一項新的 VentureBeat Pulse Research 調查指出，企業 AI 出現日益擴大的落差：即使許多組織仍缺乏對現有 AI 運算實際成本的基本可視性，它們仍在提高基礎架構目標，並考慮更換供應商。

這項調查基於 2026 年 6 月單一波次、來自員工超過 100 人組織的 107 位受訪者，結果顯示，只有 21% 表示自己已在大規模 production 中執行 AI。然而，根據 VentureBeat 的報導，45% 計畫在未來一年評估 AI 專用雲端，64% 打算在 12 個月內更換或新增一個基礎架構供應商，38% 表示這可能在接下來一季就發生。同時，83% संचालन GPU 的受訪者回報使用率為 50% 或以下，只有 44% 表示他們嚴格追蹤 AI 運算的成本與回報。

這個組合之所以重要，是因為它暗示 企業 AI 的下一階段，可能較少由對更多硬體的原始需求所驅動，而更多由薄弱的成本儀表化、不成熟的部署做法，以及匆忙的採購決策所塑造。對建構者與企業買家而言，重點不只是 AI 預算在上升，而是支出似乎正跑在營運紀律之前。

仍處於部署早期的市場，已經開始準備重新上平台

這項調查最清楚的訊息之一，是許多公司在 AI rollout 上仍處於早期階段。VentureBeat 表示，76% 的受訪者仍在實驗，或只有部分工作負載已進入 production。這使得目前的基礎架構重組格外值得注意：組織更換供應商，並不是站在成熟且穩定的營運經驗基礎上進行。許多公司仍在搭建地基。

目前的使用仍集中在既有的大型供應商。VentureBeat 報導指出，Google Cloud 以 48% 領先目前 AI 基礎架構使用率，其他主要平台包括 Microsoft、AWS 和 Oracle，以及 Gemini、OpenAI 和 Anthropic 等模型供應商 API，共同構成了當前堆疊的大部分。相較之下，在 AI 基礎架構圈內備受矚目的專用 GPU 雲端供應商，包括 CoreWeave、Lambda、Crusoe 和 Nebius，在這份樣本中目前使用幾乎沒有，甚至沒有。

但未來的評估計畫與現況部署大不相同。根據調查，未來一年最常被提到的評估項目是 AI 專用雲端，比例為 45%。VentureBeat 也報導，32% 打算評估非 Nvidia 加速器，28% 計畫評估下一代 Nvidia 晶片。換言之，下一個支出週期不一定會加深現狀，反而可能測試其替代方案。

對企業 AI 團隊來說，這是一個重要區別。公司今天可能深度承諾於雲端 AI，但仍可在下一個預算週期研究新的基礎架構層、新的加速器類型，以及訓練與推論不同的成本結構。

買家更在意適配性與 TCO，而非單純的 token 標價

這份調查的採購訊號，可能比市場占有率快照更有價值。根據 VentureBeat，受訪者表示，在選擇 AI 基礎架構供應商時，與既有堆疊的整合是最重要因素，獲得 41% 提及，其次是總持有成本（TCO），為 35%。每百萬 tokens 的成本則低得多，只有 8%。

這個發現與把 AI 基礎架構競爭描繪成「最低單位價格競賽」的常見說法相悖。至少在這份樣本中，企業買家似乎更關心新基礎架構是否能與身分系統、資料管線、可觀測性工具、治理控制與既有合約相容，而不是表面上的 token 價格。

這也有助於解釋為何據報 Microsoft Azure 與 Google Cloud 在短期更換考量中各以 33% 佔前兩名，OpenAI 為 30%，Gemini 為 22%。VentureBeat 將此解讀為：短期內的大部分變動，可能是既有供應商之間在交換市占、或整合客戶支出，而不是快速轉向較新的專門供應商。

對產品團隊而言，這意味著單靠技術實力未必能贏得預算。能簡化遷移、整合帳單、改善治理，或讓企業採購更容易的供應商，可能比只專注於基準價格的廠商更有優勢。

證據指向的是問責問題，而不只是容量問題

這份報告中最強的數據也許是使用率。VentureBeat 表示，在有運作 GPU 的企業中，83% 回報使用率為 50% 或以下，49% 表示使用率為 25% 或以下。另有 8% 表示他們根本不測量使用率。

如果這些數字準確，代表大量昂貴的容量正閒置著。這在早期 AI 計畫中並不一定令人意外，因為團隊常會為了實驗而過度配置、在部署前先購買容量，或缺乏足夠成熟的工作負載排程器來讓系統保持忙碌。但這確實削弱了「只要更多 GPU 就能立刻解決大多數企業 AI 瓶頸」的說法。

會計面向看起來也同樣薄弱。根據 VentureBeat，不到一半的受訪者、也就是 44%，表示他們嚴格追蹤運算成本與回報。其他人則表示只追蹤一部分、目前還無法量化，或尚未把它列為優先事項。

綜合來看，這些結果支持文章的核心主張——「運算落差」：企業做出更快、規模更大的基礎架構決策，而其衡量系統卻無法為這些決策提供充分正當性。實務上，這可能意味著團隊在沒有清楚工作負載層級單位經濟的情況下，就批准了保留執行個體、GPU 叢集、模型 API 承諾或新的雲端合作。

對企業 AI 而言，這很重要，因為成本問題通常出現得很晚。概念驗證可以容忍模糊的經濟性；大規模推論產品則不行。如果組織不知道哪些工作負載在吃掉預算、哪些模型配置過多，或 GPU 排隊與記憶體限制在哪裡造成隱藏浪費，那麼下一階段的支出只會讓這些低效率更難被逆轉。

證據、方法論，以及仍然不確定的地方

這是一份有用的調查，但應謹慎解讀。VentureBeat 也指出，資料來自 2026 年第二季的單一波次，樣本為 107 位合格受訪者，應被視為方向性訊號，而非精準的市場測量。樣本是自我選擇的，偏向中型市場組織，且較傾向較早期的 AI 採用者，而非最大的 hyperscale 營運者。

這個提醒很重要，原因有幾個。第一，這份調查中的目前供應商使用情況，不等於全球企業 AI 支出市占。第二，受訪者所稱的更換意向，通常比實際更換行為更吵雜。第三，使用率與成本追蹤的回覆都是自我申報，而非獨立稽核。

一些更前瞻的說法也只是基於調查的態度，而不是已觀察到的市場結果。對 AI 專用雲端、非 Nvidia 加速器，以及分散式或主權運算的興趣，反映的是評估計畫，而非已承諾的採購。同樣地，對推論中的記憶體頻寬與 KV-cache 限制的擔憂，在先進部署中確實存在，但 VentureBeat 發現約五分之一的受訪者並不知道這個問題，這更說明買家的成熟度，而不是這個瓶頸何時會對某家企業變得緊急。

即便有這些保留，調查內部邏輯仍相當一致：早期採用者仍在建置，他們不滿到足以評估替代方案，而許多公司還沒有足夠的成本控制來好好判斷這些替代方案。

這對建構者與企業 AI 團隊意味著什麼

對基礎架構供應商而言，訊息很清楚：企業銷售越來越關乎營運可視性，而不只是能否取得加速器。能展現強大成本歸因、使用率報告、政策控制與工作負載編排的供應商，可能會比只賣原始容量的廠商更有吸引力。

對企業來說，優先事項也許需要從購買更多運算，轉向更好地衡量現有運算。這意味著工作負載層級的 chargeback、模型路由策略、GPU 排程、快取策略，以及在實驗、訓練與推論之間更清楚的分帳。同時也意味著，在比較模型 API 成本與自架經濟性時，必須把人力、整合、可靠性與治理額外成本都算進去，而不只是 token 價格。

對 AI 建構者而言，尤其是那些在 Google Cloud、Microsoft Azure、AWS 或 Oracle 上交付產品，同時又使用 OpenAI、Anthropic 或 Gemini API 的團隊，這份調查提醒大家：基礎架構選擇已不再只是背景決策。它會影響延遲、毛利、可靠性、法遵與產品路線圖的彈性。如果財務與工程無法共同看見這些取捨，架構決策就會由採購壓力，而不是由證據所驅動。

接下來要關注什麼

下一個要觀察的訊號，是受訪者所表達的評估興趣，是否會轉化為實際工作負載向 CoreWeave、Lambda、Crusoe、Nebius 或其他 AI 專用雲端的移動。第二個關鍵指標，是企業是否採用更正式的 AI 成本可觀測工具，而不是繼續靠雲端儀表板與部分報告來管理支出。

也值得觀察更換潮是否仍集中在 Google Cloud、Microsoft Azure、OpenAI 和 Gemini 這些既有者，或是擴大成有意義的加速器多元化。如果非 Nvidia 的評估最後轉化為部署，這將表示企業對效能、供應風險與成本控制的思考出現了更深層的轉變。

最後，請留意營運指標。如果未來調查顯示 GPU 使用率上升，且更多公司嚴格追蹤運算經濟性，那麼今天的超支可能只是暫時的成長痛。但如果沒有，企業 AI 可能會在下一輪擴張中帶著相同的可視性問題前進，只是帳單更大而已。

Creati.ai 觀點

這份調查最重要的洞察，不是企業想要更多 AI 基礎架構。這點早已顯而易見。更有價值的訊號是，許多買家如今已認知到整合與總持有成本才是真正的決策標準，但他們仍缺乏能有把握地衡量這兩者的儀表化能力。

這個落差為整個堆疊帶來機會。雲端供應商、模型平台、可觀測性廠商與內部平台團隊，都有機會把 AI 成本控制變成產品功能，而不是財務部門的事後補救。贏家可能是那些讓運算變得可讀的公司：不只是可用，而是可歸因、可治理，並且能輕鬆比較不同工作負載。對企業 AI 而言，更清楚的經濟性，可能會成為比下一次微幅降價更強的競爭優勢。