“我们也要用 AI”，这是很多企业在近两年的共同口号。但在热情之后，管理层往往会追问：这些 AI 项目到底带来了什么？投入了多少？值不值得继续做？大量 AI 项目停留在演示或试点阶段，无法规模化推广，很重要的原因是没有在一开始就设计好价值衡量方式。 算清楚 ROI，不是为了给项目设障碍，而是为了把资源投到真正有价值的地方。

先问：要解决什么业务问题

ROI 评估的起点不是技术，而是业务问题：

  • 这个流程目前由谁完成，花多少时间和成本？
  • 存在什么问题：太慢、太贵、错误率高、无法规模化，还是客户体验差？
  • 如果问题被解决，业务上会发生什么变化？

如果说不清楚要解决的业务问题，项目很可能就是“为 AI 而 AI”。

建立基线

没有基线就无法衡量改进。在引入 AI 之前，测量当前状态：

  • 效率指标：完成单位工作所需的时间、每人每天处理量；
  • 质量指标：错误率、返工率、客户满意度；
  • 成本指标：人工成本、外包成本、相关系统成本；
  • 业务指标：转化率、响应时间、营收等。

基线数据要真实可信，最好来自系统记录，而不是估算。

识别收益

直接收益

  • 节省时间：员工在该任务上节省的时间，乘以人力成本。但要注意，节省的时间是否真的被用于更有价值的工作，还是只是变成了空闲；
  • 减少外包或人员需求：例如客服、标注、翻译等外包费用的下降；
  • 减少错误损失：错误率降低带来的返工、赔偿、罚款减少；
  • 增加收入：转化率提升、响应速度提升带来的订单增加。

间接收益

  • 员工满意度提高，减少重复枯燥的工作；
  • 服务时间延长，例如全天候客服；
  • 决策速度加快；
  • 知识沉淀，减少对个别员工的依赖。

间接收益难以精确量化，但不应被忽略，可以用定性描述和代理指标呈现。

全面计算成本

AI 项目的成本常常被低估，以下几项最容易遗漏：

  1. 模型与基础设施：API 调用费用、GPU 资源、向量数据库、存储等，规模化后可能显著增长，参见大模型 API 成本优化；
  2. 开发与集成：与现有系统的对接往往比 AI 部分本身更耗时；
  3. 数据准备：数据清洗、标注、知识库整理，通常是工作量最大的部分；
  4. 人工审核：AI 输出需要人工复核的部分，持续产生人力成本；
  5. 运维与迭代：监控、评测、提示词维护、模型升级适配；
  6. 变革管理：培训员工、调整流程、处理抵触情绪；
  7. 风险成本：AI 出错可能带来的损失，以及合规和安全投入。

设计可信的试点

选择合适的试点范围

选一个业务价值明确、数据可得、风险可控的场景，范围足够小以便快速执行，又足够有代表性以便推广。

设置对照

如果条件允许，让一部分团队或一部分业务使用 AI，另一部分保持原有方式，在相同时间段内比较指标。这比前后对比更能排除其他因素的干扰，方法类似于 A/B 测试。

定义成功标准

试点开始前就约定：达到什么指标视为成功，可以推广；什么情况下应该停止。

关注真实使用

记录员工是否真正在使用 AI 工具，以及在什么情况下不用。低使用率往往揭示了产品或流程上的问题。

计算与呈现

一个简化的计算思路：

ROI = （年度收益 − 年度成本）÷ 年度成本

同时还应呈现：投资回收期、收益的不确定性范围（乐观、中性、保守三种情境）、关键假设和风险。

在汇报时，把可量化的收益、难以量化但重要的收益、主要风险和后续计划分别清楚地列出来，比单一的 ROI 数字更有说服力。

常见陷阱

  • 用演示效果代替真实效果：演示中的成功案例不代表真实业务中的平均表现；
  • 只算节省的时间，不算新增的审核时间；
  • 忽视规模化后的成本变化；
  • 忽视员工采纳率：工具再好，没人用就没有价值。

小结

企业 AI 项目的 ROI 评估，要从业务问题出发，先建立基线，全面识别收益和成本，通过有对照的试点获得可信数据，并诚实地呈现不确定性。这样不仅能帮助企业把资源投向真正有价值的 AI 应用，也能为成功的项目争取到规模化推广所需的支持。更多治理层面的建议见企业 AI 治理框架。