准确反映在业务部门的损益表（P&L）上。配合硬性支出上限（Hard spend caps）和实时可见性（Real-time usage visibility），这种制度有效扼杀了批量运行无关任务的冲动，将AI从“无底洞的IT开支”转化为能够精准衡量每百万Token成本、单次推理毛利率的战略投资。

5. 供应商战略的同步转向：迎合IT集中化与全栈交付趋势

买方市场的集中化趋势，迅速引发了供给侧的剧烈重构。无论是全球芯片巨头还是本土的算力运营商，其销售策略和商业模式均已大幅偏离传统的“只卖硬件”，转而针对企业高层（CIO/CFO）及IT采购团队的痛点，提供系统级的商业解决方案与金融杠杆。

5.1 Nvidia的全面转型：从芯片组件到全栈生态与金融杠杆

作为全球AI算力的风向标，Nvidia已经完成了其作为“企业AI基建服务商”的全面定位升级。在2026年CES大会上，Nvidia发布了包括Rubin平台在内的五大核心公告，标志着其正式从分离的芯片销售转向提供集成式企业基础设施。Rubin平台采用了极端的协同设计（Codesign），深度融合了提供50 Petaflops NVFP4推理算力的Rubin GPU、搭载88颗定制ARM核心的Vera CPU、NVLink 6互连以及Spectrum-6网络交换机，直击数据中心在推理阶段的能耗与网络瓶颈。在随后的GTC 2026大会上，Nvidia进一步展示了NIM、NemoClaw、OpenClaw及Agentic Blueprints等生产级工具链，旨在帮助企业IT架构师从评估、试点、扩展到治理的四个阶段平滑落地AI应用，这也标志着企业AI部署彻底告别实验室阶段。

更为颠覆的是Nvidia在销售与融资模式上的金融创新。2026年中期，Nvidia开始将其强大的资产负债表转化为市场杠杆，联合华尔街六家顶级金融机构签署谅解备忘录，建立了一个预期规模超过5000亿美元的独立“算力融资平台”。此外，Nvidia推出了一项内部代号为“AI算力合作计划”的新商业模式，直接向新兴云服务商（如Sharon AI、Firmus）提供信用兜底与财务背书：如果这些云厂商无法租出算力，Nvidia承诺以约定价格回购其闲置产能；作为交换，Nvidia将直接从云服务商的下游AI服务营收中抽取分成（Revenue-sharing）。

这套创新的循环融资机制，让Nvidia从单纯的芯片卖家演变为AI算力生态的“中央银行”。对于面临严格预算审核的企业IT与采购部门而言，这意味着其可以通过合作的云提供商，在无需承担巨额前期硬件投入的情况下，迅速获取大规模的Nvidia底层加速资源体系，从而化解了部署数十万卡AI工厂的资本壁垒。不过，金融界也对此类循环融资存在的债务杠杆和泡沫破裂风险表达了高度警惕。

5.2 云厂商与软件生态的透明化让步

为了迎合IT采购决策者对清晰投资回报的渴望，云服务商不得不打破以往价格体系的黑箱。由于AI消费定价从按席位转变为极度复杂的按Token、按API调用及底层网络IO计费，CIO面临着向CFO解释预算极其困难的窘境。为此，AWS在其Marketplace中针对性地推出了“AI Insights”工具，利用自然语言直接解释AI工具多维度、碎片化的定价模型，清晰勾勒不同扩展规模下的账单曲线，从而有效防止了因缺乏定价可见性而导致的项目在法务与FinOps审查阶段被无限期搁置的悲剧。

如果算力底层供应商不能在架构层面提供精细化的部门计费接口、硬性支出熔断以及可审计的资源分配清单，那么无论其硬件性能多么优越，也会在企业严苛的采购招标阶段被直接淘汰。

5.3 中国市场的特殊范式：智算中心、超节点与算力租赁

在中国市场，由于面临地缘政治带来的高端芯片断供风险以及日益高企的自建成本，AI算力采购市场呈现出独特的“算力即服务”（CaaS）租赁狂潮及国产替代加速渗透的特征。IDC数据显示，2024年下半年中国生成式AI（GenAI）IaaS服务市场规模同比增长高达165.2%，达到87.4亿元人民币，市场份额主要向资源雄厚的头部云厂商（如阿里云、百度云）集中。此外，中国电信（息壤平台）、中国移动（COCA平台）及中国联通（星罗平台）等大型运营商凭借万卡智算中心的交付，正快速扩张其在算力调度层面的市场版图。

随着DeepSeek V4 Pro等国产大模型的持续迭代（其编码智能体测试得分高达62.7，大幅逼近前沿水平），以及Agentic应用的广泛落地，单节点算力不足与集群互联延迟的问题凸显。为此，中国基础设施行业在2026年密集发布了“超节点”（Super-node）架构，如阿里云在乌兰察布首发的灵骏真武M890实例，支持最高十万亿参数级模型的云上推理，彻底打破了传统算力的物理限制。同时，“东数西算”等宏观政策叠加“绿色低碳”的新项目节能审查标准，进一步确立了大型智算中心的集约化门槛，这使得普通企业更倾向于将算力底座交由专业的IT通信基础设施企业来托管运营，而非自行零散采购硬件。

6. 采购权集中化带来的组织协同与合同重构

采购权的回归绝不意味着IT部门可以完全脱离业务闭门造车；相反，这催生了企业内部更为紧密的跨部门协同机制与全新的契约防御体系。

6.1 跨部门AI委员会：确立投资回报（ROI）与业务价值

面对持续缩减的冗余预算，所有被推向决策层的AI采购专案都必须经历一场严苛的财务审查（ROI Reckoning）。传统业务部门提交的“改善生产力”或“提升员工效率”的虚实说辞已不再奏效；CFO与风控部门要求的是可量化、可验证的刚性成本核算。

为了避免IT部门因过度追求安全与成本控制而扼杀业务创新，成熟的大型企业设立了由CEO或COO牵头，囊括CIO、CFO、法务主管以及核心业务线负责人的“跨部门AI指导委员会”。在这一机制下，AI采购项目的商业论证（Business Case）必须提供三大核心指标：通过削减工时转化的硬性美元节省（例如，合同审查时间缩短60-80%的具体人力折算）、量化的风险规避（如避免单次1.5万至5万美元的违约损失或识别高达数百万美元的关税风险），以及在不增加人员编制情况下的战略产能扩张（如吞吐量提升2-3倍）。只有当一项算力投入不仅在技术上符合IT架构标准，更能在3-6个月内展现超过200%的确定性财务回报时，集中采购委员会才会批准立项。例如，百事可乐（PepsiCo）通过引入AI数字孪生与智能体，成功实现了20%的吞吐量提升并削减了10-15%的资本支出，成为此类严谨论证的成功典范。

6.2 AI采购合同的重塑与法律争议防御

随着AI深度嵌入企业关键运营流程，因模型幻觉导致的数据受损、算力服务SLA未达标引发的业务中断、违规使用专有数据导致的知识产权（IP）纠纷，以及针对商业算法合规的审查，使得相关的商业诉讼与争议急剧上升。这也成为推动AI算力采购由业务部门分散决策走向法务及合规部门高度集中管控的坚实法律屏障。

面对复杂多变的新兴科技纠纷，企业采购和法务团队在集中采购阶段彻底重构了传统的IT采购合同。在谈判桌上，除了针对计费模式进行严格的预算封顶（Spend caps）约定外，采购方开始前置性地要求明确数据使用边界、模型训练归属权以及由于第三方底层技术更新导致的不可抗力豁免条款。更为关键的是，由于公开诉讼可能带来漫长的周期与极大的商业声誉损失，企业在采购合同中几乎全面普及了强制性的替代性争端解决机制（ADR）与技术仲裁（Arbitration）条款。仲裁程序赋予了当事人极大的程序灵活性与隐私保护，通过选择具备专业技术背景的仲裁员，并严格限制非实质性的证据开示（Discovery），从而在可控的时间与成本框架内，妥善化解深奥且高度技术化的AI责任划分纠纷。这一系列前置防御手段，是零散的业务端采购绝对无法系统性达成的。

7. 结论与未来展望

综上所述，2026年企业AI算力资源采购权从业务端全面向IT端集中，绝非偶然的行政周期波动，而是人工智能技术从探索性实验工具向企业级核心基础设施演进的历史必然。

在成本效率维度，算力成本的不可预测性与高昂的网络及人力隐性支出，迫使企业必须通过IT主导的异构资源池化，配合精确至Token和实例级别的FinOps内部计费系统，来榨取每一滴计算价值；在技术架构维度，代理型AI引发的长周期、实时推理需求激增，要求底层系统提供坚如磐石的高可用性与超低延迟，促使企业重构混合云和本地私有化中心；在安全合规维度，全球政策监管的收紧、对国家安全防线的确立以及数据出境风控，使得由法务和IT主导的集中审查机制成为维护企业生存底线的“看门人”。

面对这一历史性重构，供给侧的芯片巨头（如Nvidia）和云运营商已经闻风而动，通过创新收入分成、资本杠杆运作及透明化账单工具，全力迎合C级别高管对基础设施的大规模采购需求。对于广大寻求数字化转型的企业而言，谁能率先打破部门林立的资源割裂，依托跨部门指导委员会确立严谨的ROI体系与AI编排标准，构建起兼顾业务敏捷性与风控强健性的集中式AI基座，谁就能在万亿级算力常态化的大变局中，将底层计算能力真正转化为不可撼动的商业护城河。在通往通用人工智能（AGI）的下半场，算力已不再是被动分摊的技术开支，而是决定企业战略升维与市场霸权的终极引擎。