随着企业将人工智能（AI）从实验阶段推向实际应用，一系列新挑战正浮出水面。在近日举行的Akamai亚太媒体交流会上，多位高管指出，企业不再满足于讨论“该选择哪个AI模型”，而是更关注如何安全、可靠且经济高效地部署AI，并实现规模化应用。这一转变标志着AI投资进入更务实的阶段，企业开始重新审视IT预算分配，将资源向能带来实际业务价值的项目倾斜。
Akamai亚太区高级销售副总裁李昇观察到，亚太市场对AI的关注已从“是否投资”转向“如何运营”。他指出，不同市场的推进节奏存在差异：日本、澳大利亚等地的企业更多依赖成熟的基础设施和治理能力，而中国、印度等市场则涌现出大量数字化原生企业，快速从试验走向规模化。真正拉开差距的，不再是是否使用AI，而是能否以安全、可靠的方式实现规模化部署。这种转变也促使AI预算从独立项目纳入企业整体IT支出，覆盖基础设施、数据、安全、应用及人才等多个领域。
成本管控成为企业部署AI的核心议题之一。李昇提到，企业需从整个工作流角度计算成本，而非仅关注模型调用价格。通过自行管理模型、部署定制化开源模型及加强使用治理，企业可有效控制推理成本。例如，某企业通过优化AI工作流，将性能提升30%，同时成本降低20%。这表明，企业正从“计算单个Token成本”转向“评估整体工作流效率”。
传统云计算架构的局限性在AI规模化应用中日益凸显。Akamai云计算首席技术官Jay Jenkins指出，实时AI要求计算资源靠近用户，而传统云计算的“数据引力”模式可能导致延迟累积。他举例称，多智能体系统可能将一项任务拆解为数百次请求，若每次推理都需返回中心云，延迟可能从毫秒级累积至数十秒。因此，“靠近用户”成为关键，但并非所有任务都需部署在边缘。
Jay Jenkins强调，灵活调度资源比单纯依赖边缘或中心云更重要。企业需根据延迟、成本、合规性等因素，动态选择计算位置。Akamai提出的AI Grid架构旨在通过编排层自动路由工作负载，利用其全球分布式基础设施优化资源使用。例如，某新加坡AI平台公司通过分布式部署，在业务初期使用CPU，后期切换至GPU，既控制了成本，又提升了性能。
安全风险随AI从“回答问题”转向“执行任务”而加剧。Akamai亚太地区安全技术与战略总监Reuben Koh指出，AI生态系统包含软件、硬件、人员及数据等多要素，智能体（Agent）的自主行动可能放大错误指令的影响。他提到，“影子AI”问题日益复杂，开发者可能将企业代码复制至AI工具，或使用未经验证的开源组件，导致安全漏洞。例如，GitHub上暴露的恶意软件包及被污染的npm组件，已成为企业需警惕的风险。
Reuben Koh认为，AI安全需采用纵深防御策略，覆盖基础设施、交互、API、身份及数据等多个层面。Akamai的解决方案允许员工使用自选工具，同时监控操作行为，如文件上传、复制粘贴及Agent活动，并在发现风险时及时干预。该公司正将AI技术嵌入安全产品，持续检测客户API及网络中的安全缺口，而非仅依赖定期扫描。
企业部署AI的挑战已从“选择模型”转向“优化运行环境”。如何在业务扩张中高效利用算力、控制成本并确保安全，成为关键问题。Akamai的实践表明，通过分布式架构、灵活调度及多层次安全防护，企业可更从容地应对AI规模化带来的复杂性。
