花了大价钱上AI，怎么知道亏没亏？

我第一次帮一家企业算AI投入产出，算完后沉默了三天。

不是数字太难算，而是算出来的数字让我难受——企业花了380万上AI系统，一年下来，真正产生可衡量价值的场景，不到总投入的30%。剩下的，全沉了。

问题出在哪？不是AI不好用。是这家企业从立项到上线，没有一个人敢问："我们怎么知道这笔钱花得值不值？"

CEO不敢问，怕问了显得自己不信任团队。CTO不敢答，怕答了预算被砍。HRD不敢提，怕显得自己不懂技术。

整个管理层默契地绕过了这个问题。

说实话，这种情况我见得太多了。过去两年，我参与评估过30多家企业的AI投资，几乎每一家都说自己"投入很大"，但没有一家能拿出合格的数据告诉我回报在哪。

AI ROI最大的陷阱，从来不是算不清——是不敢算。

为什么不敢？因为算出来如果亏了，你就要做决策：停还是继续？这两条路都不好走。

可问题是：不算，代价更大。

---

01 不算账的代价，比算出来亏更大

McKinsey 2025年的一份调查让我印象很深：全球企业AI投资中，只有14%的公司建立了正式的ROI追踪机制。

剩下的86%在干嘛？在"等"。等项目自己证明价值。

我等过。等的结果是什么？一年后，管理层换了一拨人，AI项目被新老板叫停，380万变成了一堆没人用的系统许可证。

Gartner 2026年的数据更扎心：AI项目上线后，只有不到30%能持续获得下一轮预算。70%的项目在第一轮预算花完后，就再也没有然后了。

为什么？因为没有数字证明它值。

你可能觉得：等一等，AI跑起来自然就有数据了。错。

Google Cloud的Agentic AI报告（2025）里有个数据：部署AI智能体的企业中，88%获得了正向ROI。但注意前提——这些企业从一开始就做了衡量设计。不是自然发生的，是设计出来的。

说白了，你不算，ROI就是负数。你算了，才可能正。

这不是什么高深的财务理论。这就是现实：在商业世界里，不被衡量的东西就不被重视。不被重视的东西，早晚被砍掉。

我见过一个制造企业的案例——他们上了一套AI排产系统，花了120万。前6个月，没有人追踪效率变化。到了第7个月，老板问"这东西有用吗？"，团队拿出手机相册里的截屏说"你看，界面挺好看的"。

三个月后，系统被停了。不是因为不好用，是因为没人能证明它好用。

你说，这不比算出来"亏了点"更亏吗？

---

02 不敢算的根因：CEO和CIO都在逃避

我自己也犹豫过。

有一次帮一家连锁零售企业做AI投资复盘，CTO私下跟我说："老邓，要不别算那么细了吧？老板那边好交代就行。"

我理解他的压力。他花了200万买了一套AI驱动的库存预测系统，上线后没有明显改善缺货率。他不敢面对这个数字。他选择相信"再跑一段时间就好了"。

问题是，再跑三个月，缺货率没变，库存周转率反而因为系统误判下降了5%。

后来我们坐下来认真复盘，发现不是AI不行，是数据接入出了问题——门店的POS数据没跟AI系统打通。这个问题的根因花了不到一周就找到了。修复后，缺货率下降了12%。

你猜如果当时他没选择面对，这个AI项目会怎样？大概率像那个制造企业一样，被老板在第二年砍掉。

你知道我在这件事上学到什么吗？不敢算，本质上是把决策权交给了运气。

你不算，AI项目就处于一个"薛定谔的状态"——既成功又失败。老板不知道该不该继续投，团队不知道该不该继续做。所有人都在猜。

这比"算出来亏了"可怕一万倍。

算出来亏了，至少你知道哪错了。就像开车时仪表盘告诉你发动机过热——你会紧张，但你知道该做什么。不算，就是仪表盘全黑，你还在踩油门。

---

03 怎么算：三步建立AI投资回报追踪框架

好的，说到实操层面。

我帮几十家企业做过复盘，总结下来其实就三步。不复杂，但需要你从第一天就想清楚。

第一步：上线前就定好"什么是成功"

我知道你在想："AI的效果怎么提前定？万一不准确呢？"

我承认，提前定义确实不完美。但你猜猜，如果不定，情况会怎样？一年后你还是说不清楚。

我的建议很简单：上线前写三个指标。不是十个，不是二十个，就三个。

这些指标要满足三个条件：可测量、有基准线、有责任人。

举个例子。一家中型物流公司上AI调度系统，他们定的三个指标是：

• 每日配送订单的准时率（上线前基线：74%）
• 每单平均调度时间（上线前基线：8.2分钟）
• 调度员培训上岗周期（上线前基线：6周）

清晰、可量化、有责任人。不需要复杂的财务模型。

他们算了一笔账：调度效率提升20%，等于省了4个调度员的成本。按每人年薪15万算，一年省60万。AI系统年度成本是30万。ROI = 100%，这个数字老板看得懂。

这个案例后来成了业内的一个参考——不是因为技术多牛，而是因为账算得清楚。

第二步：分层衡量，别只盯一个维度

短期价值好算：节省了多少时间、减少了多少错误、释放了多少人力。

长期价值不好算：决策质量提升、创新能力增强、人才吸引力变高。

我见过一家企业只盯短期指标，结果发现AI把客服响应时间从5分钟降到了30秒，但客户满意度反而下降了。因为AI回答虽然快，但答非所问。

所以你必须两个都看。短期看效率，长期看质量。

McKinsey 2025年的调研也验证了这一点：那些同时追踪"效率指标"和"质量指标"的企业，AI项目持续获得预算的概率是那些只盯效率指标的2.7倍。

第三步：建立对比基准，持续校准

这是最容易被忽略的一步。

评估AI的效果，一定要有对照组。试点部门vs非试点部门，上线前vs上线后，AI辅助vs纯人工。

千万别信"感觉上提高了"。感觉会骗人，数据不会。

我自己的习惯是：每季度做一次ROI复盘会议。不需要很长，半小时够用。就三个问题：

• 这个季度，AI给我们省了什么？省了多少？
• 这个季度，AI给我们带来了什么新价值？
• 下个季度，我们应该停什么、加什么、改什么？

你知道吗？过去两年，我用这三个问题帮企业复盘AI投资，平均每家企业能识别出至少20%的低效场景。这些场景，如果不算账，永远不会被发现。

联合利华做人才配置AI项目时，他们从一开始就搭建了追踪框架。结果呢？70%的员工被重新配置到更合适的岗位，释放了50万小时的产能。50万小时，算成财务数字是1.2亿人民币的产能价值。

但他们不是"蒙对的"。他们从第一天起就知道自己在衡量什么：人才匹配度、配置效率、跨职能流动率。三个月一个循环，持续校准。

这不是什么黑科技，就是最朴素的商业常识——你花出去的钱，必须能算清楚账。

---

回到本质

你可能会问：这篇文章说了这么多，跟"stable"有什么关系？

关系很大。

AI技术在变。2023年大家都在聊大模型，2024年聊智能体，2025年聊多模态——技术迭代越来越快，快到你根本追不上。

但商业的本质一点没变：投入产出比，永远不会变。

你可以不懂算法、不懂Transformer、不懂Agent架构，但你一定要会算账。因为技术有周期，商业规律没有周期。

$100万砸下去，你必须知道赚回来了多少。这个道理，一百年前做生意的懂，一百年后做AI的也懂。

你花出去的每一分钱，都在问你一个问题：值不值。

你敢算，才知道答案是"值"还是"不值"。知道了，下一分钱才不会白花。