当被问及某个 AI 项目的 ROI 时，人们的第一反应往往是成本节约的数字：减少了多少工时、省下了多少人力。这种本能反应存在两个缺陷。首先是低估了价值——AI 在企业内部真正交付的成果绝大多数并非削减成本，而是产能、速度与质量，而这些都不会在预算表上表现为某项费用的减少。其次是误导了决策——如果仅以成本节约来衡量，最终获批的项目往往只是那些消减工作量的项目，而那些能够创造能力的成果——例如更快的分析、更好的决策、以及企业原本不具备的业务产能——则会输给那些仅仅做减法的项目。只要掌握正确的方法，这两个缺陷都是可以纠正的。
每项举措都会通过以下几种机制之一带来收益：消除工作（任务自动化）、加速工作（以更短的周期完成相同任务）、提升质量（减少错误、产出更好、服务更优），或增加产能（以前公司完全无法开展的工作）。在项目启动前明确机制，是实现有效衡量的基础，因为机制决定了应该监控的指标：消除类项目体现在工时上，加速类项目体现在周期上，质量类项目体现在错误率和返工率上，而产能类项目则体现在此前无法开展的工作的产出上。跳过这一步的团队，最终往往会试图用其项目根本无法产出的货币单位去证明价值。
在狂热的氛围中，ROI 有一个无人提及的分母：诚实的“现状”。自动化前流程消耗的工时、加速前的周期、质量改进前的错误率——这些都必须在项目启动前从实际记录中捕获，而不是依靠乐观的回忆。如果没有基准，衡量就会变成终点线上的考古，而考古总能发现赞助者希望找到的结果。这项纪律关乎记账，而非信仰：AI 对 P&L 的影响唯有在有人记录下世界原本面貌的前提下，方能清晰显现。
该方法中令人感到棘手的一半，是用企业主能够权衡的条款来评估质量、速度和产能。当周期具有商业意义时，速度便有了价格：更快做出的决策、更早服务的客户、更早发现的问题——机制界定了这一点，价值则源于陈述的事实，而非凭空捏造的乘数。产能的评估取决于新产能的投向：最终完成的分析、终于得以服务的细分市场。如果释放出的产能没有目的地，其价值老实说就是零——这本身就是对该举措而非测量本身的一个发现。质量的评估则取决于错误的成本：返工、信任的丧失、质保风险——这些都是公司从经验中早已知晓的成本。从会计意义上讲，这些都不是节约；但它们全部都是真实的，且AI 创造价值的地方正是这片领域，让这项估值工作真正发挥了价值。
另一个独特性质是：AI项目在运行过程中会不断演变——使用量在增长，模型的任务在转变，与之配套的流程也在调整。单次事后ROI计算只能定格某个随意的瞬间。行之有效的做法是阶段性核查：上线时建立基准，使用量趋于稳定时进行首次评估，随后按照与流程成本相匹配的节奏进行——因为一个AI项目诚实可靠的ROI应当包含项目自身的运营成本，而这恰恰是立项批准后最常被遗忘的成本。
省下的成本只能证明AI项目造价低廉。唯有利器、基准以及释放出的产能去向，才能证明它值得去做。
设定评估框架——机制、基准、非节支效益的估值以及检查点——是the AI practice，必须在项目启动时就完成，因为到了冲刺阶段就无法再坦诚以待了。
我们使用 Cookie 来分析流量并改进网站。分析功能仅在获得您的同意后方可启用。Cookie 政策