2026

洞察力

人工智能时代的网络

从速度领先到AI体验

人工智能体验正成为移动网络运营商（MNO）面向客户差 异化竞争的新焦点——也是当今CXO议程中的核心议题。 决 定最终成败的关键绩效指标（KPI），包括首包延迟、流 媒体流畅度、多模态上行、一致性等，横跨接入网、核 心网、云网，而在共享层市场，更涵盖对活跃层本身的 治理。 过去三十年，网络领导力一直取决于覆盖范围、语音可

速度正在被重新定义，而非取代。

靠性、吞吐量、视频质量和游戏延迟。 这些因素依然重 要。但人工智能工作负载关注的是另一种速度：第一个 数据包到达的速度有多快，30秒的响应流式传输是否流 畅，多模态提示上传是否可靠，以及这种速度是否能在 不同地点和不同时间段保持一致。

合作

W I T H :

作者

哈坎·埃克门，P3 卡里姆·塔加·赫拉德·法伊兹博士，P3 克里斯托夫·乌费勒，P3 丹尼尔·古兹米奇斯博士，P3

洞察力 亚瑟·D·利特尔

行业默认的KPI奖励持续的大批量吞吐量，并将延迟 视为一个粗略的阈值——因此，一个运营商可以在全 国吞吐量上领先，却提供明显弱于拥有更响应式端到 端路径的竞争对手的语音AI或代理体验。传统的评分 卡无法可靠地检测出这种差距，而这种差距正是下一 轮商业差异化的所在。

三十年来，网络领导力一直取决于 覆盖范围、语音可靠性、吞吐量、 视频质量和游戏延迟。

人工智能体验现已可衡量

P3的2026基准测试框架新增了一个专门用于AI服务的层 级，该层级测试AI端点的连接性以及实时提示功能。 它 针对主要端点（OpenAI、Anthropic、Gemini/Google） 测量延迟、抖动、成功率以及百分位数性能，并通过P3 的DriveTest流程运行真实提示，以捕获会话成功率、首 个令牌响应时间（TTFT）和响应时间。端点可达性显示 了服务在可接受的网络行为下是否可达，而提示指标则 说明了交互是否被终端用户感知为响应迅速。

美国、德国和巴西的初步结果显示，物质已通过市场 、运营商路径和终端点进行传播。

跨市场延迟差距至AI终端端大致为8-18毫秒（见图1）； 在 德国DriveTest样本中，TTFT在领先运营商处约为0.94秒 ，在落后运营商处为1.11秒（见图2）。单次查询来看， 差异似乎不大。但在通过移动网络每日运行的数亿AI会 话中，这其中的差异决定了AI是感觉流畅还是感觉生硬 。之前的评分卡未能反映这一点。

图1. 跨市场延迟对比

图1. 跨市场延迟对比

59.8 77.8

巴西 传播 18.0 毫秒

47.2 55.2

德国 传播 8.0 毫秒

US

47.5 59.8

传播 12.3 毫秒

40 45 50 55 60 65 70 75 80 85

Anthropic、OpenAI 和 Gemini/Google 端点的平均延迟

最佳观察方式 观察到的滞后

注意：操作员身份已匿名 来源：Arthur D

. Little，P3

注意：操作员身份已匿名化 亚瑟·D·利特尔，P3

图2.德国运营商INSIGHT的TTFT

亚瑟·D·利特尔

图2. 德国运营商的TTFT

1.2 s

1.0 s

0.8 s

0.6 s

0.4 s

0.2 s

0.0 s

| |

|---|

|0.94 s

1.02 s

1.07 s

1.11 s|

|99.54%|

| |

|99.25%

99.17%|

|98.97%|

| |

99.9%

99.7%

99.5%

99.3%

99.1%

98.9%

98.7%

98.5%

操作员1 操作员2 操作员3 操作员4

平均TTFT（秒） 会话成功率（%）

注意：按平均TTFT排序的操作员 来源：Arth ur D. Little, P3

注意：按平均TTFT排序的操作员 亚瑟·D·利特尔，P3

网络竞争力关键绩效指标 (Wǎ ngluò Jìngzhēnglì Guānjiàn Jìxiàozhǐ)

亚瑟·D·利特尔公司预计，未来几个基准周期内， 六个关键绩效指标（KPI）将成为网络竞争力的主要 驱动因素。 每个指标都易于针对受控的推断端点进 行衡量，并与一个熟悉的指标相对应（最接近的代 理指标显示在下划线/括号中），因此运营商和评估 机构可以无需重建方法论即可采用它们：

1. 多模态上行链路 — 对于1-5 MB的有效载荷， 在平均情况和较低尾部（文件上传会话时间）下 均能保持持续的上传吞吐量

1. 一致性得分——同时满足上述四个KPI最低标准 的会话比例（速度等级履行）

1. 边缘人工智能延迟——对于拥有多接入边缘计算（M EC）的运营商，其自建推理与公共云终端（当前无代理 ）相比的延迟优势

1. TTFT——从发送提示到第一个响应标记的延迟， 与标准托管模型（呼叫建立时间）进行对比

1. 令牌流平滑性 — 在30秒的响应（视频缓冲率）期间 ，令牌数每秒的持续性和间隔可变性

1. AI响应延迟——标准多模态任务（文本+压缩图像 ）端到端时间：上传、推理、流式响应（文件下载 会话时间）

应尽早确定三个设计选择：(1) 在专用基础设施上，针 对主要基础设施供应商以及一个中立、与运营商无关的 模型进行运行精度测试； (2) 利用5G独立组网（SA）的 首个令牌收益，最终以用户实际感受的方式使SA业务案 例可见；(3) 为受控道路测试预留详细的人工智能指标 ，使用众包数据以获得更广泛的连贯性和可用性视角。

洞察力

亚瑟·D·利特尔

对于CSO而言，“AI工作负载的领先网络”是一个与其 性能指标不直接竞争的差异化方向，它直接映射到B2B 领域——如联络中心语音AI、现场多模态助手、CPaaS 路由——并且在主动共享市场中，它也映射到选择性去 共享或高级SLA层级的案例。

• 2. 将共享服务水平协议（SLA）的涵盖范围从覆盖率和 吞吐量扩展到抖动、最坏情况上行性能和会话级一致性 。

杠杆组加宽，尤其是在活动层共享 处

• 3. 为调度器、QoS（服务质量）、切片、本地 breakou t（本地中继）和路由等实际影响 AI 关键绩效指标（K PI）的控制功能获取安全配置权限。

人工智能网络作为高管 议程

对于首席财务官而言，那些难以提升每用户平均收 入（ARPU）的投资——5G SA、边缘计算、服务保障 、IX升级、可观测性——能够为B2B合同带来可衡量 的终端客户联系，从而实现变现，而非仅仅依赖消 费者ARPU。

1. 明确零售运营商、共享合作伙伴以及NetCo/ Ser vCo架构中的AI KPI责任归属——哪个KPI由谁负责 ，在哪个边界范围内。

在活动层共享的情况下（大多数欧洲市场及几个海湾 市场），这一点尤为突出：AI关键绩效指标（KPI）对 调度器、QoS（服务质量）和路由设置敏感，且对不透 明的共享层行为容忍度极低。以下是五个治理举措：

• 4. 建立跨RAN、传输、核心和云的联合可观测性，以 便能够将问题归因于特定层级并在源头解决。

TTFT、流媒体平滑度、多模态上行链路和终端可达性并 非仅由RAN（无线接入网）决定。 它们将历史上以工程 为主导的资产——用户面功能（UPF）部署、互联网交换 （IX）/对等互联策略、服务质量（QoS）策略、边缘计 算（MEC）、端到端——纳入商业路径。运营商可以运行 一流的RAN，但仍可能因对等互联薄弱、核心网突发拥塞 或边缘计算缺失而导致AI会话质量不佳而失败。

对于首席技术官（CTO）而言，AI体验将网络重新定 义为端到端的性能系统； 会话级别的成果所有权必 须涵盖无线接入网（RAN）、核心网、传输网和云—

—不能局限于任何单一领域。

• 5. 通过针对人工智能的特定服务类别和企业级SLA， 保留零售差异化的空间，以免共享层压垮商业故事。

©亚瑟·D·利特尔 2026年——版权所有