企业AI选型认知刷新：大模型性能并非核心决策指标

当前越来越多企业启动生成式AI落地部署，不少机构陷入盲目追捧头部旗舰大模型的误区。业内最新调研显示，企业自身数据质量、工作流适配度、系统集成可靠性对AI落地效果的影响权重超70%，远高于所选大模型本身的性能参数，行业人士建议企业优先选择可满足业务需求的最低成本大模型启动落地。

打开各大云厂商的AI服务列表，从GPT-4o、Claude 3 Opus等旗舰级大模型，到参数仅数十亿的开源轻量模型，仅大模型调用成本就能相差20倍以上，这让不少负责企业AI项目的CIO陷入选型困境：到底该花大价钱选头部模型，还是用性价比更高的中小模型？

据不完全统计，2024年国内已对外开放的大模型产品超过200款，参数覆盖从1B到万亿级，调用价格从每千tokens几分钱到几块钱不等。不少企业的选型逻辑仍停留在“参数越高效果越好”的认知上，某零售企业此前为搭建智能导购系统，直接采购了某头部大模型的年度服务，仅年服务费就超过80万，但上线后发现模型对自有商品库的识别准确率不足60%，还要投入额外的人力做数据标注和适配，最终项目上线3个月就被叫停。

类似的案例不在少数，不少企业为了“一步到位”选择最贵的旗舰模型，却忽略了自身内部的配套能力，最终导致AI项目投入大、产出低，甚至直接搁置。