当全社会都在讨论 AI 大模型、算力爆发的时候，很少有人看见算力底座正在遭遇的现实拉扯。无数企业忙着上马 AI 项目，疯狂扩充服务器，可真正扎根一线运营数据中心的从业者，正被一堆棘手现实问题层层包裹。
很多人以为 AI 浪潮到来之后，行业最头疼的会是算力供给不足。但调研显示，79% 的数字基础设施管理者，或多或少都被成本问题困扰。电力、人力、硬件设备的价格持续走高，尤其 AI 相关硬件的投入，进一步放大了运营端的财务压力。
相比前几年，管理层 “极度担忧” 成本的占比有所回落，这不代表成本压力得到缓解，而是越来越多新的风险点，分散了管理者的注意力。容量预测、电力供给、供应链扰动，这些问题的焦虑程度正在快速攀升，和成本问题并列，成为压在运营团队肩头的几座大山。
容量预测的焦虑，是 AI 时代诞生的新痛点。调研显示，对未来数据中心容量预估感到担忧的受访者占比，已经从 2024 年的 68% 上涨到 2026 年的 76%。没有人能精准预判 AI 业务会带来多大规模的算力需求。
企业说不清未来业务会增长多少，高密度负载会消耗多少电力，需要配置多少冷却资源。这种不确定性直接传导到建设环节，想扩建机房，却不知道该预留多少机柜，投入太多容易闲置，投入不够又会跟不上业务爆发。行业扩张的脚步，正在被这种看不清未来的不确定性拖慢节奏。
PUE 一直是大众评判数据中心节能水平最直观的标尺。调研显示，2026 年全球数据中心平均 PUE 来到 1.52，依旧处在缓慢下行的通道。十几年前行业平均 PUE 还高达 2.5，经过多年改造已经大幅改善，但最近几年进步速度明显慢了下来。
新建成的数据中心可以做到很低的 PUE，部分新机房甚至可以做到 1.3 以下，可现实是，超过四分之一的数据中心已经服役超过 15 年。老旧机房不会快速关停，大量存量设施还在持续运行，直接拉低了整个行业的平均水平。老旧建筑结构、冷却硬件的先天限制，让很多老机房很难再做深度节能改造，投入巨大却收效有限。
AI 硬件带来的机柜高密度浪潮，已经实实在在落地到全球机房当中。调研显示，行业最普遍的机柜功耗密度，首次突破 11 千瓦。如果剔除少数专门面向 AI 的超高密度机房，普通机房的主流机柜密度仅为 7.8 千瓦。
这两种数据的巨大差距，说明行业已经形成两套运行标准。一部分机房还在跑传统企业业务，另一部分专门服务 AI 算力的机房，机柜功耗已经来到 30 千瓦以上。调查显示，24% 的运营方已经部署了峰值 30 千瓦以上的机柜，较 2025 年的 19% 明显上涨，甚至有部分机柜功耗突破 50 千瓦。
是什么在推着机柜功耗一路走高？很多人会直接归因为 AI 训练大模型。但调研反馈的结果超出不少人的固有认知。数据库、ERP 这类传统企业业务，依旧是高功耗机柜最主要的驱动来源，占比接近六成。
生成式 AI 推理的占比快速崛起，已经和 AI 训练的占比持平，达到 21%。这意味着不只是大模型训练需要高功耗硬件，日常 AI 推理业务，同样在拉高机房的供电与散热压力。企业一边跑传统业务，一边叠加 AI 相关负载，机房供电、散热系统的负荷被持续推高，很多早年建好的机房，硬件上限正在被不断触碰。
可持续发展这件事，经历短暂摇摆之后，重新回到上行轨道。2025 年不少企业把重心扑在 AI 建设上，对可持续指标收集有所松懈，到 2026 年，各类可持续相关数据采集工作又重新回暖。
调查显示，87% 的机构会统计 IT 设备耗电量，79% 的机构跟踪 PUE 数值。水资源使用数据的采集增长最为亮眼，有 53% 的运营方开始统计用水情况，相比 2025 年提升 6 个百分点。公众舆论、各地新规，倒逼企业开始正视数据中心的水资源消耗问题。
但光鲜的采集数据背后，依旧存在明显短板。可再生能源消耗、各类范围的碳排放，收集比例依旧不算高。不少企业虽然在统计相关数据，却很难真正兑现对外公布的净零排放目标。随着大量新机房开工建设，整体碳排放总量还在往上走，不少机构只能选择下调原本激进的碳中和目标。区域之间差距同样十分明显，欧洲、亚洲企业对碳排放、绿电数据的重视程度，显著高于其他地区，法规约束是推动这一变化很重要的推手。
服务器更新迭代的节奏，也出现了有意思的反转。2015 到 2023 年，行业服务器生命周期不断拉长，最长达到 44 个月。2026 年服务器平均更新周期回落至 40.8 个月，企业更换硬件的节奏重新变快。一部分原因来自 AI、高性能计算业务，需要性能更强的新一代硬件。另一部分来自芯片厂商推出性能更强的新一代处理器，让企业有动力淘汰老旧设备。拉长服务器寿命可以减少电子废弃物，摊薄硬件内含碳排放，但老旧机器功耗更高，两种利弊之间，企业需要不断权衡取舍。
运营商对自身机房运营数据的信心，整体处于较高水平。调查显示，超过九成受访者对传感器、设备采集的数据，在准确性、时效性层面保持很高或者较高的信心。只有一成左右的从业者，对手里的运营数据心存怀疑。
这份信心来之不易，长期以来，老旧系统、数据孤岛一直困扰运维团队。但这份信心同样暗藏隐患，当下越来越多自动化、AI 运维工具，都高度依赖高质量实时数据。一旦底层数据存在偏差，自动化系统就会输出错误判断，光靠主观自信远远不够，配套的数据校验和治理流程必不可少。
市场铺天盖地宣传 AI 改造机房运维，可一线从业者的期待，正在回归理性。调查显示，运营团队对于 AI 赋能运维的期待值相比往年有所回落。大家依旧认可 AI 可以提升机房运行效率、释放员工生产力，但是对于 AI 能够降低人为失误、减少设备故障这类预期，已经明显降温。行业已经见过太多 AI 工具在实际场景下出错的案例，从业者不再盲目迷信技术神话。
大家不是全盘否定 AI 在机房运维的价值，信任度完全取决于应用场景。调查显示，71% 的从业者愿意接纳 AI 做传感器数据分析、告警信息筛选，65% 的人信任 AI 做预测性维护。但是对于让 AI 直接接管冷却设备参数、修改机电设备配置，绝大多数人持保守态度。仅有 16% 的受访者，允许 AI 直接对机电硬件做配置改动。大家愿意把 AI 当成辅助分析的工具，却不愿意把关键基础设施的控制权交给算法。
一个值得关注的现实，故障发生的频次在持续走低，但是故障带来的损失，却在年年上涨。调查显示，过去三年遭遇过有实际影响故障的受访者占比 47%，已经连续六年出现下滑。即便如此，依旧有一成故障被定义为严重级别。71% 经历故障的运营方表示，最严重一次停机事故损失超过 10 万美元，对比 2025 年的 57% 占比出现明显抬升，一半以上故障损失落在 10 万到 100 万美元区间。
故障次数变少，损失却越来越大，背后的逻辑不难理解。整个社会数字化程度越来越深，数据中心承载的业务分量越来越重。一次停机，带来的不只是硬件维修开销，还包含业务中断带来营收损失、SLA 赔付、客户流失、品牌口碑受损。哪怕故障本身严重程度没有升级，它造成的连锁代价也在不断放大。电力依旧是故障的头号元凶，调查显示，56% 的重大故障根源来自电力系统，UPS、转换开关、发电机，都是故障高发的环节。很多时候外部电网波动，会暴露机房内部供电备份系统潜藏的缺陷。
调查显示，第三方数据中心承载的 IT 工作负载占比达到 46%，首次超过企业自有数据中心 44% 的占比。托管机房、公有云、SaaS 服务商，正在扛起更多企业业务。但这不代表企业自建机房会彻底退出舞台。
混合 IT 依旧是主流选择，企业不会一股脑把所有业务全部搬出去。数据主权、合规监管、安全顾虑，成为阻碍业务全面上云的最大阻碍。68% 的受访者将数据安全视作向外迁移业务的障碍，55% 的人担忧合规监管带来的风险。地缘环境变化，也让企业在选择外部算力资源的时候变得更加谨慎。
人才缺口，正在从过去的缓慢恶化，演变为更紧迫的现实矛盾。调查显示，53% 的运营方表示很难招到合格岗位人选，较 2025 年 46% 进一步走高。AI 大型机房集中开工，催生大量全新岗位需求，但是行业成熟从业者供给跟不上扩张节奏。
人员流失问题同样棘手，28% 的机构有员工被同行挖走，还有一成从业者直接离开数据中心赛道。电力相关岗位、初级运维岗位，是缺口最大的两个方向，电气技能缺口相比 2023 年上涨 13 个百分点。大规模新建机房，带来海量电气施工、调试、运维需求，而具备对应能力的技术工人，在全球范围内都属于稀缺资源。
很多企业会选择涨薪来争抢存量人才，但这只能缓解一时，无法解决根源矛盾。行业人才培养体系成长速度跟不上市场扩张。调研还透露出行业性别失衡的现状，74% 受访者表示，自己团队女性员工占比大约只有 10%。庞大的潜在劳动力池没有被充分挖掘出来。想要补齐人才短板，不能只盯着挖同行现有人员，还要和职业院校、社区院校建立长期合作，搭建稳定的新人输送通道，才可以支撑行业持续扩张。
关于报告的所有内容，公众号『行业报告智库』阅读原文或点击菜单获取报告下载查看。
