去年年底，我帮一家中型公司做了一次 AI 工具梳理。
他们的情况大概是这样：研发团队用 Cursor，运营团队用 ChatGPT，法务那边有人在试 Kimi 审合同，老板偶尔用 Claude 写报告。每个工具都接了，每个人也都在用。
但当我问：「你们每月 AI 的总支出是多少？」
没有人知道。
再问：「那你们最好用的那个合同审查提示词，现在存在哪里？」
法务的同事想了一下，说：「在小李的账号里，但小李上个月离职了。」
| 工具都接好了。但谁在管这些工具？谁知道花了多少钱？谁保证人走了东西还在？ |
|---|
二、这不是个别现象
我后来发现，这种情况极其普遍。
企业里用 AI 的人越来越多，但管 AI 的基础设施几乎为零。原因很简单：ChatGPT、Claude 这些工具，都是为个人设计的。账号是个人的，对话记录是个人的，调校好的提示词也是个人的。
对个人用户来说，这很合理。对企业来说，这是一个结构性问题。
| ✕ 用了 AI 之前 | ✓ 搭了 AI 底座之后 |
|---|---|
| • 提示词存在员工个人账号里• 离职带走 AI 经验，团队从头开始• 各部门各用一套，IT 维护 N 个接口• 每月账单一堆，不知道钱花在哪 | • 所有 AI 资产统一归组织所有• 人员流动，能力和工作流留下来• 统一接入，一套权限管所有模型• Token 消耗精确到人、部门、应用 |
三、市场上出现了一类产品
最近和一些开发者朋友聊，发现大家都在关注同一类东西——不是又一个大模型，也不是又一个 AI 写作工具，而是专门为企业搭「AI 底座」的平台。
其中我研究比较多的一个是 ZGI（zgi.cn）。定位很清楚：企业 AI 中台——把散乱的 AI 能力统一接入、统一管理、统一运行。
用他们自己的话说：「不是又一个 AI 工具，是让企业所有 AI 工具跑起来的那一层。」
| 核心逻辑是：模型在上面跑，数据在上面沉，流程在上面转，成本在上面管。 |
|---|
| 重点一 可视化 Agent 编排——工作流不再靠人维护 |
|---|
开发者最熟悉的痛点之一：一个 AI 工作流调试好了，过两个月需求变了，或者团队换了人，就得重新从头搭。
ZGI 的可视化编排解决的是这个问题——工作流以可视化节点图的形式存在组织账号里，条件分支、并行执行、模型调用都可以拖拽配置，任何人都可以在权限范围内查看、复用和修改。
不是让业务人员「也能搭 AI」（这个有点虚），而是让工程师搭好之后，工作流真正成为组织的资产，而不是某个人的私有脚本。
| 重点二 统一多模型网关——一个接口，接入所有模型 |
|---|
另一个让开发者比较感兴趣的功能：统一网关。
现实情况是，很多公司同时在用 GPT-4、DeepSeek、通义这几个模型——不同场景用不同模型，成本和效果各有侧重。但每接一个模型，就要维护一套 SDK、一套鉴权、一套调用逻辑。
ZGI 的统一网关把这个问题解掉了：上层应用只调一个接口，底层切换或新增模型，业务代码不用动。还有一个细节是 Token 消耗的精细归因——能精确追踪每个应用、每个用户调用了哪个模型、花了多少钱，这个对做成本管控的团队来说是刚需。
四、为什么现在需要想这个问题
有一个容易被忽略的事实：企业 AI 工具的数量，在接下来两三年会持续增加。
今天不建底座，以后要补的债会更大。
就像十几年前企业不上 CRM，客户关系全靠销售的人脉维护；后来销售一走，客户跟着走。现在很多企业面对 AI 能力，正在重演同一个故事。
| AI 工具会越来越多。真正的竞争力，是那层让工具跑起来的底座。 |
|---|
感兴趣的话，可以去 zgi.cn 看一下。不是广告，就是觉得这个方向值得关注。
