AI越普及，企业越要学会给算力排班

摘要： 企业把越来越多工作交给AI后，也会遇到一类熟悉的生产问题：哪些任务必须马上完成，哪些可以等待，有限的能力先给谁。电力与算力的物理约束提醒我们，未来的生产能力不仅来自更强的模型，也来自对任务、时间与交付标准的重新安排。

当所有部门都要求“现在就算”

假设场景。 一家消费品企业同时使用AI回答客服问题、整理商品资料、生成营销短片。上午活动开始，客服要即时响应；运营把几千份旧资料送进系统重整；市场部也启动了多版视频生成。

三件事都可能有价值，但它们对时间的要求不同。顾客正在等待的问答，不能和下周才会使用的资料清理放在同一条“越快越好”的队伍里。

这不是已发生的企业事故，也不意味着这些业务一定共用同一组服务器。它提出一个经营问题：当AI从偶尔使用的工具变成持续运转的生产环节，企业是否知道自己买的是即时响应、按时交付，还是一段可以择时使用的计算能力？

已有证据：数字生产依然依赖物理世界

国际能源署在2026年《Key Questions on Energy and AI》中估计，全球数据中心用电量在2025年约为485太瓦时；其中央预测为2030年约950太瓦时。这里的口径是数据中心整体，不能全部归为AI用电；2030年的数字是情景预测，不是已经发生的事实。IEA执行摘要

这些总量也不能拿来计算某次企业问答耗了多少电，更不能据此断言每家公司都会遇到涨价或断供。它们提醒我们：屏幕上的调用，可以迅速增加；支撑调用的供给并非无限。

企业公开实践。 Google于2026年3月19日披露，已把合计1吉瓦的需求响应能力纳入与美国多家公用事业公司的长期能源合同。其方法包括限制或转移一部分机器学习工作负载。公司同时说明，灵活性有边界，只在部分地点可用。Google官方说明

1吉瓦是功率规模，不是每年节省的电量。这份企业披露说明需求侧调度已进入合同安排，却不能证明所有AI服务都能随时迁移，也没有给普通企业保证固定比例的成本下降。

编辑分析：先给任务排班，再给机器排班

普通企业通常不能直接调度云服务商的电网和机房。它仍然可以控制三件事：送进系统的任务、任务截止时间，以及什么结果值得继续计算。

可以先做一张业务排班表：

| 任务类型 | 时间要求 | 可考虑的安排 | 必须守住的边界 |
|---|---|---|---|
| 正在发生的客户服务 | 尽快回应 | 预留服务能力，准备人工接手 | 不能为了后台任务牺牲已承诺的响应 |
| 次日使用的商品资料整理 | 截止时间前完成 | 分批提交、限制并发、失败后可续跑 | 内容验收和资料权限不降低 |
| 探索性的创意候选 | 可以调整 | 先少量筛选，再追加生成 | 由人决定何时停止，不无限扩充候选 |

这是编辑提出的设计框架，并非某家云平台的现成功能清单。具体能否批量执行、能否中止、是否优惠，须检查所用服务的实际能力和合同。

尤其不能把“夜间运行”直接等同于节能或便宜。电价、供应结构、计费方式和服务所在区域各不相同；仅改变提交时间，未必改变账单，也未必改变用电。没有相应计量资料，就只报告已测得的任务成本和交付效果，不宣传减排成果。

一项可以从小处开始的试验

试验建议，尚未由本栏目实测。 选一种不面向实时客户的低风险任务，例如内部商品资料的格式整理。先确定验收条件：哪些字段必须保留，什么错误必须退回，谁确认成品。使用获准处理、已去除不必要个人信息的资料。

准备两组内容难度相近的样本：一组按现有方式处理；另一组采用分批、并发上限和明确截止时间。保持模型、任务说明和验收口径一致；若做不到，就把变化记录下来，不把所有差异归功于排班。

至少记录五项结果：合格交付数量、超时数量、服务账单、人工复核与返工时间、失败后的恢复情况。重点看“完成一份合格结果”的总成本，不能只看一次调用价格。

试验期间不要连接真实发布、扣款或库存变更。遇到超时，记录系统如何告警、任务是否能安全续跑；涉及客户承诺的业务，不进入第一轮试验。若排队造成更多返工，或者节省的服务费小于新增协调成本，就保留原流程，而不是为证明AI有效而修改评价标准。

未来推演：可等待的工作，可能成为一种生产资源

如果任务能够拆分、验收并在截止时间内灵活安排，企业就可能把“现在必须做”与“某个时点前做完”作为不同的采购条件。服务商也可能据此提供不同交付保障。但这种分层是否形成稳定价格优势，仍取决于供给、合同、数据限制与客户真实需求，不能预先当作必然趋势。

这会把四个观察方向连接起来：生产环节需要区分任务节奏；交易环节需要写清交付时间与失败处理；组织环节需要有人决定优先级；人的位置则在于判断，哪些等待可以接受，哪些承诺不能让步。

给算力排班，最终是在给企业的承诺排优先级。 当生成越来越容易，能够清楚说明“为什么现在做、做到哪里就够了”的企业，才更有机会把计算能力变成可靠交付。

证据与边界

• 事实资料： IEA的历史估计与预测口径；Google公开披露的合同与调度方法。二者均为一手来源，但不是对本文假设企业的测量。
• 试验建议： 任务分批与验收对照，需要企业实际验证，没有预设节省比例。
• 未来推演： 交付时限可能进入更细的算力交易安排，不构成价格、节能或竞争收益的保证。
• 本文为赛博AI编辑整理，不代表周钧本人观点。来源核验日期：2026年10月31日。