Amazon Google AI 支出揭示企业 CX 的隐性成本危机

尽管 AWS 报告了 18 个季度以来最快的增长，Amazon 仍将其 2026 年资本支出计划上调至 2200 亿美元。Amazon Google 的基础设施竞赛如今揭示了企业客户体验团队必须面对的一个艰难事实：AI 需求正急速增长，但支撑这种需求的系统需要更多资本、稀缺硬件和更长期的承诺。

这并不意味着企业 AI 已经失败。Amazon 的云业务在第二季度增长了 37%，其 AI 和芯片业务的年化营收规模均超过 250 亿美元。然而，Amazon 仍预计其基础设施容量在 2026 年将无法满足需求。

Google 也面临着同样的矛盾，只是规模不同。Google Cloud 营收增长了 82%，Alphabet 将其 2026 年预期资本支出上调至 1950 亿至 2050 亿美元之间。这两家公司都表明，更广泛的 AI 采用并不会自动带来更低成本、更简单的客户体验。

对企业而言，问题不止于云账单。AI 客户体验系统需要模型推理、数据检索、安全控制、评估、人工审核，以及与现有平台的集成。在组织能够证明体验确实改善之前，每一层都会增加成本。

Amazon 的 Q2 数据改变了 AI 成本讨论

Amazon 的业绩表明，强劲的 AI 需求和严重的成本压力可以同时存在。

Amazon 于 2026 年 7 月 30 日公布第二季度业绩。AWS 销售额在 4 月至 6 月期间增长 37%，高于上一季度的 28%。该公司称，这是 AWS 在 18 个季度以来最快的增长。

Amazon 还表示，其 AI 业务和芯片业务均已超过 250 亿美元的年化营收规模。这些数据表明，客户正在采购基础设施，而不只是进行测试。

支撑这一增长所需的支出同样大幅上升。首席执行官 Andy Jassy 将 Amazon 2026 年预期资本支出从约 2000 亿美元上调至 2200 亿美元。该总额包括对 AI 基础设施、半导体、机器人和卫星的投资。

据 Jassy 表示，更高的内存成本是追加支出的主要原因。内存对于训练模型和运行推理至关重要，后者是指向用户提供已训练模型服务。因此，组件成本上升会同时影响实验性系统和已成熟的生产工作负载。

Amazon 的 Q2 earnings materials 确定了该公告的发布时间。后续报道显示了此次上调的重要性：该公司在此前一年已支出约 1280 亿美元，使新计划成为一次显著跃升。

支出增加并不只是因为闲置建设。Jassy 表示，Amazon 仍将没有足够的容量来满足 2026 年的全部预期需求。他还称，已经可见的 2028 年需求也十分惊人。

这一细节改变了对该季度的解读。Amazon 并非因为 AI 需求仍停留在假设阶段而建设基础设施。它正在大举投入，同时告诉投资者，客户需求依然超过可用供给。

这一限制也让企业的一项常见假设变得更复杂。买方往往期待更大规模的云服务能让每一代自动化都更便宜。规模确有帮助，但无法完全抵消短缺、电力需求、数据中心建设和频繁更换硬件的影响。

对于客户体验团队而言，这一点在部署阶段尤为重要。试点项目或许能以可接受的速度和准确性处理数千次对话。生产服务则必须经受住季节性高峰、故障、模型变化和不可预测的客户行为。

生产系统还需要冗余容量。联络中心不能仅仅因为其他地方的推理需求上升就停止响应。供应商必须维持足够的硬件和网络容量，以便在高峰期履行服务承诺。

这种可靠性有真实成本。它会体现在用量费用、预留容量、平台费用、实施工作中，或体现为对模型质量和回复长度施加的限制。企业或许无需拥有服务器，却仍要为每一次交互背后的基础设施买单。

因此，Amazon 的这个季度揭示了核心矛盾。需求验证了 AI 的机会，但满足这种需求的成本仍在上升。企业 CX 买方正处于这一矛盾的承受端。

Amazon Google 竞赛将成本推向企业买方

Amazon Google 的竞争扩大了 AI 容量，但也迫使客户更早做出更大承诺。

Google 在 Amazon 前一周公布了第二季度业绩。Google Cloud 营收增长 82%，其云业务积压订单达到 5140 亿美元。Alphabet 还表示，近 90% 的《财富》100 强企业使用了 Gemini Enterprise。

Google 的增长提供了一个重要对照，因为它削弱了对 Amazon 支出的最简单批评。Amazon 并非单独行动，也并非只是在应对公司自身的效率问题。多家云服务提供商都在增加投资，同时报告强劲需求。

Alphabet 预计 2026 年资本支出将在 1950 亿至 2050 亿美元之间。其此前预测为 1800 亿至 1900 亿美元。大部分支出用于技术基础设施，包括服务 AI 工作负载的服务器和数据中心。

Google 的 earnings remarks 也强调了 Gemini Enterprise 内部的成本管理和治理。这一定位承认了一个已从财务部门进入运营采购决策的担忧。

Amazon Google 的竞争为企业买方提供了更多基础设施选择。AWS 提供 Amazon Bedrock、自家的 Nova 模型、Anthropic 模型和定制的 Trainium 芯片。Google 则将 Gemini 模型、其云平台和专有张量处理单元结合起来。

定制芯片能够降低对外部加速器的依赖，并提升特定工作负载的性能。然而，它们也会鼓励客户围绕某一家供应商的架构设计系统。日后切换可能需要重新测试、数据工作和应用改造。

模型选择也带来类似的权衡。企业可以将简单请求路由给较小模型，将复杂请求交给较大模型。这种方法可以减少推理使用量，但也会增加编排、监控和评估工作。

因此，竞争在降低部分单位成本的同时，也增加了系统复杂性。企业获得了更多选择，却必须培养负责任使用这些选择所需的专业能力。当路由错误增加升级处理或产生错误答案时，更低的 token 费率价值有限。

在客户体验领域，风险尤其高。编码助手可以请开发者审核输出。面向客户的代理则常常直接回复期待正确答案、清晰政策和即时解决方案的人。

错误的账单说明可能导致重复联系。不受支持的退款可能造成财务损失。自信却错误的账户陈述可能引发法律、监管和声誉问题。

这些风险迫使企业在生成式模型周围建立控制措施。检索增强生成会在模型回复前，将其连接到经过批准的公司信息。护栏会限制输出，而评估系统则测试答案是否符合既定标准。

每项控制都会消耗工程时间和计算资源。检索系统需要建立索引的数据。评估需要测试对话、模型调用、审核人员，以及每当模型或提示发生变化时进行反复测量。

Amazon 和 Google 可以将基础设施投资分摊到数千名客户身上。单个企业无法如此广泛地分摊集成和治理成本。它们的商业案例取决于更有限的一组工作流和可衡量结果。

成本负担正是在这里发生转移。超大规模云服务商为数据中心提供资金，而客户则为能力出众的模型与可靠体验之间的最后一公里买单。这最后一公里往往决定 AI 项目是否创造价值。

结果并非简单的价格通胀，而是一个承诺问题。企业必须在长期成本和质量完全可见之前，选择供应商、架构和运营模式。

企业 CX 经济性在试点后失衡

当受控演示变成需要承担责任的客户服务运营时，隐性危机便开始了。

试点通常测试模型能否回答选定问题。它可能使用干净的文档、配合的员工和有限的对话集。生产环境则会出现不完整的数据、异常请求、情绪化的客户和相互冲突的政策。

模型只是生产成本的一部分。一个完整系统必须识别客户、检索账户信息、执行权限控制、记录决策并转交复杂案例。它还必须在每一步保护敏感数据。

延迟又增加了一层成本。客户希望对话系统能够快速响应，即使请求需要多次模型调用。更长的推理能改善部分答案，但也会消耗更多算力并拖慢对话。

组织可以通过较小模型或缓存回复来降低延迟。这些选择可能会降低复杂案例的质量。团队必须确定哪些场景下更快、更便宜的输出仍可接受，然后通过测试证明这一选择合理。

部署后，联系量也可能发生变化。更容易使用的数字渠道有时会吸引那些客户此前放弃提出的问题。自动化可能减少人工处理，却增加总互动量。

因此，一家公司可能报告很高的自助解决率，却没有改善整体经济性。自助解决率衡量的是一段对话在没有人工客服的情况下结束的频率。它无法揭示客户是否获得了正确或持久的解决方案。

重复联系更为重要。如果 AI 系统给出不完整的答案，客户可能会通过聊天、电话和电子邮件再次联系。第一次互动看起来是自动化的，但完整旅程却变得更昂贵。

企业需要将 AI 行为与业务成果相连的结果指标。这包括重复联系率、任务成功完成率、纠正频率、升级处理质量和客户付出程度。仅凭平均处理时长无法捕捉这些影响。

数据准备是另一项重大开支。客户政策往往分散在网站、支持平台、内部文档和员工消息中。一些来源是最新的，而另一些则包含过时或相互冲突的说明。

模型无法自行可靠地解决这些冲突。团队需要所有权规则、版本控制、权限和审核流程。可搜索的 AI knowledge base 可以支持检索，但内容治理仍是人的责任。

AI agents 让问题变得更大。代理可以选择工具并朝着目标执行步骤，而不只是生成文本。这种能力有助于处理订单变更、排期、故障排除和账户更新。

行动也提高了失败的代价。一个糟糕的回答可能令客户沮丧，而错误的行动则可能更改账户或产生财务义务。企业必须增加授权规则、审计追踪和撤销流程。

在这种模式下，人工监督并未消失，只是改变了位置。员工不再处理每一项请求，而是转为审核例外情况、维护知识、调查故障并改进系统。

这项工作在采购阶段很难估算。供应商可以展示模型性能，却无法完全预测企业数据的状况；他们也无法决定组织愿意接受多少风险。

Amazon 与 Google 的基础设施竞赛通过加速模型和平台发布，使这一挑战进一步加剧。更快的发布会带来新能力，但每一次变更都可能影响输出质量、延迟和成本。生产团队必须决定何时值得为重新测试而承受业务中断。

一个客户体验平台也可能依赖多家供应商：一家提供联络中心，另一家托管数据，第三家提供模型。可观测性和责任由此被分散到不同合同之中。

当回答变慢或失败时，企业必须识别究竟是哪一层导致了问题。这项调查需要时间和专业人员。客户体验到的是一个组合系统，而不是其供应商之间的边界。

因此，经济问题远不止 AI 是否比一名客服坐席的一分钟成本更低。管理者必须比较完整旅程，包括自动化失败、重复联系、治理、集成和基础设施使用。

成功部署仍然可以带来显著节省。政策清晰的常规请求依然是强有力的候选场景。风险在于，假定某一狭窄工作流的成功，就足以证明每一种客户互动都具有同样的经济性。

更快的云增长并不能证明更好的客户体验

Amazon 和 Google 已证明市场对 AI 基础设施的需求，但尚未证明每一次企业部署都能带来更好的 CX。

Amazon 的 AWS 增长和 Google Cloud 的加速发展，证明了客户正在为此投入资金。但这些数据并未揭示，其中有多少支出用于实验、训练、迁移或能够盈利的生产系统。

云收入衡量的也是提供商的结果，而非买方的回报。只要客户消耗更多算力，提供商就会受益。只有当这种消耗带来更低成本、更高收入、更低风险或更好的体验时，客户才能受益。

这种差异造成了激励缺口。提供商希望工作负载不断扩大；企业管理者则必须决定哪些工作负载值得扩展，哪些应保持确定性、由人工主导，或不予支持。

Alphabet 的业绩体现了两面性。云业务增长达到 82%，但公司也上调了资本支出预测。有关该季度的报道指出，投资者质疑不断上升的基础设施投资是否会给现金创造能力带来压力。

Google 的快速扩张并不意味着其战略无效。强劲的云需求和庞大的积压订单表明，客户重视其容量。真正的不确定性在于回报实现的时点和持续性。

Amazon 面临同样的考验。根据财报报道，随着支出加速，其年度自由现金流转为负值。公司认为，当前建设是在支撑未来已签约的需求。

这一解释是可信的，因为数据中心需要多年规划和建设。服务器会在更接近启用时到位，而建筑物则能够支持数代硬件。若需求减弱，Amazon 可以调整部分设备订单。

然而，并非所有成本都具备灵活性。土地、电力协议、网络容量和建设都代表长期承诺。内存和加速器短缺也可能在容量规划启动后推高成本。

企业同样面临规模更小的时点错配。在采用率变得可预测之前，它们就要为集成和治理付费。只有在客户成功使用系统、运营团队重新设计工作方式后，收益才会到来。

这使回报计算对假设极为敏感。升级率的小幅变化就可能改变人员配置需求；质量的小幅下降，也可能带来比自动化所消除数量更多的重复联系。

供应商基准测试很少能解决这一问题。标准测试衡量的是模型在既定条件下的能力。企业 CX 则取决于私有数据、本地政策、客户行为和连接系统的质量。

持怀疑态度的观点也会质疑“AI 成本危机”这一说法。仅凭基础设施支出，无法证明企业 CX 正变得难以负担。云业务增长表明，许多客户看到了足以继续购买的价值。

随着模型、芯片和软件成熟，效率可以迅速提升。较小的模型已经能处理过去需要更大系统才能完成的任务。Amazon 和 Google 的定制芯片能够降低适合这些芯片的工作负载成本。

更恰当的结论应更为有限：企业不能把模型成本下降视为总成本下降的保证。模型层的改进可能被更高的使用量、更广的范围、更严格的控制措施和更复杂的集成所抵消。

Microsoft 提供了一个有用的比较。其季度资本支出增长 70%，达到 410 亿美元，其中约三分之二用于处理器和图形芯片等寿命较短的资产。资产更换周期显示，基础设施的老化速度可能非常快。

即便提供商承担初始采购，这一周期也会影响客户合同。提供商最终必须通过利用率、定价或更高价值的服务回收资本。竞争会限制其自由度，但不会抹去根本性支出。

CX 负责人应对乐观和悲观的说法都进行压力测试。他们不应假设每一次自动化对话都会节省成本，也不应假设超大规模云服务商的大额支出意味着 AI 采用缺乏可行回报。

决定性的证据来自稳定的生产结果。系统必须在高峰期、模型更新、政策变化和异常请求期间保持质量；在计算所有支撑性工作后，也必须仍能产生收益。

企业 AI 买家接下来应关注什么

三个信号将表明，当前的支出周期是在降低企业 CX 成本，还是仅仅将其转移到新的类别中。

第一个信号是 Amazon 能否将容量转化为持续的 AWS 增长和正向现金创造。其当前论点依赖于基础设施投入使用并服务于已承诺的需求。强劲增长最终必须超过建设和硬件带来的现金负担。

AWS 在第二季度增长了 37%。由于内存价格上涨，公司也增加了支出。未来几个季度必须显示，这项额外投资能否在不永久削弱现金创造能力的情况下支撑持久收入。

在 AWS 持续加速的同时恢复正自由现金流，将强化 Amazon 的论点；如果云业务增长放缓却再次增加支出，则会削弱这一论点。CX 买家应同时关注两项数字，而不应将收入增长视为充分证据。

第二个信号是 Google Cloud 能否在管理其增加后的资本计划的同时维持卓越增长。Google 报告云业务增长 82%，积压订单达 5,140 亿美元。这些数字为未来季度设定了颇具挑战性的比较基准。

Google 还表示，近 90% 的《财富》100 强企业使用 Gemini Enterprise。下一个问题在于使用深度，而不是标志数量。买家需要看到证据，证明企业正从访问权限和试点项目转向持续性的生产工作负载。

Google 强调，其用于构建企业 AI 智能体的框架 Agent Development Kit 下载量接近 7,000 万次。下载量表明开发者兴趣，但并不衡量活跃部署或客户结果。生产使用将提供更强的采用信号。

如果 Google 在资本密集度趋于稳定的同时维持云业务增长，Amazon 与 Google 的竞争可能通过规模和定制芯片降低单位成本。如果支出的增长继续快于变现，客户应预期会有更严格的使用管理，以及更强的承诺压力。

第三个信号是企业内部可衡量的 CX 表现。买家应向供应商和内部团队索取完整旅程指标，而非演示准确率。这些衡量指标应包括任务完成、重复联系、升级、更正和客户付出。

每次自动化互动成本仍然有用，但必须放在这个更广泛的指标集合中看待。一个廉价却导致再次联系的回答并不便宜；一个成本更高、却能完成困难任务的回答，可能带来更好的经济性。

企业还应跟踪系统部署后需要人工干预的频率。这个数字既包括可见的升级，也包括不可见的维护工作。知识更新、提示词变更、事故审查和合规检查都会消耗人力。

采购团队可以通过区分三类成本来改进决策。基础设施成本包括模型调用、存储、网络和预留容量；实施成本包括集成、数据准备、测试和工作流设计。

运营成本包括监控、评估、内容所有权、安全审查和例外处理。将这些类别合并在一份供应商方案中，可能掩盖未来成本增长会出现在哪里。

买家还应在能创造实际价值的地方要求可移植性。模型路由和通用接口可以降低对单一提供商的依赖。完全可移植性仍然困难，因为不同云在身份、数据、监控和智能体工具方面存在差异。

目标不应是理论上的独立性，而应是拥有足够灵活性，以便在成本、质量或风险发生变化时迁移选定的工作负载。这样的立场能够为企业带来议价能力，同时又不迫使它们在各处维护完全相同的系统。

团队应从预期结果可观察的工作流开始。订单状态、预约变更和经批准的故障排除路径，都有更清晰的完成信号。开放式建议和敏感的账户决策则需要更加谨慎。

随后，应在扩展前衡量整个旅程。成功的试点只有在经受住真实流量和政策变化后才具有意义。扩展应遵循证据，而不是因为有了更新的模型。

Amazon 与 Google 的竞争将持续带来更快的模型和更多云容量，但不会解决每个企业的数据质量、问责机制或工作流设计问题。这些仍是本地运营问题。

客户体验负责人如今面临直接选择：他们可以将 AI 视为不断扩大的低成本智能资源池，也可以将其作为昂贵的生产系统来管理。后一种视角会带来关于质量、所有权和回报的更好问题。

在批准下一次 AI 扩展之前，应明确必须改善的业务结果，以及实现它所需的每一项成本。然后，在将升级、重复联系和人工监督纳入计算后衡量表现。如果系统仍能创造价值，就可以放心扩大规模；如果商业案例依赖于忽略这些成本，更大的模型或更多云承诺也无法修复它。Amazon 与 Google 的支出竞赛带来了更多可用能力，但企业必须决定这些能力应当在哪些地方发挥其价值。