Omdia 预估 2027 年 AI PC 将占 60% 出货，69% 打工人愿为 AI 电脑多花钱

IT之家 10 月 30 日消息，企业 AI 支出持续攀升，随着主流 AI 厂商转向 token 计费模式，这项支出也变得越来越难以预测。对 PC OEM、ODM、芯片厂商、渠道伙伴和托管服务提供商而言，核心问题在于：AI 工作负载应该在哪里运行，PC 又将扮演什么角色。据预测，AI PC 出货占比将在 2027 年达到 60%，本地 AI 的装机基础正通过换机周期逐步形成。 企业 AI 支出仍在上涨，token 计费让成本难以管控 绝大多数企业都计划在明年增加 AI 投入。Omdia《2026 年 AI 市场成熟度调研》显示，86% 设有 AI 预算的组织预计 2027 年支出将进一步上升。 而头部 AI 厂商正从按席位或按请求收费转向 token 计费，任务的成本只有在运行结束后才能明确，这让支出管理难度陡增。智能体 AI （Agentic AI）进一步放大了问题，单个任务可能触发一长串按次计费的模型调用。即便如此，这些风险并未放缓企业 AI 的支出与使用节奏。 此前企业 AI 大多运行在云端，成本不断走高的同时，企业开始重新审视哪些工作负载应当留在云端。覆盖公有云、本地服务器与端侧 AI 的混合基础设施正在成为解决方案，但大规模落地本地 AI 门槛不低，很多企业并不具备相应技术能力，这恰恰是整个 PC 生态的机会：帮助企业厘清在设备上运行 AI 的场景与方式。 纯云 AI 推高成本与合规风险，端侧 AI 尚未真正打动企业买家 除成本外，随着更多公司数据离开设备，纯云 AI 也带来了合规、安全与数据主权层面的顾虑。随着智能体方案走向生产环境，这些风险还可能加剧，且管理开销往往难以追踪。 用户侧同样存在管理盲区。Omdia《PC Horizons 消费者调研》显示，78% 用 PC 办公的受访者每周至少数次使用 AI，但这一群体中只有 12% 使用的是由工作单位或学校提供的工具，大量使用行为很可能发生在 IT 部门看不到的个人账户下，给企业数据带来额外风险。 公有云之所以主导早期企业 AI 应用，是因为它易于上手、无需采购硬件，还能接入能力最强的前沿模型。如今，若干新进展已让在公有云之外运行 AI 变得更加可行：企业可自行部署的开源权重模型已大幅缩小与前沿模型的差距，量化压缩技术让模型体积缩小到可装入 PC 内存，越来越多常规 AI 工作因此可以在本地运行，以更低的增量投入获得私有基础设施在合规与数据主权方面的大部分收益；神经处理单元（NPU）也已成为许多新 PC 的标配。 不过，AI PC 的价值主张尚未在市场中真正引起共鸣。Omdia 调研显示，69% 用 PC 办公的受访者愿意为可直接在设备上处理 AI 任务的电脑支付溢价，但 62% 的人更换上一台 PC 的原因是设备变慢、损坏，或想要更新更好的机型，只有 9% 将 AI 功能列为主要换机原因。 AI PC 出货占比快速攀升，内存成本是最大变量 AI PC 出货占比预计将从 2025 年的 33% 升至 2027 年的 60%，并在 2030 年达到 79%。无论买家是否主动提出需求，本地 AI 的装机基础都会随换机周期到来。 商业账首先要算成本：云成本是随用量增长的持续性开销，而 PC 通常是一次性投入。合理的对比方式，是更强 PC 配置的增量成本与它所能替代的持续性云支出，而不是整台机器与云账单的对比。员工拿到一台配置更强的 AI PC，只需为升级差价付费即可获得本地 AI 能力。 传统架构按任务体量分工：云端承接最复杂任务，本地服务器承载最大工作负载与模型，PC 负责常规推理。量化技术正在改变这一划分，越来越多任务可以路由到 PC 上，尤其是在内存更大的机型上。 智能体 AI 是本地推理的早期落地场景：本地智能体对内存容量与带宽的要求远超主流 PC 水平，目前主要 OEM 已推出首批面向智能体 AI 的高端机型，溢价较高，暂时适配开发者与重度用户。随着开源权重模型与量化技术持续进步，这类场景还将进一步拓宽。 内存是端侧 AI 大规模普及的主要风险：自 2025 年以来，内存已从约占 PC 物料成本的 15% 升至近 40%，可能促使买家选择更低内存配置，而此时本地 AI 恰恰需要更大内存。这种压力很可能同样传导至服务器端；而笔记本对员工的价值远不止运行 AI，因此 AI PC 的增量成本相比服务器投入大概率仍将保持温和，也避开了云 AI 的成本透明度问题。 生态需合力把端侧能力转化为可落地的商业案例 硬件正在走向主流，但企业侧采用仍处于早期阶段，因为企业还在摸索本地推理在哪些场景下真正划算。缩小这一差距需要整个生态协同：OEM 需要通过参考工作负载展示经济账 —— 更强 PC 配置的额外成本如何通过节省的持续性云支出来回收；ODM 与芯片厂商则要决定这些配置的可负担程度，尤其是内存。 渠道伙伴与托管服务提供商则要把这一主张转化为企业可执行的落地方案。评估 AI 成熟度、确定工作负载部署位置、部署模型、制定策略 —— 这些都是许多组织欠缺的能力。而且模型、云定价与硬件都在持续变化，这些决策在下一次换机之前还需要反复调整，这是超越单纯卖笔记本的持续性服务机会。 企业 AI 支出将持续上涨，随之而来的压力是：必须清楚每项工作负载的成本与合适的运行位置。AI PC 不会取代云端或本地服务器，但只要整个生态协同一致，它就能帮助优化这笔支出。 参考 As enterprise AI spend continues to rise, the PC ecosystem must define the on-device case for hybrid AI