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。

在给检索定价前，先决定它要检索什么。我们的 AI 就绪企业 Wiki 指南定义了这份成本模型所依赖的权威知识、权限与审核架构。

想知道贴合你实际环境的成本？

预约免费咨询

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？

这是一个小型自管 RAG 助手的 2026 年示例预算。区间是场景假设，不是市场均值或供应商报价。投入前应按最新价格和实测 token、存储、请求、副本及服务等级重新计算。

构成	它是什么	大致月成本	说明
Embedding（初始 + 更新）	把你的文档变成向量，使其可被检索	~$0 到 $30	截至 2026 年 9 月 2 日，OpenAI 列出的 text-embedding-3-small 单价为每 1M token $0.02，text-embedding-3-large 为 $0.13。按此价格，一次处理 100M 输入 token 分别为 $2 或 $13；更新成本取决于变化量。
向量数据库	存储并检索这些向量	~$0 到 $150+	免费档可覆盖原型。Pinecone、Qdrant Cloud 和 Weaviate Cloud 分别采用用量、容量、最低消费或专用资源等不同模式，因此不存在可靠的通用起步价。自托管只是把服务账单换成计算与运维成本。
LLM 回答 token	根据检索到的上下文写出每个回答的模型	~$20 到几百	可变的那一项。由每天查询数乘上下文大小乘模型单价决定。中端模型加上精简的上下文能把它压小；把每个查询都路由到带臃肿上下文的 frontier 模型，就是它爆炸的方式。
检索 + 编排	胶水层：查询处理、重排、权限过滤	~$0 到 $40	大多是你自己的算力。可选的重排器会增加少量每次查询的成本；带权限的检索增加的是延迟，不是太多花费。
托管	应用服务器、API 网关、日志、监控	~$20 到 $100	一个小容器加一个托管网关。在你扩大用户量之前，金额温和且平稳。
维护	保持其正确：连接器维护、评估运行、模型升级	真正的数字	它包括工程与审查时间，一年内可能超过基础设施。诚实的预算应实测此项，而不是将其忽略。

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。

自管部署把这个关系反过来。每次查询的成本很低，你只为实际运行的部分付费，但也要承担搭建和维护工作。盈亏平衡点不只取决于席位数，更取决于控制权。一旦你需要让权限检索严格遵循 SharePoint 和 Confluence 的访问规则，或者数据不能离开自己的基础设施，现成产品的席位价格就不再是全部成本。我们在如何在内部铺开 AI 而不造出没人用的摆设中进一步分析了这一部署决策。

DACH 数据驻留在哪里会增加成本？

对 DACH 公司而言，数据位置是法律与技术设计的一部分。GDPR 并未一概要求只能在欧盟处理；第 V 章允许基于充分性决定或适当保障进行第三国传输，同时仍须完成其余处理评估。EU AI Act 也没有设立通用数据驻留要求。合同、行业规则、客户政策、保密义务或所选传输机制，仍可能要求具体部署只能在欧盟处理。

欧盟数据区或单一区域端点。Microsoft Foundry Data Zone 在定义的欧盟数据区内处理，单一区域部署则在所选区域处理。模型可用性、配额、SLA 与价格可能不同，因此应比较具体模型和区域，而不是假设固定驻留加价。
托管在欧盟的向量库和应用。区域固定可能只是配置，也可能需要不同服务档，或在某产品中不可用。它会影响价格、冗余、出站流量、容量和运维设计。
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。

从一开始设计时，驻留与传输控制就是明确的预算输入。事后增加时，可能需要数据迁移、更换供应商或重建架构。

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。

项	方向性月成本
Embedding（一次性批量 embedding 之后的每晚增量）	~$5 到 $20
托管向量库（生产档，欧盟区域）	~$50 到 $150
LLM 回答 token（中端模型，精简上下文）	~$60 到 $250
托管、网关、监控	~$30 到 $100
基础设施小计	~$150 到 $520 / 月
分摊到 50 个席位	~$3 到 $10 每席位 / 月
维护（工程师时间，摊销后）	一年里占主导的那一项

在这些假设下，基础设施小计约为每个活跃席位每月 $3 到 $10。这只是每月 11,000 次查询场景的算术，不是 DACH 基准。维护、身份、安全、备份、支持、税费和人力均不在小计内。

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。
缓存实测重复项。只有日志显示输入可重复且权限安全时才缓存，并为文档和权限变化定义失效规则。更深入的 token 机制见如何在 2026 年降低 LLM token 成本。
按新鲜度 SLA 索引。依据业务对过时答案的容忍度选择每晚、事件驱动或近实时同步。Embedding 成本取决于变化的 token 量。

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。

最终思考

内部助手不存在通用的 DACH 每席位价格。在 50 个席位、每月 11,000 次查询的示例中，给定假设得到每个活跃席位每月约 $3 到 $10，尚未包含维护、身份、安全、备份、支持、税费和人力。应以实测用量和实时供应商价格重算每一项。

仅在欧盟处理并非 GDPR 或 AI Act 的通用规则，但合同、传输保障、行业义务或公司政策可能要求这样做。先确定法律与技术边界，再核算符合条件的部署。持续跟踪查询、token、检索规模、embedding 变化量、向量用量和维护成本。

想要一份贴合你基础设施的算账方案？

预约免费咨询

本指南使用的主要来源

供应商价格与部署可用性会变化，批准预算前请重新检查以下实时页面。