Bain 对电信 AI 成本的警告揭示了运营支出陷阱
Bain 就电信 AI 成本发出了一项带有鲜明反转意味的警告：即使岗位和任务消失，自动化投入仍可能增加运营支出。该公司估计，AI agents、代币以及相关数据服务最终可能占运营商成本基础的 20% 至 30%。
这一警告挑战了电信 AI 项目背后的一项常见假设。更便宜的模型和更少的人工任务，并不保证运营预算会缩小。如果运营商保留现有系统、合同、审批流程和人工工作流，AI 就会成为叠加在旧有架构上的另一项支出。
这一矛盾之所以重要，是因为运营商已在客户服务、网络运营、软件工程和业务支撑系统中部署 AI。AT&T 正在尝试模型路由和开放模型，Microsoft 则在推广专用网络 agents。Bain 的观点是，只有当运营商围绕这些工具重新设计工作方式时，它们才能创造节省。
Bain 对电信 AI 成本的警告改变了节省公式
Bain 的核心信息是，电信运营商可以用 AI 替代部分成本基础，也可能在未移除原本要替代的成本时新增 AI 支出。
该公司于 2026 年 9 月 10 日发布了其电信分析。报告描述了未来三到五年电信运营结构可能发生的转变。AI agents 将执行或支持更多工作，而人员仍将对关键决策负责。
Bain 提出了一种可能的运营模式：传统支出占总成本的 70% 至 80%，AI agents、代币消耗和相关服务构成其余的 20% 至 30%。
这一模型本身并非对节省的预测。它描述的是运营商支付对象及这些支出行为方式的变化。
在有利情景下，AI 成本会替代相当份额的遗留支出。运营商会消除冗余工作、简化流程、减少不必要的软件，并调整人员配置需求。总成本可能大致保持稳定，同时速度、产能或服务质量得到提升。
危险情景始于运营商新增同样的 AI 支出，却未能移除多少既有成本基础。员工继续遵循既定流程，软件订阅仍然有效，外包安排持续存在。AI 助手处理孤立步骤，却未能消除交接环节或重复系统。
届时，总运营支出可能增加与新 AI 层相当的金额。生产率、客户体验或收入必须有足够改善，才能证明这一增加合理。否则，运营商资助的只是一个更复杂的组织，而非一个更高效的组织。
这一区别很重要，因为运营支出通常简称为 opex，会随着企业运行而持续发生。一项失败的资本项目可能留下可见资产和明确的减值；而代币使用、云端推理、监控和人工审查，则可能形成分散于各部门的可变月度成本。
AI agents 带来的支出也不止于模型访问。它们会调用软件工具、检索存储信息、评估输出、维持上下文，有时还会重复未成功的步骤。运营商必须为围绕这些操作的基础设施和控制措施付费。
因此，Bain 拒绝将每代币成本视为主要指标。廉价代币无法说明自动化工作流是否解决了问题。更有用的单位应是解决一次客户问题、处理一次网络事件、制作一份方案或完成一次软件发布的成本。
原始报道捕捉到了最严峻的含义。Bain 所展示的两条路径都不会自动降低总成本：一条是以 AI 支出替代传统支出，另一条则会增加合并后的账单。
这正是变化所在。电信 AI 的讨论已不再仅仅关乎模型能否自动化工作，而正成为对运营商能否淘汰那些因自动化而不再必要的流程、合同和组织层级的一场财务考验。
更便宜的模型仍可能带来更高的账单
当使用量、工作流复杂度和需求的增长速度超过每代币成本的下降速度时，模型价格下降的重要性就会降低。
Bain 表示，模型价格每年大约下降十倍。这听起来像是降低 AI 支出的直接路径。然而，更低的单位成本往往会鼓励更广泛的使用、更大的提示词、更复杂的推理，以及运行时间更长的 agents。
一名员工最初可能使用 AI 总结一份文件，之后则会要求它审阅整个案件历史。网络团队也可能从生成事件记录，转向协调诊断、修复、验证和升级。每一次改进都会扩大所涉及的上下文、推理和工具使用量。
Agentic AI 会放大这一效应。AI agent 是能够规划并执行一系列操作的软件，而不是仅回答一个提示词。它可能查询多个系统，重新考虑失败结果，并在完成一项任务前调用另一种模型。
这些循环可能消耗代币，却无法产出可接受的结果。每次模型调用都可能重复发送上下文。多个护栏机制可能检查同一输出。由于不同团队独立设计，两个 agents 可能执行重叠检查。
模型账单也只涵盖部分支出。一个生产级工作流可能需要编排软件、存储、可观测性、评估、网络安全控制和人工监督。运营商可能优化推理成本，却忽视围绕它的更大系统。
需求构成了另一种压力来源。一旦员工发现有用的应用，采用便会扩展到各业务部门。网络运营和客户服务尤其容易受到影响，因为它们包含大量高频工作流和庞大的运营上下文。
团队也可能默认将较新的推理模型用于常规工作。这些模型能够提供更好的分析，但更长的推理链会消耗更多代币。当一项任务使用的代币大幅增加时，为每枚代币支付更低价格并无帮助。
这种模式类似于其他技术中出现的反弹效应。效率降低了单项活动的成本，从而鼓励人们开展更多此类活动。即使每个单位都更便宜，总消耗量仍可能上升。
电信运营商还面临额外复杂性，因为其工作负载具有持续性。客户请求、告警、工单、配置变更和欺诈检查全天候不断发生。每个自动化事件成本的小幅上升，在网络规模下都可能变得显著。
因此，正确的比较并不是一个模型与另一个模型之间的比较。运营商必须将启用 AI 的工作流，与其所替代流程的完整成本和结果进行比较。
这一计算应包括完成率、重试、升级、错误、监督、基础设施和下游修正。它还应认可那些不会立即体现为人工节省的价值，例如更快恢复服务或更低的客户流失率。
即使直接支出增加，结果仍可能有利于 AI。能够缩短重大故障时长的网络 agent 可能创造可观的商业价值；而一个延长互动时间、却没有解决更多请求的聊天机器人，结果可能恰恰相反。
这也是 Bain 对电信 AI 成本的分析聚焦于每项已完成任务成本的原因。它迫使运营商将支出与可衡量结果联系起来，而不是庆祝更低的代币价格或更高的采用率。
真正的运营支出陷阱是双重运营模式
当 AI 在边缘执行新工作，而遗留组织仍以不变的方式运行时，AI 就会成为运营支出陷阱。
电信公司很少从干净的系统基础开始。许多公司运营着多供应商网络、定制化业务支撑平台、长期外包协议，以及多年扩张和并购积累的软件。
在这样的环境中加入一个助手，可能让某一步更快，但不会自动移除其余步骤。
以客户服务人员使用 AI 总结通话为例。总结或许能节省时间，但员工仍需完成身份验证、查询多个系统、请求审批、更新记录并解决客户问题。运营商仍需为每个底层平台和组织交接环节付费。
网络运营助手也会带来同样风险。它可能对告警进行分类或建议响应，但工程师仍沿用既有的监控、工单和升级流程。AI 输出成为员工必须审查的另一份产物。
Bain 将这种情况称为双重运营模式。以人为主导的工作流保持完整，而 AI 只在其周围执行零散环节。由于底层流程从未改变，许可证、外包成本、管理层级和人工控制依然存在。
端到端重新设计则会产生不同结果。运营商从最终结果出发，梳理实现它所需的每一步，并决定哪些步骤应当消失。AI 随后参与的是简化后的流程，而不是附着于继承而来的复杂性之上。
Bain 以 Vivo 的闭环网络运营工作为例。根据这家咨询公司的说法，该运营商重新设计了一套完整的“检测至解决”流程。AI 可以检测异常、识别可能原因、执行纠正措施、验证结果，并将例外情况升级处理。
这一结构针对的是整个事件，而非单个分析步骤。人工注意力转向需要判断或干预的案例。即使 AI 支出仍然可观，该工作流也能创造价值，因为更少的人工交接环节减少了解决延迟。
不过，运营商必须将供应商合同视为重新设计的一部分。如果 agents 接管了此前通过软件席位、外部服务提供商或外包团队完成的工作，就应重新审视这些承诺。否则，自动化会创造技术层面的节省，却没有带来财务层面的节省。
劳动力规划同样需要谨慎。在新流程尚未成熟前裁撤经验丰富的员工，可能削弱服务质量和组织知识。在自动化成熟后仍维持每个岗位不变，则可能保留重复成本。
Gartner 在 9 月 9 日提出了一项更广泛的警告。其未来工作预测预计，到 2029 年，因 AI 替代而被裁员的员工中，将有 30% 需要被重新聘用。该公司预计，许多返聘人员的成本会更高，因为人才管道和组织知识将被削弱。
这一预测涵盖的行业不止电信，但它直接强化了 Bain 的压力测试。仓促裁员可能让最初的商业案例看起来颇具吸引力，之后却会产生招聘、培训、服务和补救成本。
目标并不是保护每一项现有活动，而是避免将裁员人数视为重新设计后的系统已经有效运作的证明。
运营商应首先确认 AI 能否以可接受的质量和风险完成目标工作流。随后，他们可以根据已验证的表现调整岗位、合同、审批和系统。这一顺序将组织变革与运营证据联系起来。
因此，运营支出陷阱并不只是高昂的推理成本，而是昨天的成本基础仍存于明天的自动化层之下。
AT&T 展示了代币经济学在实践中的样貌
AT&T 的应对方式展示了另一种选择：让模型能力与具体任务匹配，并围绕整个工作流成本设计编排机制。
Bain 表示，AT&T 曾研究如何更高效地处理每天数十亿个 token。这家运营商重新设计了编排机制，让负责协调的大型 agent 能将工作委派给更小型、专业化的模型。
根据 Bain 引述的 AT&T 说法，这一方法最高可将成本降低 90%，同时将吞吐量提升至原来的三倍。这些数字属于企业自身声明，并非经过独立审计的行业基准，但仍展示了严肃的成本控制策略试图优化的方向。
AT&T 将这一方法称为 tokenomics。在这里，tokenomics 指的是将模型消耗作为一种运营资源进行管理，并基于任务复杂度、性能和成本做出选择。
这家运营商一直在探索开放模型，因为它们能提供更强的部署和优化控制能力。其 tokenomics strategy 并不依赖于将每个请求都发送给可用的最大模型。
常规分类任务可能只需要一个小型模型；复杂的网络诊断则可能值得使用能力更强的推理系统。协调型 agent 可以在二者之间路由工作，而不是在每一步都使用同一个昂贵模型。
这一策略之所以重要，是因为模型选择往往在无形中发生。员工会选择熟悉的工具，或者开发者为应用设定一个默认模型。在试点阶段，成本差异看起来可能很小，但当使用规模进入生产环境后，差距便会迅速扩大。
路由本身也会带来成本和风险。运营商必须评估哪种模型能够可靠地处理每项任务，并需要后备规则、性能监控、安全控制，以及明确的人工审核边界。
但这些机制支撑了一项更好的财务问题：运营商可以询问，模型、工具和人员的何种组合，能够以所需的服务水平完成任务。
Microsoft 的经验提供了一个有益的对照。其电信行业 CTO 表示，大型异常检测模型增加了大量复杂性，但相较于传统统计方法，带来的改进有限。公司因此将重点从预测每一次网络故障，转向在故障发生时迅速响应。
这一坦承很有价值，因为它将技术上有趣的用例与财务上有价值的用例区分开来。当更简单的方法表现已接近时，更复杂的模型并不会创造额外价值。
Microsoft 仍然看好网络运营和业务支持系统的潜力。其 Network Operations Agent 框架使用专门的 agent 来承担遥测、工单、故障排查和现场协调等职能。
Far EasTone Telecom 已在其网络运营中心使用该框架。根据 Microsoft 的 deployment account，该运营商网络运营中心近 60% 的活动已获得 AI 辅助。
辅助并不等于自主。即使 agent 支持先进的运营工作流，Microsoft 在对其自身网络进行变更时仍保持人工监督。这一区别限制了运营风险，但也保留了一部分人工成本。
这正是 Bain 电信 AI 成本管理中的核心权衡。运营商希望实现更高程度的自动化，但可靠性要求又需要评估、审批和问责。过早取消监督可能导致中断或错误操作；保留过多监督则可能抹去经济收益。
AT&T 的方法并未消除这一矛盾，而是让它变得可衡量。模型路由、专属预算和按任务核算，让管理者能够看清哪些场景中更高的自主性改善了结果，哪些场景中它只会增加消耗。
实际的启示并不是每家电信运营商都应复制某一种架构，而是 AI 支出在采用规模达到每日数十亿 token 之前，需要一套经过设计的控制系统。
成本节约叙事仍未证明的内容
Bain 提供了一个有用的运营模型，但其百分比是情景推演，而非对整个电信行业节省或损失的验证结果。
70 比 30 的结构，是对成本可能如何演变的估计。Bain 指出，其示例并未纳入支出的绝对变化，因此不应被理解为对每家运营商都将在 AI 上投入相同比例的预测。
不同运营商的网络覆盖、劳动力结构、外包安排、监管要求和云策略各不相同。适合一家公司的模型，未必适合另一家。
完成一项任务的成本还取决于所选择的结果指标。一次客户互动可以按处理时间、解决率、满意度、留存率或收入衡量。一项自动化计划在某个指标下看似成功，在另一个指标下可能表现不佳。
网络事件也会带来类似问题。更快的诊断固然有帮助，但只有在建议准确且修复成功时，结果才有意义。一个能快速生成答案但可靠性不足的 agent，可能反而增加审核和纠错工作。
Bain 的论点还假定运营商能够识别并移除遗留成本。但这通常是合同和组织层面的挑战，而非技术问题。软件协议可能持续多年；受监管的控制措施可能仍属强制要求；外包职能可能涵盖 AI 只能部分处理的活动。
需求的不确定性进一步复杂化了预测。随着员工发现更多用途，token 消耗可能加速增长；但随着治理改善、小型模型成熟，或传统自动化取代不必要的 AI 调用，消耗也可能趋于稳定。
收益可能出现在运营支出项目之外。更高的网络可靠性能够降低客户流失；更快生成方案可以提升销售能力；自动化的农村服务亭能够服务原本无法支撑有人值守门店的市场。
Bain 提到了 Telia 的一项试点项目，涉及在农村社区部署由 AI 支持的自助服务亭。这个例子将经济问题从减少现有工作，转变为服务此前不具经济效益的需求。
这是一种增长逻辑，而非简单的降本逻辑。如果服务能够创造足够的收入或客户价值，它就可以证明新增 AI 支出的合理性。将每个项目都视为运营支出削减计划，会忽视这一差异。
企业也存在因这一警告而放缓有价值部署的风险。AI 支出确实存在，但延误、宕机、重复工作和客户挫败感同样真实。避免所有可变成本，只会保留运营商原本希望解决的低效问题。
更好的回应是将严谨的实验与业务结果挂钩。试点应建立质量、完成成本、采用率和运营风险指标，也应明确指出：如果试点规模化，究竟哪些旧支出可以消失。
这也是概念验证常常失败的地方。演示可以证明模型能够完成某项任务，却很少能证明一个组织可以取消某个工作流、重新谈判合同，或围绕这项能力改变问责机制。
因此，对 Bain 警告的审慎解读应当保持平衡。其分析并未证明 AI 会增加每家运营商的总成本，而是说明更低的模型价格和令人印象深刻的试点，并不足以证明节省已经实现。
如今，举证责任转移到了运营商身上。他们必须公布或在内部验证任务层面的经济性，而不能仅展示采用数据、token 数量或人员调整公告。
三个信号将显示电信运营商能否摆脱陷阱
接下来的考验在于，运营商能否将 AI 消耗与已完成的结果联系起来，淘汰重复成本，并在不削弱服务的前提下扩展已验证的工作流。
第一个信号是任务层面的报告。运营商应追踪已解决客户案例、网络事件、软件发布和销售方案的完整成本。这些数据需要包括模型、基础设施、评估、重试、工具和人工审核。
如果任务成本下降，同时完成质量保持稳定，Bain 所设想的有利路径就会获得支持。如果 token 单价下降，但每项结果的总成本上升，运营支出陷阱便正在形成。
第二个信号是遗留支出的明显退场。运营商应展示，成功的自动化能够带来更少的冗余应用、更短的流程链、修订后的外包合同或重新设计的岗位。
仅仅裁减人员并不够。Gartner 对返聘的预测凸显了一个风险：在自动化、培训和治理尚未准备就绪前就削减人员。可持续的节省要求流程本身发生改变。
如果有证据显示运营商正在减少重复软件和人工交接环节，将强化 Bain 关于工作流再设计的论点。若 AI 支出和遗留合同持续同步增长，则会支持其成本缓慢攀升的情景。
第三个信号是从试点受控扩展到高价值生产工作流。Bain 建议选择三个成本高、难度大的流程进行端到端再设计。客户服务、网络运营和软件交付都是显而易见的候选领域。
成功的扩展不应只带来一次演示，而应明确所有权、可接受的错误率、人工升级规则和财务问责。每个 agent 都应有明确的负责人和可衡量的结果。
关注运营商如何在财务更新和运营简报中讨论这些项目。有关 agent 数量或 token 消耗量的说法只能揭示活动，而非价值。与解决、恢复、留存、吞吐量和总成本挂钩的指标，才能揭示运营模式是否已经改变。
未来几个月不会决定电信 AI 的长期经济性，但可以揭示高管们是否已接受眼前的核算挑战。
Bain 的电信 AI 成本研究为运营商留下了一个明确选择：他们可以继续向旧工作流中添加助手，也可以围绕可衡量的结果重建选定工作流。买方和员工应当追问，每个新 agent 到来时，究竟哪些成本会消失。如果领导者无法回答这个问题，那么承诺中的效率仍只是一项费用预测，而不是商业成果。
