欧洲央行10月2日的博客，读起来没有多少令人兴奋的新词。它分析约5000家欧元区企业参加的SAFE调查：在计划未来12个月投资AI的企业里，72%预计使用现金流或留存收益等内部资金。计划用银行贷款的占16%，依赖补贴的占16%，使用租赁的占15%；考虑私募股权或风险投资的是6%，考虑发行债务证券的是1%。
这里的分母很重要。72%说的是“计划投资AI的企业中，预计使用内部资金的比例”，不是欧元区全部企业的72%，更不是AI投资总金额的72%。各融资渠道的比例也不该硬加到100%：企业可能同时计划使用不止一种渠道。调查表达的是资金来源选择，不是所有企业最终到账、支出的金额。把这几层话说明白，结论反而清楚：对许多打算做AI的普通企业，自有资金仍是第一选择。
先掏自己的钱，不一定因为更有钱
AI项目的花费不总是一台能盘点的机器。企业可能需要整理数据、买软件或算力服务、改造内部流程、培训员工；有些成本直接体现为现有团队耗掉的时间。原稿谈到软件、数据、模型和人才这些无形资产不易像厂房设备那样作抵押，因此外部长期资金较难获得。这里说的是融资障碍的一种机制，不是证明受访企业都遭到银行拒贷。
银行看贷款时，关心能否收回本息，也会看抵押、担保和经营记录。企业做AI，最早能写清的往往是项目预算；实际收益却可能散在客服工时、产品质量或员工操作习惯里。即便业务人员觉得“会省时间”，财务人员仍要追问：每月究竟省多少，何时体现到现金流，系统停止使用会怎样。这些问题如果答不清，项目在内部审批都未必顺利，拿去申请外部融资当然更困难。此处是对一般融资逻辑的展开，不是ECB逐家企业的调查结论。
自筹资金还有一个隐蔽成本：它会和库存、工资、既有设备更新争同一笔现金。假设一家企业经营本来平稳，却要在下一年同时换系统、补库存、开发AI工具，它不能把所有留存收益都投进去。即使AI项目预期有用，也可能被拆小、放慢，或者在预算紧张时被推迟。SAFE的72%提醒我们，技术扩散不只是“买不买得起模型”的问题，还牵连企业原有的现金安排。
“有钱支付”与“值得支付”也不是一回事。留存收益看似不用付利息，但用来做AI，便不能同时作为应急现金或投向另一项业务。如果预期收益只存在于演示文稿里，财务负责人谨慎一点，并不是不懂技术。反过来，一项改造若能够用较小预算降低重复劳动，企业也不必等所有长期融资渠道齐备才动手。真实的取舍要看项目与经营周期，而不是把内部资金一概说成落后方式。
不过，不能把“主要靠内部资金”写成“企业全部没有信贷”。样本里计划使用银行贷款的占16%，另有补贴和租赁渠道；企业之间的现金状况、项目形态也不一样。内部资金比例高，说明它在计划中常被选用，并不能单凭这组数据判断所有外部产品失效，更不能从72%推导出AI项目的成败率。
16%、16%、15%：融资工具各能接住哪一段
银行贷款、补贴和租赁在这项调查里对应的企业比例分别是16%、16%和15%。数字接近，不代表用途可以互换。贷款要偿还本息，适合有比较明确偿付来源的企业；补贴可分担合格支出，但通常受到申请条件、额度或时间约束；租赁则把部分一次性购买改为分期使用，在设备或可租赁服务边界较清楚时更容易安排。这些是工具的一般特点，并非ECB博客对各家受访企业的实际条款披露。
看似很灵活的股权资金，也不能包打天下。只有6%的企业计划使用私募股权或风险投资，债务证券更只有1%。一间规模不大的生产或服务企业，想把内部某项流程自动化，未必适合为此引入股东；单个改造项目也未必符合发债的规模与要求。把初创企业的融资故事直接套给一般企业，会误以为“有了商业计划书就能拿到钱”。SAFE数据里占比更大的，其实是企业自己承担前期投入。
调查里的百分比对应“计划使用某渠道的企业”，不对应各渠道平均贷款额或投资额。十家企业中哪怕多数靠自己的钱，少数企业的大项目也可能获得相当规模的外部融资；相反，渠道被选中的企业不少，也可能只覆盖投入的一小部分。没有金额和企业规模分布，就不宜把这些比例绘成一张资金饼图。讨论结构时，先问是企业个数、项目个数还是投资金额，能省掉很多争执。
要理解不同融资工具，就得把AI项目的支出分开。若主要买可识别的设备，租赁思路可能较易落地；若主要支出在数据治理、软件适配和人员培训，传统抵押物就少；若收益取决于后续运营改善，则授信方要花精力辨认经营现金流。企业写预算时如果只列一项笼统的“AI投资”，外部资金提供者很难判定风险归在哪里。拆账本不是为了包装概念，是为了知道自己究竟想借什么钱、准备用什么还。
无形资产的麻烦还在于价值跟使用者绑得很紧。一套数据治理成果在本企业的生产流程里可能很有用，换一家企业未必能直接变现；软件适配也可能依赖原系统与员工经验。贷款人若希望依赖资产处置来收回本金，这类投入就不如通用设备直观。改用经营现金流判断，也会遇到另一个难题：AI项目改善的可能是返工率或交付速度，财务账上却没有单独一笔“AI收入”。所以融资申请应把项目实施记录和业务基线放在一起，让风险评估有可以追查的证据，而不是给数据集编一个武断的抵押价格。
原稿提到算力券、模型券可以分担部分使用成本，也提到信用评估、租赁、项目融资与收益分享等较长期的思路。券能降低试用门槛，却不等同于负担完整的数据整理、组织调整和长期维护。项目融资与收益分享能否成立，取决于项目收入或节省成本能不能被合理度量、合同如何分配风险。它们是可能的设计方向，不是这份调查宣布已普遍落地的产品。
举个不涉及调查样本的示意：一家企业先自筹钱做小规模数据整理，再用券降低早期算力费用，等效果稳定后讨论长期服务合同。这样做解决的是不同阶段的不同资金压力；券不负责偿还贷款，贷款也不替企业确认模型是否好用。若把所有工具都叫“AI融资”，容易忽略成本发生的时间。一笔补贴晚到账，前期工资和服务账单仍须先付。现金何时流出、何时可能回流，常比名义支持额度更直接。
先证明省了多少钱，再谈融多少
如果一家企业准备用自有资金起步，可以先挑一个能留痕的场景。目标不宜笼统写成“全面智能化”。应记录原来要多少人时、系统接入花多少钱、上线后错误率是否变化、多久需要人工复核。最好把财务节约和效率改善分开记：员工每周省两小时，如果这两小时没有转化为交付、销售或可减少的外包支出，不能立即等同于现金收入。这是企业核算建议，不是原调查给出的统一评估办法。
试点预算也要给失败留位置。首轮投入可以设上限，同时约定什么条件下扩大范围，什么条件下停止续费。尤其是订阅型软件、算力和模型接口，单次试用价格可能不显眼，常态运行却按使用量出账。企业不妨同时测一笔“若使用量翻倍，现金支出如何变”的情景账。数字应取自自己的报价和业务量，不应拿SAFE的企业比例来充当成本参数。
试点结束时，应允许一个不那么热闹的结论：工具有效，但暂时不值得扩大。原因可能是节省的工时无法兑现为交付能力，也可能是数据清洗比预想费钱。对现金流紧的企业，这类结论比一味追求上线数量更有价值。试点失败不是坏账的借口，前提是投入事前受控，事后能说清学到了什么。如果团队连最初的基线都没记，项目结束时很难证明资金花在哪里。
若向银行申请贷款，材料重点可以从模型多先进，转为经营记录、支付安排和项目回款或节省支出的证据；若考虑租赁，先确认合同对象到底是设备、软件使用权还是混合服务，停用、升级和迁移由谁承担费用。申请补贴也应先核对是否合格、何时拨付，不要在尚未获批时把补贴写成已经到账的现金。这些都属于从融资结构出发的行动建议，并非对欧元区特定政策的承诺。
企业还可以给资金来源设一个顺序，而不是一开始把希望押在单一渠道：多少由经营现金覆盖，多少必须等实际授信，哪部分可以根据项目验证结果再决定。预算表里给每笔支出标注付款期限，并预留融资未到位的替代方案。这样即使银行审批慢于项目启动，也不会因为一张尚未批下来的贷款意向而贸然签无法履行的长期合同。这里没有一个放之四海而皆准的资金占比，合理比例取决于企业账期和风险承受能力。
融资提供者也有工作要做。软件、数据及AI项目难以用传统抵押物估值，可以考虑把可核验的经营现金流和项目交付记录纳入授信判断；但“看收益”不能等于听企业讲一段好故事。谁付费、什么指标反映收益、系统换供应商后还能不能继续运转，都要在合同与数据里找到依据。对缺乏这些记录的小企业，先做低成本试点，可能比一开始安排大额长期贷款更审慎。
风控可以按项目阶段提问。试点时先看投入上限和退出成本；扩大使用时看经营指标有没有连续记录，收入改善能不能覆盖新增订阅费；进入长期合同前，再测一次现金流偏弱时是否仍可支付。银行与企业都不必假装每一步结果已知。银行若要求可核对的凭据，企业便有动力在试点时留存数据；企业若不愿承诺未经验证的长期收益，也可减少一次性融资需求。这是可能的审查框架，不是ECB已经推出的新授信标准。
收益分享听起来能免去前期现金压力，细看却会碰到归因：销售增长有多少来自AI，多少来自原有营销？运营费用下降以后，系统服务商和使用企业怎样核对基线？若双方事前不约定指标、计算周期和争议处理，项目赚钱时也会吵架。收益分享可以尝试，但需要可审计的数据与清楚的合同。无形资产融资真正困难的地方，不止找不到抵押物，还包括项目成果常与日常经营混在一起，很难单独切出来。
别把云厂商的办法照搬给普通企业
同一份日报的第五节还提到，Reuters援引FT报道，Amazon正在研究将约80亿美元的Nvidia Grace Blackwell芯片转入特殊目的载体SPV，再经债务融资租回。这只是报道中的探索，不是已经完成的交易。它与SAFE里大多数普通企业的处境也相去甚远：一端有可识别的大批硬件资产，可以讨论资产持有和租回；另一端的投入可能是数据、软件和人员工作，拆不出同样的硬件池。拿超大规模企业的资本结构给普通企业开方，容易让人忘记资产类型和合同规模的差别。
这并不意味着普通企业只能永远靠留存收益。更实际的顺序也许是先用内部预算验证一个场景，再决定是否采购长期服务、申请贷款或寻找适用补贴；若项目能稳定产生可核验的收入或成本节约，融资谈判才有抓手。这是根据原稿讨论提出的路径推演，不能反过来当作对未来融资成功率的预测。
还有一个时间问题。调查问的是计划未来12个月投资AI的企业，回答的是“预计怎样筹钱”。市场利率、经营现金流、补贴审批和项目进度都可能变化，最终使用渠道未必跟计划完全一致。读者能从72%看到企业现在的资金偏好和约束，却不该拿它给下一年的AI投资规模算精确账。
同样不能倒过来断言：内部资金占比越高，AI采用就一定越慢。现金充裕的企业可能很快完成试点；有的企业即使获贷，数据条件或业务流程不合适，项目照样推进不动。原稿把资本结构称作扩散速度的限制条件，是一个值得跟踪的分析角度，而非仅凭72%就识别出的单一因果关系。想进一步判断影响，还需要比较企业规模、融资可得性与实际投资结果；这份扩写没有这些额外数据，也不代它做统计结论。
有了试点记录，也别急着把工具的演示效果写成整个组织的收益。员工是否愿意调整流程，谁负责维护数据质量，业务高峰时有没有足够预算维持服务，都会改变项目真正花费。若负责审批的人只看到采购价，漏掉持续维护，再便宜的试点也可能在规模化时变贵。把这部分运营支出写进同一张现金计划，才能知道企业需要的是一笔短期周转钱，还是一项可持续的长期投入。
从企业账本里还可以画出一个止损线。假设业务量没达到预期，原有人工复核也暂时省不掉，项目至少还能维持多久？下一期服务费到期前，有没有退出或缩小用量的选择？这些问题没有统一数字答案，但会影响企业该用内部现金、贷款还是短期租赁安排。计划使用内部资金的72%企业并非同一张资产负债表；与其给所有企业一个“多贷款”的处方，不如先摸清每个项目的现金断点。
对企业负责人而言，这组数字最值得带回会议室的问题很普通：若下个季度现金收入低于预期，这笔AI预算还能不能继续？如果答案是不确定，就先把试点做小，把能留下的收益证据留好。72%不是劝企业别投AI；它说的是，许多企业已经打算投，却还得先看自己的钱够不够用。
选题来源：新质生产力每日动态·五