一天 100 多亿 token背后，帆软怎么管 AI？

AI进入组织后，成本要算清，数据和权限也要管住。

图片由 AI 生成

文 |燕子

帆软这样一家成熟的 ToB 软件公司，到了 AI 时代，会发生哪些不一样的变化？

它做了很多年报表、BI、数据分析和企业数字化，年营收超 17 亿，组织规模 2000 人。

这样的公司进入 AI 时代，外界最容易先看到产品变化：

• BI 会不会被 AI 重写，

• 数据分析会不会从看板走向对话，

• FineBI NEXT 这样的产品会怎么演进。

但真正进入组织内部，问题会变得更具体。

AI 进入帆软后，产品形态会变，内部流程、数据治理、产研协作、客户交付和组织管理也会跟着变。

它让员工更快做出报告、demo 和 Agent，也让信息化团队开始面对新的成本、权限、安全和价值评估问题。

跟帆软 CIO 杨扬聊下来，我发现他在反复提醒一个更基础的问题：AI 当然会让企业变快，但企业能不能因此做出更可信的判断，是另一回事。

在帆软内部，AI 已经不是少数人的尝试。

杨扬说，最早公司里只有几个人在一个群里聊 AI，现在这个群已经有 1000 多人。从一号位到各个岗位，大家都在用 AI。

帆软 2025 年全年用了约 72 亿 token。到了现在，一天就有 100 多亿 token 消耗。如果把外部订阅、报销类工具也算上，可能还要再翻一倍。

这是一家成熟软件公司真正开始大规模用 AI 之后，才会遇到的问题：AI 不再只是工具热情，它开始变成一种组织成本、一种生产资料，也变成新的管理对象。

01

先在自己公司里找客户

帆软内部做 AI，有一个很清楚的路径。

2023 年到 2024 年，AI 更多以问答、文字处理的方式进入。

帆软先做了一些文字处理类场景，比如帮助文档 AI 助手、电销电话总结、客服和客户交流总结。

这些场景有共同点。

它们都能转成文字，每天量很大，投入的人也多，而且容易出错。比如客服和技术支持跟客户交流，事后记录质量很难管控，员工往往要下班后才有时间整理。

到了 2025 年，DeepSeek 带来的成本下降，让帆软开始更系统地把公司数字化和产品联动起来。

杨扬说，帆软现在很多 AI 产品，基本都要先在公司内部用起来，再对外看能不能产品化。内部就是最容易找到的客户。

这句话值得 ToB 软件公司琢磨。

成熟软件公司和 AI 创业公司不一样。

它有客户，也有自己的销售、客服、产研、财务、人事、数据和流程。公司内部本身就是一个复杂组织。先在内部跑通，不只为了降本增效，也是在找真实场景，验证产品假设。

帆软的谋士（MOSS）就是一个例子。

它原来是战略洞察里的一套 BI 看板，后来在内部做成机器人，再结合外部数据，逐步变成独立产品。

内部首先是产品试验场，更是宣传样板。这个路径很务实，也很帆软。

02

AI 用的越多，越要算账

杨扬没有把 AI 讲成一个宏大叙事。

他反复回到一个问题：企业为什么要做这件事？它对营收、降本增效、业务指标到底有什么帮助？

他说，企业本质上是一个理性的决策组织。哪怕一开始被焦虑裹挟，事后还是会追问产出。

这可能是很多企业正在经历的现实。

老板焦虑，预算下来了，IT 或数据团队开始推进 AI。工具买了，token 消耗榜有了，AI 费用榜也有了，但最后很难讲清楚到底带来了什么业务结果。

帆软内部已经开始管 AI 预算。

个人有个人额度，团队有团队预算，专项有专项预算。杨扬甚至提到，有些个人额度就是允许你去浪费，但超过之后，就要自己充值或者走团队审核。

这听起来很细，却很关键。

AI 的成本不像以前买一套软件，买完之后主要看使用率。它是持续消耗的。每一次调用、每一个模型选择、每一次外部订阅，都在花钱。

员工越会用 AI，企业越需要回答：钱花在哪里，值不值，谁负责，能不能沉淀成组织能力。

杨扬有一句话说得很直白：AI 会让员工更快写报告、做 demo、搭 Agent，但它不会保障你的业务结果。

所以业务结果要在立项之初就判断，做完之后再验收。否则 AI 转型很容易变成一场热闹的内部运动。

03

数据问题会被 AI 放大

帆软是做 BI 和数据分析的公司，杨扬讲得最透的，还是数据。

他说，以前公司开经营分析会，前 30 分钟常常在吵数据口径。一个销售额，不同部门可能有不同算法。有人去掉某类客户，有人筛掉某些订单，每个人都有自己的理由。

AI 出现之后，这个问题不会自然消失，反而会更明显。

以前大家拿 Excel、PPT 来讲，至少还能追问是谁做的表。现在每个人都可以让 AI 生成一份很好看的报告。可领导真正关心的是：这个数据能信吗？来源在哪里？谁对它负责？

杨扬举了一个很真实的例子。

Neuters

如果是绩效、提成这类数字，哪怕错一块钱，当事人都可能觉得自己被坑了一万。经营分析也一样，一个指标出错，领导可能会怀疑整篇报告。

所以他一直说，有些苦活绕不开。

销售额到底由谁定义？出了问题先找谁？是系统问题、业务流程问题，还是口径问题？数据在哪里用，谁能看，能看多少？这些机制过去要建，AI 时代更要建。

AI 可以让一个人完成以前几个人做的事情，也能让分析流程更快。

但如果没有口径、权限、责任和纠错机制，它也可能更快地生成一堆不可信但逻辑更严谨的内容，俗称“有逻辑的犯错”。

对 BI 产品来说，这才是 AI 时代真正的分水岭。

问题不只在于能不能生成图表，还在于生成之后，企业敢不敢拿它去开会、复盘、追责和决策。

04

业务人员开始拿 demo 找 IT

AI 也改变了业务和 IT 的协作方式。

Neuters

以前业务方提需求，通常是描述自己的想法、场景和诉求。

现在不一样了。杨扬说，业务人员可能直接做一个 demo，做不下去了，再扔给 IT。

这说明业务人员的动手能力变强了，但对 IT 来说，问题也更复杂了。

业务人员拿来的 demo 背后，究竟有没有真实需求和清晰的业务目标？如果需求本身不成立，IT 接手后，只会多出一笔开发和维护成本。

即使需求成立，也要判断是否值得继续投入。比如，用昂贵的模型解决一个很小的问题，token 成本同样需要算账。

这种变化并不只发生在 IT。

产研流程里，产品和研发沟通、研发和测试沟通、测试上线后服务线定位问题，都在被 AI 改造。营销流程里，合同管控、机会管理、标书控制，也有大量 AI 场景。

AI 把很多单点工作做得更快，也让组织更需要判断力。

杨扬对 Vibe Coding 和 AI Coding 做了一个区分：

• Vibe Coding 更像业务人员用自然语言生成页面或系统；

• AI Coding 则是专业研发用 AI 辅助工程实现。

帆软自己也用 Vibe Coding 写过一些平台。

早期确实很快，但并发一上来就会卡死，后面还是要专业产研团队重构架构、性能和稳定性。

这也是成熟 ToB 软件公司做 AI 很现实的一面。

原型可以很快，但真正进企业系统，就要面对权限、性能、并发、安全、架构和长期维护。AI 让动手门槛降低了，但没有取消工程纪律。

05

这次和杨扬聊下来，我的感受是：帆软在 AI 上行动很快，判断却很冷静。

它当然在用 AI，也在做自己的 AI 产品和平台。内部从几个人用 AI，到 1000 多人在群里交流；从文字处理专项，到悟帆（WUFAN）、谋士（MOSS）、Agent 分级和 token 预算。这个推进速度并不慢。

但杨扬一直在提醒另一面。

AI 会让组织运转得更快，也会让原有的问题更早暴露出来：

• 数据口径原来不统一，现在会更难被忽略；

• 权限原来藏在系统页面里，现在要下沉到数据和接口；

• 业务原来只是提需求，现在能直接做 demo；

• IT 原来管系统，现在还要管 Agent、token、安全和价值。

所以，AI 转型不是简单追求“用了多少工具”。

对 ToB 软件公司来说，更值得看的，是它能不能把内部真实场景跑起来，把成本算清楚，把数据责任理清楚，把业务人员的动手能力接住，再把这些经验沉淀回产品。

杨扬说，帆软做流程和 AI，分为两块。

Neuters

大部分时候，差不多 80% 的精力是提高底线和及格线；

另外 20% 的精力，去追求突破天花板式的创新。前者是场场必胜，后者是十不存一，两者并行。

这句话也许没有那么刺激，却很适合成熟软件公司。

AI 带来的真正变化，很多时候不是让一家企业突然变成另一家公司。

它会让企业重新审视那些最基本的东西：数据是否可信，流程是否清楚，责任是否有人承担，投入是否能被验收，产品是否真的解决客户问题。

这些基本功，以前绕不开。到了 AI 时代，更绕不开。

栏目介绍

本文为《ToB 软件 / SaaS 企业 AI 转型组织白皮书》的样本访谈采访手记。帆软在 AI 时代的转型组织样本将收录于白皮书。