客户越多利润越薄？AI正在悄悄吃掉IT公司的毛利

签下一份新合同，多了一个客户，季度数字更好看——这是大多数IT服务公司创始人眼里的增长。但庆祝会上很少有人问一句：服务这个客户，我们到底花了多少钱？

过去几十年，这个问题的答案是可预测的。多一个客户，就多几个工程师、几台笔记本、一个项目经理。成本随收入线性增长，只要报价单健康，毛利就健康。AI把这条线掰弯了，而且对很多普通IT公司来说，是往错误的方向弯。

成本没有消失，只是换了地方

先对乐观派公平一点。AI确实在很多环节减少了工作量：开发者几秒钟拿到代码初稿，测试用例可以自动生成，文档和发布说明从几小时变成几分钟，一线支持可以交给聊天机器人，常规分析和报表也能自动化。这些收益是真实的。

问题出在收益出现之后。当你消掉一种成本，很少会归零，通常是换来另一种成本。在AI辅助交付里，成本结构发生了几个方向的位移：

• 固定成本变成了变动成本。开发者的工资不会因为他写100行还是1000行而变化，AI用量会。每一次提示、每一次生成、每一次自动化测试运行，都可能产生使用费。大团队、多客户的高频使用，会带来一张随活动量而非人头数增长的账单。这让成本更难预测，也更难塞进一份固定报价的合同里。
• 审查成了新的瓶颈。AI产出很快，但总得有人检查。生成的代码看起来正确，却可能藏着安全漏洞、性能问题或细微的逻辑错误。做这件事的通常是高级工程师——楼里最贵、最稀缺的资源。过去一个初级开发者干两天的活，现在可能是机器十分钟加高级工程师两小时。更快了，但真像表格里承诺的那样更便宜吗？往往不是。
• 数据工作是隐藏的冰山。大多数AI项目其实不是关于模型的，而是关于数据的：清洗、组织、保护、让它可用。实践中，预算就是死在这里。客户以为自己的数据是现成的，很少是。每个新客户带来的是一团不同的乱麻，每团乱麻都需要定制化投入。这不是一种能随规模缩小的成本。
• 人才更贵也更专。能构建、评估和维护AI系统的工程师要价更高。同时，现有员工需要培训才能跟上。两者都是真实支出，而且都不会作为一行明细出现在任何客户的发票上。
• 治理和风险增加了开销。客户现在会问一些硬问题：我们的数据去哪了？用的是哪个模型？输出错了谁负责？回答这些问题需要法务审查、安全评估、文档，有时还要定制合同条款。每个新客户都带来自己版本的问题，这些开销随客户数量增长，而不是随合同金额增长。

两头挤压：价格往下压，成本往上顶

把两边放在一起看。一边是单项目收入承压。客户知道AI存在，看过演示，期待更低的费率、更短的周期、更小的团队。采购部门在合同起草前就开始索要"AI效率折扣"。

另一边是服务成本变得更复杂，往往更贵。用量账单、高级审查时间、数据准备、专业人才、合规工作，全部叠加起来。这就是毛利挤压：价格从上面压，成本从下面顶，夹在中间的利润随着每一个新客户变薄。

痛苦的转折在于，增长会让情况更糟，而不是更好。现在拿下一个新客户，意味着更多定制数据工作、更多治理对话、更多审查负担。如果你的合同是按时计费，或者为了赢单而低价，每个新客户都可能悄悄变得比上一个更不赚钱。

为什么普通公司感受更强烈

大型全球玩家靠规模消化这些成本。他们有自研平台、谈好的云费率、可复用的加速器、专门的治理团队，每多一个客户的成本确实在下降。小型专精公司靠深度专业能力收高价活下来，客户为稀缺性买单，不是为工时买单。

夹在中间的公司两头不占：定价权有限，因为服务看起来和竞争对手差不多；没有可复用平台，每个项目几乎从零开始；高级人才储备薄，审查瓶颈格外疼；对真实成本几乎没有可见度，因为从来没认真追踪过。他们在增长收入，有时增长得还挺好看，但每个客户的利润在悄悄缩水。等它出现在季度数字里，伤害已经造成了。

五个警告信号

怎么知道这事正在发生在你身上？看这几个信号：

1. 收入涨了，毛利率却持平或下降。
2. 云和工具账单的增长快于人头增长。
3. 高级工程师超载，花在审查和修错上的时间比设计还多。
4. 试点和概念验证越堆越多，但很少走到生产。
5. 你回答不了一个简单问题："交付那个项目，我们实际花了多少钱？"

如果两条以上听着耳熟，在下一次增长冲刺之前，你的服务成本值得认真看一眼。

怎么打破挤压

好消息是，这是商业模式问题，而商业模式可以重新设计。做得更强的公司在做这几件事：

把服务成本真正测出来。先按客户拆解交付成本：人员时间、AI工具许可、算力用量、审查工时、返工、支持。看不见的东西修不了。很多负责人会发现，一两个"大客户"在算上AI成本后其实在亏钱。

按价值定价，而不是按投入定价。如果一个任务现在只要三分之一的时间，按小时计费就是在惩罚自己的效率。固定价格和基于结果的合同让你留住一部分生产力收益。客户得到可预测的结果，你因为交付了结果而拿到报酬，而不是因为花了多久。

构建可复用资产。每一个你构建一次、之后复用的集成、工作流或加速器，都在降低下一个客户的成本。这是让服务成本随增长下降的唯一可靠办法。把可重复的工作当成产品，而不是项目。

像管水电费一样管用量。为每个项目设定AI使用预算，为合适的任务选合适的模型，而不是默认用最贵的那个。按周监控消耗，而不是按年。这里的一点纪律能避免月底的意外。

把培训当作成本控制手段。没受过训练的团队用AI工具效率很低：提示含糊、反复重试、不检查输出、昂贵的返工。受过训练的团队用更少的迭代拿到更好的结果，更早发现错误。结构化的实用AI技能培训，单靠减少浪费往往就能回本。

更仔细地筛选客户。不是每个客户都值得赢。有些带来的是混乱的数据、不清晰的目标和不切实际的价格预期。学会早点识别，要么把风险定进价格，要么走开。一本小而赚钱的客户账，好过一本大而失血的账。

往更高价值的工作移动。当常规交付变便宜，价值就转移到判断力上：架构决策、业务理解、风险管理、对结果负责。建立起这种能力的公司可以为此收费，而这恰恰是AI最难以替代的部分。

给负责人的快速自查

在下一次增长会议之前，试着诚实回答这几个问题：算上AI相关成本后，我们按客户划分的毛利率是多少？哪三个客户相对他们付的钱，服务成本最高？我们有多少交付工作可以打包复用？我们的合同是奖励效率，还是惩罚效率？每个团队负责人是否清楚AI用量对公司意味着什么成本？

如果大部分问题答不上来，你并不孤单。但能答上来的公司，才会在压力加剧时依然保持盈利。

AI没有让IT服务变成更差的生意，它让这门生意的旧记账方式变得不可靠。当交付从纯人力转向人、模型和用量账单的混合体，服务每个客户的成本就不再遵循旧模式。危险不在于AI很贵，而在于普通公司一边追逐收入增长，一边没注意到每个新客户的服务成本正在变高。赢家不会是采用AI最快的公司，而是那些看懂自己的数字、重新设计定价和交付方式、并构建出让下一个客户比上一个更便宜的资产的公司。增长仍然是目标，但在AI时代，要问的不只是"我们赢了多少新客户"，而是"每一个客户，实际花了我们多少钱去服务"。