2026 年 DACH 地区的内部 AI 助手到底要花多少钱

管理者会问一个简单的问题：一个覆盖公司文档的内部 AI 助手，按人按月到底要花多少钱？得到的回答通常是两种没什么用的说法之一。要么是一个吓人的五位数，背后假设了一个没人需要的自托管 GPU 集群；要么是一个轻描淡写的“几乎不要钱，token 现在很便宜”。两者都不对，因为一个覆盖 SharePoint、Confluence 和 Google Drive 的 RAG 助手，真实成本不是一笔大开支。它是好几笔小开支，外加所有人都会忘记的那一项：把它持续维持运行。

这是工程与流程视角，不是供应商推销。这里讲的是把 AI 在内部铺开，和为你的客户构建 AI 产品是不同的活儿；内部搭建这一侧我们放在 AI Enablement 下做。下面的数字是方向性的，取自 2026 年的公开价格，你的数字会有出入。在做预算之前请重新核对当前价格。

到底是什么在推高内部 AI 助手的成本？

几乎所有人都盯着 LLM 账单，而对一个内部助手来说，那很少是最大的一笔。成本由三件你在花掉第一个 token 之前就能掌控的事情决定：

• 有多少人用，用得有多猛。十个每天查询 30 次的重度用户，比 200 个每周打开两次的偶尔用户花得更多。重要的单位是每天的查询数，不是人头数。
• 为了回答它要读多少。每个回答都会把检索到的文档片段塞进 prompt。每次调用塞进十页上下文，你的输入 token 账单就翻倍，哪怕问题只有一行。
• 索引要多新。文档一改就立刻重新 embed，比每晚同步一次更贵。大多数内部知识不会分分钟变化，这是大多数团队白白放掉的一笔节省。

先把这三个假设写到纸上。它们对月账单的影响，比你之后做的任何供应商选择都大。

成本构成，逐项来看是哪些？

这里是一个自管 RAG 助手的完整成本项，附 2026 年的方向性区间。请把数字当作公开价格的快照，而非报价，并在投入前重新核对。

注意这个规律。2026 年，基础设施那几行便宜得出人意料。决定这个项目值不值得的成本在最后一行，而它正是任何供应商报价都不包含的那一项。

"向量库和 token 是便宜的部分。贵的部分是那个在文档变化之后还把回答保持正确的工程师。把这一项预算进去，否则项目会烂掉。"

自建还是购买：到底哪个更便宜？

那些打包好的“覆盖你知识库的 AI”产品会报一个按席位的价格，往往落在一个付费生产力席位的区间里。这干净、可预测，对一个文档很通用的小团队来说，可能就是对的选择。代价出现在两处：不管一个用户一个月查一次还是一天查五十次，你都按席位付费；而你的数据路由和检索逻辑，是供应商替你定的。

自管 setup 把这个关系反过来。每次查询的成本很低，你只为实际运行的部分付费，但你要扛起搭建和维护。盈亏平衡点不只看席位数，而是看控制权。一旦你需要镜像你 SharePoint 和 Confluence 访问规则的带权限检索，或者数据不能离开你的基础设施，现成的按席位价格就不再是故事的全部了。我们在如何在内部铺开 AI 而不造出没人用的摆设里更深入地谈了这个铺开决策。

DACH 数据驻留在哪里会增加成本？

对一家 DACH 公司来说，问题很少是能力，几乎总是数据去了哪里。在 GDPR 和 EU AI Act 之下，个人数据、客户记录和内部文档通常不能发往一个在欧盟之外处理的模型端点。这个约束会在几个具体的地方增加成本，只要你提前规划，没有一处是致命的：

• 欧盟区域的模型端点。主流供应商提供欧盟数据驻留选项（例如位于 Sweden Central 或 Germany West Central 的 Azure OpenAI Data Zone 部署）。处理成本大体与标准价相当；在适用加价的地方，欧盟区域的加价通常是温和的，而不是翻几倍。
• 托管在欧盟的向量库和应用。把向量数据库和应用服务器固定到一个欧盟区域，是个配置选择，不是一个价格档。它主要是把最便宜的全球选项从桌面上拿走，从而把托管成本稍微推高一点。
• 合规工作本身。真正的驻留成本是这套审查：数据处理协议、处理活动记录，以及确认没有任何来自欧盟之外的维护访问能触及数据。这是一次性投入加上一笔较小的经常性复核，而在设计阶段做远比事后改造便宜。

从一开始就做，驻留是个几乎不动每席位数字的设计选择。事后才加，它是一次重建，那是昂贵的版本。

按席位按月到底多少钱，来算一个例子？

仅供示意。你的数字会有出入，在你相信它之前应当重新核对当前价格。重点是账单的形状，不是确切的数字。

假设一家 DACH 公司有 50 个活跃用户，每人每天大约 10 次查询（每月约 11,000 次查询），语料库为几十万个文档片段，由一个欧盟区域的中端模型以精简检索（每个回答取少量片段）作答，每晚重新索引，并使用一个托管向量库。

所以一个 50 席位内部助手的运行基础设施，常常落在每席位个位数欧元的区间。这个数字会让那些原本预期四位数月账单的人吃一惊。代价在我们留到最后的那一行：维护是把一个看起来便宜的 setup 变成真实年度成本的东西，也是决定这个助手是否还可信的东西。

怎样在不让它烂掉的前提下保持便宜？

让生产级 AI 构建保持可负担的那套纪律，在这里同样适用。成本杠杆，按它们见效的顺序：

• 路由到最便宜的够用模型。大多数内部问题用不上你最贵的模型。把 frontier 模型留给困难的少数，每次查询的成本就会大幅下降。
• 检索得更少、更精准。最大的单项 token 浪费，就是往每个回答里塞太多片段。好的检索加上一个重排器，给模型发去几段相关片段，而不是十页。这是对 LLM 那一行影响最大的杠杆。
• 缓存重复项。内部团队问同样的那几个问题，远比面向客户的用户频繁，这让缓存格外有效。更深入的 token 机制见如何在 2026 年降低 LLM token 成本。
• 按计划重新索引，而不是每次敲键。每晚或接近实时的同步，对大多数内部知识已经足够，并能把 embedding 开销压到接近零。

有一条任何成本表都捕捉不到的谦逊提醒：一个悄悄给出错误答案的便宜助手，是所有结果里最贵的。你需要一个评估集，一种在文档变化之后衡量回答质量的方法，以及一个以盯着它为本职的人。那条维护项不是可有可无的填充。它是“团队信任的工具”和“团队不再打开的工具”之间的分界。我们在像 Twinsoft AI 这样的生产 AI 工作中看到了同样的纪律见效，正是那个评估框架让成本优化变得安全。