随着企业从试用人工智能工具转向将其用于日常工作，核心问题已不再是选择哪种模型，而是实际在哪里进行处理。日本惠普在日本的实践，为权衡云服务与本地系统提供了一个实用框架，同时明确警示，不应将本地运行本身视为目标。
这一观点来自日本惠普人工智能与数据科学市场开发经理胜谷裕史于2026年7月16日在东京举行的HP Partner Communication 2026大会上所作的演讲，以及ITmedia对他进行的单独采访。胜谷表示，许多与他联系的企业已经开始使用人工智能，但目前正在寻找扩大其在业务流程中应用范围的方法。
从通用试用到企业工作
胜谷建议，企业应从对话和摘要功能开始，逐步过渡到将模型与内部文件连接，再利用人工智能代理实现报价和提案编制等任务的自动化。在演讲中，他将所谓的“人工智能员工”分为三类：负责会议记录和文件制作的助手；支持销售或设计工作的专业员工；以及帮助展示数据和支持决策的分析角色。
这一构想并不局限于软件。日本惠普展示了人工智能电脑与培训、用于在本地测试大型语言模型的工作站，以及依靠多块图形处理器为企业部门提供运行环境的方案。其理念是让基础设施与使用阶段相匹配，而不是脱离实际使用流程单独销售设备或服务。
数据敏感性是起点
胜谷在查询公开信息时使用云端人工智能服务，但他说，当数据涉及不能离开企业的工作时，他会在本地运行处理。不过，这并不意味着所有包含内部数据的任务都应自动转移到本地设备；企业还应测试本地环境执行所需任务的能力，并将其与云端的速度和灵活性进行比较。
这一经验还凸显了应用使用地点与推理执行地点之间的重要区别。据本文介绍，OpenAI的Codex在部分自动化和编程工作中运行于电脑设备上，但推理本身是在云端完成的。因此，信息技术团队必须确认数据的去向和处理执行地点，而不能仅因为应用界面位于公司内部设备上就作出判断。
日本惠普也在本地环境中测试一种名为OpenClaw的开源人工智能代理，但胜谷指出，在他的环境中处理有时会中断，因此在某些情况下他仍然选择Codex。这一经历支持一种务实立场：仅仅具备硬件或模型，并不能保证实现完整的本地运行。
设备选择会随使用规模变化
确定需要本地运行后，还必须确定使用规模。胜谷使用HP ZGX Nano G1n AI Station进行初步测试，并验证其是否能够满足客户需求；他将其称为HP版的NVIDIA DGX Spark。由于体积小巧，该设备还可以被带到生产线等地点，在现场进行测试。
这类设备适合研发、单人使用或预算有限的初步试验。如果一个部门内的多名人员需要运行任务，则可能需要更大的工作站或共享环境。模型在个人测试中的成功，并不能证明整个团队使用时也能获得舒适的性能。用户数量、可接受的等待时间以及处理频率，都是选择硬件前必须确定的因素。
这一决策还包括设备的放置地点。设备起初可能位于用户附近，随着数量增加，之后可能会被移入服务器机房。对于反复进行规划、推理、工具执行和结果审核的代理而言，不能只关注图形处理器；主内存、SSD存储和中央处理器都可能成为瓶颈。
成本不只是云端价格与设备价格的对比
胜谷认为，如果重点是短期成本，云端可能是正确选择；而对于一些企业而言，本地环境能够提供更高的连续性，尤其是在遇到企业网络代理问题、价格变化和使用限制时。部分客户可能会让多名用户共享配备图形处理器的工作站，以降低令牌成本。
但准确的比较还应包括本地环境的电费、维护、管理和初始投资，以及云端的合同条件和使用规模。同时还应考察双方能否以相同的质量和可重复性执行同一处理流程，以及服务或网络中断会对工作产生何种影响。
人为因素可能成为瓶颈
即使模型和设备都已准备就绪，流程也可能因执行具有权限的操作所需的人工批准而停滞。胜谷承认，他自身的繁忙也可能使人变成瓶颈。因此，引入代理不仅需要将其连接到工具，还需要明确批准环节及其负责人。
日本惠普经验得出的实际结论是，选择人工智能运行环境应从数据开始，随后考察任务、用户数量、成本、连续性以及运营团队的能力。还应记录所选模型及选择原因，以便在负责人变更时实现知识传承。不过，这些建议建立在日本惠普一位负责人的经验之上，并不是一项普遍标准，不能证明云端或本地运行在所有情况下都更好。