选推理供应商要看它能不能活到合同结束

谈一张三年期的推理合同，通常先谈单价，再谈用承诺换折扣。折扣拿到了，合同的另一半也在那一刻被锁住：未来三年里，你不只是买了算力，还把自己的架构押在了一家公司的现金回收周期上。10 月 14 日，Gartner 把这个周期写成了数字。

Gartner 给这件事算了一笔账

按 Gartner 的说法，如果 AI 供应商维持当前的资本开支节奏，到 2030 年底，超过 3.5 万亿美元的 AI 基础设施支出可能面临减值；把时间推到 2032 年，面临减记风险的资产价值超过 4 万亿。它给出的支出口径是：2026 年 AI 供应商预计在 AI 基础设施上花掉近 1 万亿美元，2027 到 2030 年再投 6 万亿。

它的判据不复杂：企业与消费者的 AI 收入不足以支撑全部这些资本开支取得可接受的回报。换句话说，问题不在需求多少，而在需求转化成收入之后，够不够覆盖已经买下去的资产。

落差有多大，可以从另一个数上看。对这份发布的二次报道写得比较清楚：数据中心要覆盖资本开支并达到 12% 的资本回报率，需要累计收入 8.5 万亿美元，而 Gartner 预测的收入上限是 3.6 万亿；在它所设的情形里，12% 的回报率最早也要到 2032 年底才可能出现。这两个数属于对 Gartner 模型的转述，引用时应写清它是分析口径，不是已发生的财务事实。

谁最先消失

Gartner 预计到 2030 年，超过 80% 的 neocloud 供应商将无法继续独立经营。它给的理由是这层厂商缺少超大规模厂商那种庞大且高度多元化的收入来源，撑不住一段回报不达标的时期。

超大规模厂商的位置不同。Gartner 的判断是它们的其他业务收入可以继续供养 AI 投入，即便 AI 这一块单独核算的回报不达标。把这两类厂商混在一起谈风险是不成立的，它们面对的是两种不同的账。

需求侧的数字并不悲观。Gartner 预计 AI 优化的 IaaS 支出会从 2027 年的 660 亿美元涨到 2030 年的 1740 亿，这是一条陡峭的上升线。它担心的是另一件事：不少算力供应商会在这一代 AI 芯片被替换之前收不回投资。收入在涨，资本回收是另一笔账，两者算的不是同一个周期。

这件事为什么会落到你的架构上

过去三年里，推理供应商的身份在架构上基本是个可以忽略的假设。价格不合适就换一家，改动通常落在一行配置或者一个 SDK 参数上。这种可替换性让「供应商是谁」看起来像一个常数。

如果有八成的某一层厂商会在五年内消失，这个常数就变成了一个带期限的变量。凡是把这个身份当常数的地方，现在都值得重新审一遍：预算模型里按一家的定价结构做的假设，容量规划里跨区域摆放的方式，数据驻留与日志存放的位置，运行的记录留在谁那里，以及合同里的服务水平条款。

症状往往不是断服那一天才出现的。它先出现在谈判桌上：为了拿到更低的单价，你签了最低用量承诺，把用量和一家的容量绑在一起；为了让模型表现稳定，你把版本锁定在对方的路由上；为了方便，日志与运行记录只留在对方平台。这些决定在当时都是合理的，它们共同的前提是这家公司会一直在。

签字前要问的五个问题

第一，转移条款。供应商被收购、重组或者退出这项业务时，合同与已购容量怎么处理，谁承担继续服务的义务。第二，容量承诺与罚则。最低用量如果没达到，罚则是什么；如果对方没给到承诺的容量，对等的是什么。

第三，模型版本与弃用通知期。你现在用的那个模型停服，提前多久通知，替代版本经过什么验收才能算等效。第四，数据、日志与运行记录的可导出性与格式，导出之后能不能被你自己的系统独立解析。第五，退出窗口。从提出退出到服务真正停止，中间有多少天可以完成迁移。

把这五个答案写进附件，而不是留在邮件里。对方含糊其辞也是一种答案，它说明这部分能力不在路线图上。折扣可以要，但要用承诺去换折扣时，先把迁移成本算出来放进同一个表里比较。

把三个周期放在一张表上

存续期匹配要落成一张表，才不只是一句提醒。三列分别是：你的合同期限，模型的弃用通知期，供应商的现金回收周期。前两列写在合同里，第三列写在它的财务逻辑里。三者长度不一样，风险就落在对不齐的那一段上。

最常见的不一致出在中间那一列。合同签三年，而一个模型从公告停用到真正下线，通知期常常只有几十天。通知期一过，你原来跑通的那套验收不会自动迁移：提示词的结构、工具调用的格式、拒答的边界都可能变。于是第三年里出现一次没有预算的换算工作。

把这一列写进附件能解决一半问题：要求对方给出弃用通知期、替代版本的验收口径，以及在通知期内协助迁移的义务。写不进去的部分，至少要知道它有多长；知道了长度，才能判断哪些负载可以放在这条路上。

我们自己的做法

我们在这家公司内部把模型调用收在一层网关后面，供应商是配置项，不是代码。换一家供应商的动作，是改一处配置再重跑一次验收，而不是改业务逻辑。这样做的目的不是省钱，它只回答一个问题：对手方变了，你损失多少时间。

配套的是一条验收标准：每一类负载换到另一个供应商之后，能不能用同一组用例判定它没有变差。这组用例是我们自己写的，不是对方给的，它包含事实性、格式合规、拒答行为与工具选择的正确性。如果换过去之后同样的用例跑不过，那么这次迁移无论省了多少钱都不算完成。

这两件事加起来，只覆盖我们能控制的那一半。供应商会不会消失，我们判断不了，也没有信息优势；能控制的是让自己在收到通知之后还能按自己的节奏搬走。这件事的做法很朴素：让替换的动作足够小，小到它成为一次例行操作而不是一个项目。

迁移成本怎么量

度量迁移成本有三个维度，都不需要对方配合。第一个是接口的可替换性：换一家之后调用形状差多少，工具与函数调用的格式差多少，需要改的是配置还是业务代码。第二个是行为一致性：同一组验收用例在新供应商上的通过率是多少，这组用例要包含事实性、格式合规与拒答行为。第三个是可搬性：数据、日志与运行记录能不能导出，导出之后能不能被你自己的系统独立解析。

三个维度可以各自给一个粗略的等级：改配置即可、需要适配层、需要改业务逻辑。多数团队的实际情况是前两种和第三种混在一起，主链路容易换，而某一个用了特殊能力的环节换不动。真正要写下来的就是那个环节，它决定你迁移天数的下限。

把风险敞口变成一个数

把负载按迁移难度分成几类，记下每一类占多少比例、各自需要多少天，再按占比加权，得到的是一个可以比较的敞口天数。这个数不需要精确，它的用处是把「这家公司会不会消失」这种无法回答的问题，换成一个可以回答的问题：如果它消失，我们损失多少时间。

它的第二个用处是让分歧显形。同一个团队里，工程负责人常觉得随时能换，业务负责人常觉得换不动。加权出来的数字会把两边的假设放到同一个位置，让差异出在哪一类负载上变得可见。

这个数值得每季度复算一次，做法是一次真实的迁移演练：挑一类非关键负载，按正常流程搬到第二家，记下实际花了多少天。演练的价值在于它会把接口差异、格式差异与记录可搬性这些平时看不见的坑提前暴露出来，而这些坑通常比预算里的估计更大。演练过的团队在真正需要搬家的那一年，速度和没演练过的团队不是一个量级。

还有一层边界要说明。如果负载很小、迁移很快，这个数会很小，那么这一类风险的正确答案就是接受它，把注意力放到别处。风险敞口的价值在于分类，不在于把每一处都堵上。

市场信号替不了你自己的判断

Gartner 的预测、供应商的股价、芯片资产的贷款利率，都是资本方的判断。它们对买方有参考价值，但它们衡量的是资本回报，不是你搬家的速度。同一类信号几年前也出现过，方向有对的地方，幅度和时间点差得很远。

买方手里真正独有的变量只有一个：负载能不能搬、要搬多少天。这个变量外面买不到，只能自己量。量出来了，外面那些预测就成了背景信息；量不出来，你就只能用别人的预测来做自己的架构决定。

边界：这是模型输出，不是已发生的事

第一，3.5 万亿是 Gartner 在自己设定前提下算出来的结果，前提写得很明确：供应商维持当前的资本开支节奏。前提变了，数就变了。它不代表已经发生的减记。

第二，分析机构对同一件事给过相差很大的口径。同一批买方在几年前也听过关于云产能过剩的类似预测，有对的部分，也有没有兑现的部分。引用时必须写清是谁的预测、什么前提，不能写成事实。

第三，neocloud 的存续风险不能平移到超大规模厂商身上。两者的收入结构不同，Gartner 自己也是分开判断的。用前者的结论去推断后者，是对这份发布的误读。

第四，这条风险成立也不代表所有买方都该迁移。如果你的负载小、迁移快、对延迟不敏感，那么供应商消失本身就在可承受范围内。判断题的答案取决于你要搬多少东西，而不是这条新闻有多响。

我们的判断

我们的判断是：推理采购的问题已经从单价变成了存续期匹配。三段时间的长度不一样——你的合同期限、模型的弃用周期、供应商的现金回收周期，过去大家默认它们都足够长，现在只有合同期限是你能写下来的。

由此有三条明天就能做的事。第一条，给每个在用的供应商标两个数：全部负载搬走需要多少天，可迁移负载占比多少。第二个数往往比第一个数更难看，因为总有一部分负载被能力或合规绑住了。

第二条，把转移条款、弃用通知期和退出窗口写进现在的合同附件，趁谈判力还在手上的时候写。第三条，把供应商抽象成一层，让替换不动业务代码，并把「换过去之后同一组用例仍然通过」设成迁移完成的定义。

留给买家的问题是：如果这家供应商今天通知你 90 天后停止服务，你要多少天才能全部搬完？这个数字就是你的风险敞口。它比任何折扣都值得先算出来，因为折扣省下的是一年的钱，而搬不完的部分会一直留在原地。

参考来源

Gartner 新闻稿《Gartner Says Over $3.5 Trillion of AI Infrastructure Spending Could Be Exposed to Impairment by the End of 2030》，2026-10-14（3.5 万亿、4 万亿、12% 资本回报率、1 万亿与 6 万亿支出口径均出自该稿）

AI Weekly 对上述发布的报道（8.5 万亿累计收入与 3.6 万亿预测上限、八成 neocloud 退出独立经营，属对 Gartner 模型的转述）

HostingJournalist《Gartner Warns of $3.5 Trillion AI Infrastructure Impairment Risk by 2030》（AI 优化 IaaS 支出 660 亿到 1740 亿的区间出处）