EY 计划成立新部门以遏制企业 AI 成本

据报道，EY 计划设立一个专门部门，帮助企业控制不断攀升的人工智能成本，因此登上 google news。这一举措存在明显矛盾：企业希望部署更多自主 AI 系统，却缺乏可靠的方法衡量每项完成任务实际消耗了多少资源。

Bloomberg 于 2026 年 8 月 11 日报道了这一计划中的部门。有关其名称、领导层、人员配置和启动时间表的公开细节仍然有限。EY 尚未发布详细公告，独立确认报道中的每一项内容。

不过，这一方向与 EY 在 7 月发布的一套框架相一致。该框架认为，企业需要一名对智能体支出负责的负责人，并设置限制以阻止工作流失控。

这并非又一项围绕热门技术包装的咨询服务。EY 正在挑战一种假设：模型价格下降会自动让企业 AI 变得负担得起。

其首要对手是责任归属分散。工程团队监控 token，云团队管理基础设施，风险负责人跟踪控制措施，业务领导者批准项目。但未必有人能看到完整账单，或将其与实际完成的成果进行比较。

竞争对手已意识到这一机会。Harness 和 Flexera 在 2026 年推出了产品，将 AI 消耗与云成本、业务部门、智能体和成果关联起来。EY 则从治理、投资决策和运营设计的角度处理同一问题。

由此形成了一场较量：一方以活动衡量 AI 采用，另一方以价值衡量 AI 投资。更多用户、提示词、智能体和 token 可以证明采用规模，却无法证明系统提升了收入、质量、速度或风险管理水平。

EY Google News 报道实际改变了什么

据报道，EY 正将 AI 成本控制从偶发性的咨询工作转变为一个独立的组织职责领域。

google news 的标题称，EY 正推出一个部门，以控制人工智能支出。Bloomberg 的原始报道提供了这一事件的触发点，但公开记录仍缺乏完整的运营蓝图。

这一缺口很重要。专门部门可能指向多种不同结构：它可能是内部团队、客户咨询业务，或是结合财务、技术和风险专家的更广泛服务。

在 EY 发布这些细节前，读者应将具体结构视为已报道信息，而非完全有据可查的事实。其基础战略则更容易通过 EY 最近关于智能体经济学的研究得到验证。

EY 7 月的报告 agentic value 建议任命一名智能体经济主管或智能体 FinOps 负责人。FinOps 是一种管理方法，将技术支出与工程决策和业务价值联系起来。

这名拟议中的高管将统筹多个预算中的模型使用、成本泄漏和价值实现。EY 还建议在智能体、工作流和业务部门层面设置支出上限、调用量上限和自动关停机制。

这些控制措施针对的是一种具体的架构变化。传统聊天机器人通常接收请求后返回答案。AI 智能体则可以规划、检索文档、调用软件、咨询子智能体、重试失败步骤并优化输出。

每一项额外操作都会消耗资源。最终回复可能看似简单，但其背后路径可能包含多次模型调用和工具操作。

EY 表示，总成本不仅包括 token 和应用程序编程接口调用，还包括软件订阅、平台基础设施、治理、组织变革、故障恢复以及潜在监管义务。

这一更广泛的定义构成了该报道所称部门的战略目的。它让 EY 能够审视分布在财务、技术、法务、人力资源和各个业务部门之间的支出。

这一举措也与 EY 更广泛的 AI 扩张相呼应。EY 和 Microsoft 于 5 月宣布一项联合计划，旨在推动客户项目从试点进入更大规模部署。两家公司称，最初重点包括财务、税务、人力资源和供应链。

规模化带来了成本纪律的需求。小型试点可以容忍人工监督和不清晰的核算方式；而服务数千名员工或客户的生产系统，不能依赖同样的假设。

因此，EY 报道中的新部门标志着 AI 从实验走向运营问责的转变。重要变化并非又一个仪表盘，而是试图让某个人对自主软件的经济效益负责。

为什么智能体 AI 让成本控制更难

核心成本问题来自行为的可变性，而不只是模型价格高昂。

传统企业软件通常采用许可证、席位或容量合同。尽管这些安排并不完美，但财务团队通常可以使用熟悉的输入项进行预测。

智能体系统的行为不同。其消耗取决于任务、所选模型、上下文大小、工具数量、重试行为和停止条件。两个表面上相似的请求，可能形成不同的执行路径。

这种可变性削弱了围绕平均模型调用建立的预算估算。模型账单记录了可见消耗，但编排和运营支持成本可能出现在其他地方。

EY 的框架将一个智能体的总成本分为七类。可见类别包括 token、订阅和基础设施；较不显眼的类别则包括治理、员工队伍变化、故障和潜在监管成本。

这些类别往往归属于不同高管。技术负责人可能看到模型使用情况，而风险团队则为评估和控制措施提供资金。人力资源部门可能承担培训费用，运营部门则可能吸收补救工作的成本。

这种分散会让一个看似高效的智能体显得比实际更便宜。当组织排除监督和恢复成本时，它也会让与人工工作的比较失去可靠性。

每 token 成本无法解决这一核算问题。token 衡量的是模型处理的文本片段，但并不能说明智能体是否完成了有用任务。

一个使用较少 token 的智能体仍可能更频繁地失败。另一个智能体可能消耗更多资源，却无需升级处理便解决了一个高价值案例。企业既需要技术消耗数据，也需要成果数据。

Harness 在 5 月推出 cost per outcome 功能时，将这一观点具体化。其系统将支出归因到智能体、会话、运行、步骤和业务成果。

该产品可以识别因智能体反复进入不必要工具链而变得昂贵的对话。这将财务异常转化为工程师可以调查的软件问题。

Flexera 则采取了更广泛的基础设施方法。其 6 月发布的 AI cost management 将应用、智能体、模型、数据平台和计算资源的消耗关联起来。

这些发布表明，AI 成本管理正在成为一个产品类别，而不只是咨询议题。它们也凸显出 EY 面临的挑战。

软件平台可以持续收集遥测数据。遥测数据是展示系统在执行期间如何运行的运营数据。EY 必须证明，组织设计为何能在这些仪表盘之外创造价值。

最有力的答案是，衡量本身并不能形成问责。仪表盘可以显示某个智能体消耗了更多资源，却无法决定其成果是否值得这些消耗。

这一决策需要业务负责人、商定的价值指标，以及减少或停止使用的授权。它还需要清晰记录智能体检索了哪些信息、尝试了哪些操作。

运营 AI 工作流的团队需要可追溯的源材料。searchable knowledge base 可以帮助工程师调查哪些上下文影响了一次昂贵或失败的运行。

EY 的切入点位于财务层与技术层之间。如果该报道中的部门取得成功，它将把消耗控制与资本配置、风险承受能力和运营成果连接起来。

真正的对手是责任归属分散

EY 押注认为，失控的 AI 支出首先是责任归属失败。

企业很少通过单一、清晰的渠道采购人工智能。员工使用捆绑式助手，团队购买直接模型访问权限，开发者则通过云提供商使用托管服务。

智能体还可以调用外部搜索、数据库、编码工具和业务应用。每项依赖都可能拥有独立的使用记录和预算负责人。

财务部门在消耗发生后才看到发票。工程团队能看到技术追踪信息，却缺乏完整业务背景。安全和法务团队可能只有在系统处理敏感数据或引发事件时才会介入。

这种安排在早期云采用阶段就运作不佳。团队可以快速配置资源，而支出控制和分配实践则在之后才出现。

FinOps 的出现，是为了围绕共享的消耗数据连接财务、工程和产品团队。AI 进一步扩大了这一挑战，因为其工作负载更难预测，也与用户行为联系得更紧密。

EY 拟议的智能体经济主管将责任集中到一名高管之下。此人不会取代工程、财务或风险负责人，而是为他们各自的决策提供共同的经济框架。

这一拟议模式依赖单位经济效益。单位经济效益衡量一个有用单位所关联的成本与价值，例如一个已解决案例或一项已完成工作流。

选择这一单位并不容易。内部研究智能体可能节省员工时间、提高决策质量或减少遗漏信息。这些收益难以整齐地纳入单一财务指标。

客户服务提供了更清晰的例子。公司可以将智能体的总成本与已解决咨询量、升级处理率、客户满意度和纠正工作进行比较。

软件开发则更难衡量。智能体可能快速生成代码，却同时带来在后续出现的审查、安全或维护义务。

这正是集中负责人可能变得有用的地方。负责人可以要求每个智能体在部署前具备成果指标，并在上线后设定停止规则。

停止规则定义了系统必须暂停的情形：当支出、错误或调用量超过获批边界时。它防止自主循环持续运行，直到有人注意到一张更大的账单。

然而，集中化本身也有风险。一个新的高管头衔可能会增加审批层级，却无法改善技术可见性。它还可能将注意力转向易于衡量的成本，同时低估质量。

EY 必须避免将智能体经济学变成一个削减预算的办公室。其自身框架指出，组织应将支出导向可衡量的价值，而非单纯地最小化消耗。

这种差异会影响模型选择。能力较弱的模型可能降低推理消耗，却增加失败、重试和人工审核。一次更便宜的模型调用，可能导致完成任务的总成本更高。

同样的张力也适用于检索。较短的上下文可以减少处理量，但遗漏证据可能削弱答案质量。较长的上下文可以提升覆盖度，同时提高消耗和延迟。

因此，Agent 成本管理需要的不只是限额。它还需要能够衡量成功、失败以及干预后果的评估体系。

碎片化的责任归属仍是主要障碍，因为每一项优化都会在其他环节产生取舍。一个统一负责的职能可以在团队将成本从一个预算转移到另一个预算之前，暴露这些权衡。

成本控制宣传并不能证明什么

一个新部门无法保证节省成本、准确归因或更好的 AI 结果。

Bloomberg 的标题已将 EY 据报推出该计划的消息带入 google news，但公开证据仍留下若干未解问题。EY 尚未披露该部门的客户名单、绩效目标或治理权限。

目前也不清楚该团队将部署自研软件、整合第三方平台，还是专注于咨询服务。这些选择决定 EY 能否足够深入地观察工作流，从而对其实施控制。

仅凭发票数据只能呈现不完整的图景。有效归因需要能够将模型调用与用户、Agent、会话、工具、产品及已完成结果关联起来的标识符。

组织并不总能一致地收集这些标识符。较旧的应用可能会合并请求，而外部服务商提供的计费和遥测数据格式也可能不同。

结果衡量又带来另一个问题。团队可能会优化最受高管关注的指标，即使该指标只代表系统价值的一部分。

按已完成工单评估的 Agent，可能会过于激进地关闭案例。按生成输出衡量的编码助手，可能会鼓励不必要的改动。按速度评判的研究工具，可能会遗漏重要证据。

据报该部门进入的市场中，已有成熟的成本管理供应商。Harness 已将云与 AI 分摊、治理、异常检测及详细工作流数据结合起来。

Flexera 表示，其平台覆盖模型、应用、数据和计算资源。云服务商和模型网关也可以增加原生控制能力，从而降低对独立咨询层的需求。

EY 的优势在于能够触达财务、运营、风险和高管决策者。其弱点在于，咨询建议可能脱离实时技术行为。

该公司必须证明，其框架能在报告或研讨会结束后改变部署方式。有用的证据包括：更少的失控循环、更强的结果归因，以及更快终止表现不佳的项目。

EY 自身的分析援引 Gartner 的预测称，到 2027 年底，超过 40% 的 Agentic AI 项目将被取消。Gartner 将预期取消归因于成本上升、价值不明确或风险控制不足。

这项 Agent 项目取消预测 支持 EY 所强调的紧迫性。但它并不能证明，集中化的经济管理部门能够避免这些失败。

企业也可能将取消误认为失败。在更大范围推广之前停止一个表现不佳的 Agent，可能代表成功的治理和审慎的投资。

另一个不确定性涉及服务商定价。模型成本可能下降，而工作流总消耗却会上升，因为 Agent 执行更多步骤并覆盖更多用户。

企业可能会通过将更简单的任务路由到更小的模型来应对。只要评估确认质量仍然可接受，这种做法可以改善经济性。

人工监督必须保留在成本模型中。一个在审核前看似低成本的 Agent，一旦由专家核验输出并纠正错误，可能变得昂贵。

风险成本则更难预测。大多数日子可能都不会发生事故，但一次隐私、安全或合规失败就会带来大量补救工作。

EY 的提议之所以可信，是因为这些成本本就分散。其有效性仍未经验证，因为该公司尚未发布据报该部门的可量化成果。

Google News 读者接下来应关注什么

三项信号将表明 EY 是建立了真正的运营模式，还是仅增加了一个咨询标签。

第一个信号是 EY 发布详细公告。公告应明确该部门的负责人、范围、人员配置、技术能力，以及它与现有 EY 业务实践之间的关系。

公开框架还应说明，该部门是为 EY 内部服务、为客户提供咨询，还是两者兼有。这一区别会影响读者应期待何种证据。

内部使用将让 EY 有机会在其自身 AI 系统中测试控制措施。客户项目则需要可重复的方法，能够在不同云平台、模型和业务流程中运行。

明确的权限将增强这一论点。一个只能建议支出限额的部门，其影响力低于能够执行阈值或要求提供结果指标的部门。

沉默或模糊的品牌包装将削弱对 Bloomberg 报道的解读。这会表明，该概念仍处于比 google news 标题所暗示的更早阶段。

第二个信号是工作流层面的证据。EY 应展示客户如何将总消耗与已完成的业务结果关联起来。

有用的案例包括客户支持、软件开发、财务或供应链工作。每个案例都应涵盖技术使用情况、人工监督、失败情况以及所选取的价值衡量指标。

读者应关注在引入控制措施前后的对比。最可信的结果会披露，降低支出是否改变了质量、延迟或升级处理率。

若没有明确的基线，对节省百分比的说法应保持谨慎。一个系统可以减少模型消耗，同时将工作转移给员工或其他软件。

每个成功结果的总成本下降证据，将强化 EY 的论点。只有 Token 减少、却没有结果数据，则会削弱这一论点。

第三个信号是竞争对手的反应。Harness、Flexera、云服务商、模型网关和可观测性供应商都在构建重叠的能力。

合作关系可以帮助 EY 获得详细遥测数据，而无需自行构建每一项技术组件。它们也可能表明，该公司的差异化优势在于治理和运营设计。

竞争可能迫使 EY 解释咨询服务止于何处、软件从何处开始。买方需要知道谁拥有数据、谁配置控制措施，以及当 Agent 越过限额时谁负责响应。

更广泛的市场还将检验 Agent Economics 负责人是否会成为一个持久职位。广泛的任命将验证 EY 的观点：AI 需要独立的财务责任归属。

一种较弱的结果是，现有的 FinOps、财务或技术负责人吸收这些职责。这不会消除问题，但会降低设立新组织类别的必要性。

对开发者而言，眼前的经验很直接。在 Agent 扩大规模之前就为其添加监测，记录工具调用和重试，并将每次运行与结果关联起来。

企业买方不应只要求使用情况仪表板。他们需要分摊规则、停止控制、评估数据，以及针对失败的明确责任归属。

知识工作者应预期，组织会审视哪些 AI 任务能够产生可衡量的价值。高活跃度本身，将越来越难成为持续支出的充分理由。

EY 在 google news 中的出现，反映了企业 AI 的更广泛转变。采用率不再是唯一的头条指标。企业越来越需要解释其 Agent 产出了什么、失败的成本是多少，以及谁能够叫停它们。

据报该部门值得关注，因为它将这一责任置于 AI 战略的中心附近。但它尚不值得提前庆祝。

未来三个月，请关注 EY 的正式组织架构、工作流层面的证据和竞争合作关系。这些信号将表明，Agent 经济学会成为一种运营纪律，还是仍只是一个吸引人的名称。

如果你的组织已经运行 AI Agent，请直接问一个问题：谁能说明一项成功任务的总成本，并为其计算方式辩护？如果没有人能做到，控制问题其实已经出现。