把收益和成本放在一起以后，AI 项目应该怎样算账？
Putting gains and costs together: how to do the math on an AI project前两篇分别算了企业 AI 的两边账。
第一篇问：
AI 提高效率以后，企业到底得到了什么？
我们一路从 task improvement 追到 workflow、capacity 和最终 value capture。
第二篇问：
AI 的成本，应该算到哪里？
模型和 API 当然要算，但完整 workflow 里还有数据、集成、eval、人工审核、监控、失败处理和长期维护。
到这里，看起来好像终于可以把两个数字放进公式里：
（收益 − 成本）÷ 成本 = ROI
可 research 真正做到这里以后，我反而觉得：
最需要小心的，正是给“企业 AI”一个统一答案。
01｜为什么很难得到一个「企业 AI 平均 ROI」？
因为“企业 AI”本身就不是一个足够具体的经济单位。
- 客服助手和 coding assistant 不一样。
- 给消费者提供售前 chatbot，和让财务团队使用知识助手不一样。
- 一个每天发生百万次、结果容易检查的任务，和每月只发生几次、失败一次就很严重的任务，也不能用同一套数字去比较。
- 甚至在同一个 coding 领域里，可信研究都可以得到看起来相反的结果。
一项覆盖三家公司、4,867 名开发者的随机实验发现，使用 AI coding assistant 后，完成任务数量平均增加约 26%。
METR 在另一项真实任务实验里，却发现一群熟悉成熟代码库的资深开发者，在当时工具条件下使用 AI 后耗时增加了约 19%。
两个研究并不一定谁对谁错。
人不同。任务不同。代码库不同。模型和工具不同。测量方式也不同。
所以 research 最后一个很重要的结论是：
AI 的经济效果高度依赖任务、baseline、使用者和工作流。
我们可以研究一个具体 use case。
却很难把它直接升级成：
“AI 平均可以带来多少 ROI？”
更现实的问题可能是：
一个具体 AI workflow，在什么条件下值得继续放大？
02｜规模化以前，先看五件事
完整 research 里没有一个经过跨行业验证的万能 ROI 公式。
但不同证据反复出现了一些条件。
我会把它们整理成五个问题。
第一，有没有真实、持续的需求？
AI 很容易增加供给。
生成更多文案、更快写代码、一次回答更多问题。
但如果没有真实需求，更多产出本身没有经济价值。
第一篇提过的零售实验里，售前 chatbot 能够带来明显销售提升，一个重要原因就是原来确实存在大量没有被满足的消费者咨询。
AI 降低了提供服务的成本以后，这部分真实需求被接住了。
反过来，如果团队已经没有更多任务、客户也不需要更多产出：
即使 productivity 很漂亮，也未必值得为了“更多”继续扩张系统。
所以第一个问题很朴素：
如果 AI 帮我多做 30%，有人真的需要这 30% 吗？
第二，什么叫一个「合格结果」，能不能判断？
一个 AI demo 很容易看起来不错。
规模化以后，真正麻烦的是：
怎样知道它每次都做对了？
BCG 的实验曾经出现一个很有提醒意义的结果。
在适合当时模型能力的任务上，AI 能改善表现。
但在一个超出能力边界的复杂管理任务上，AI 组给出正确建议的概率反而平均低了约 19 个百分点。
这不是说“AI 不适合咨询”。
它说明：
流畅、完整、听起来有道理，不等于业务结果正确。
如果一个 workflow 连“什么叫成功”都没有办法定义，规模化以后就很难真正测：
- 成功率是多少？
- 人工需要检查多少？
- 每个合格结果究竟多少钱？
这也是为什么我现在觉得：
验收标准不是 AI 项目上线后的 QA 工作，而是 business case 的一部分。
第三，失败能不能被发现和恢复？
任何系统都会失败。
经济上更重要的问题不是：
能不能做到 100% 自动？
而是：
失败发生时，我们能不能知道；知道以后，要花多大代价处理？
- 一个错误商品描述可能改掉就好。
- 一封发错的营销邮件可能影响品牌。
- 一个错误的财务判断，成本可能完全不同。
所以同样是 95% accuracy：
剩下 5% 的经济含义可以差很多。
- 有些任务可以让 AI 先做，失败后轻松转人工。
- 有些任务的错误很难检测，一旦发生又非常昂贵。
这也是为什么平均成功率本身，经常不够。
失败成本和恢复路径，也要进入 economics。
第四，整个 workflow 能不能真正利用 AI 的改善？
第一篇已经讲过：
task 变快，不代表 business 结果自动变好。
这个问题到了规模化阶段会更重要。
如果 AI 让代码生成速度翻倍，但 review 和测试完全没有改变：
增加更多 coding-agent capacity，不一定继续增加产品交付。
如果客服助手已经让等待队列消失了：
再增加 20% 的处理能力，边际价值也可能大幅下降。
所以规模化不是单纯：
已经有效 → 多买一些。
而应该继续问：
瓶颈现在在哪里？
AI 解决了原来的瓶颈以后，很可能只是把新的瓶颈暴露出来。
第五，把完整成本算进去以后，单位经济性还成立吗？
这才接到上一篇。
假设一个 AI 系统：
- 确实有需求；
- 输出能够验收；
- 错误能够恢复；
- workflow 也能利用新增能力。
最后还是要回到一个很普通的商业问题：
完成一个真正合格的结果，比原来的方式更好吗？
这里的“更好”不一定只是更便宜。
可以是：
- 同样成本，服务更多客户；
- 多花一点钱，但明显增加收入；
- 成本差不多，但错误更少；
- 成本更高，却让企业第一次获得一种非常有价值的新能力。
如果一定要先看最硬的现金部分，research 里采用的是这种思路：
净现金收益 = AI 真正带来的现金好处 − AI 真正增加的现金代价
这里我很喜欢的一点是：
释放的员工时间，不要强行塞进去。
如果它真的变成避免招聘、减少加班或者更多收入，再进入现金收益。
如果只是释放出 capacity，就单独记录。
这样不会为了让 ROI 好看，把所有“理论工资时间”提前变成现金。
03｜哪些场景现在的证据相对更清楚？
Research 最后没有做一个“AI ROI 行业排行榜”。
因为我们没有足够的统一数据。
但不同 use case 的证据成熟度，确实不一样。
高业务量、需求稳定、结果容易衡量的客服辅助
这里已经有比较强的工作流生产率证据。
也出现了 Klarna 这种真实企业披露的财务结果：
其 2025 财年 20-F 中，公司称 AI assistant 处理了约 80% 的客服聊天，并带来约 5,900 万美元成本节约。
这个数字仍然是公司自己的归因和估算，不等于独立因果审计。
而且公开材料不足以重新计算整个项目的净 ROI。
但相比“我们预计明年能节约多少”，它已经更接近真实运营。
这一类场景之所以相对容易验证，是因为：
- 需求持续存在；
- 业务量大；
- 结果比较明确；
- 转人工也可以设计清楚；
- 最终可以观察队列、处理量和实际支出。
能直接连接真实购买行为的零售功能
第一篇提过，某个大型跨境平台的售前 chatbot 销售提升约 16.3%，AI 搜索优化约 2.9%，而营销推送没有检测到显著销售增长。
我觉得这一组结果很有价值。
因为它说明：
小幅、可重复、直接连接业务指标的改善，可能比一个非常惊艳的 demo 更容易建立 business case。
2.9% 听起来并不轰动。
但如果真实业务量足够大，它可能是很可观的收益。
当然，规模只能放大单位经济性。
如果每一单本来就是亏的，规模更大不会神奇地把它变成好生意。
软件辅助
这里已经有很好的 task-level evidence。
但由于不同人群和代码库的研究结果差异很大：
比较合理的方法仍然是：
在自己的真实开发流程里测试。
并且不要只测：
“代码生成速度快了多少？”
还要看：
review、testing、maintenance、release 和最终交付。
证据还比较弱的场景
例如开放式、跨系统、长链条 autonomous agents。
现在已经有真实部署调查，但还没有足够证据支持它们具有一个普遍的正净 ROI。
这不是说它们没有价值。
只是：
不能因为 agent 能完成越来越复杂的 demo，就把别人的能力展示直接借来当成自己的 business case。
04｜自动化程度越高，不代表经济效益越好
这一轮 research 里还有一个我很喜欢的发现。
一项 2026 年的生产 agent 研究，在筛出的 86 个生产或试点系统中发现：
68% 会在自主执行不超过 10 个步骤后让人介入，47% 甚至不到 5 步。
这个样本有明显边界。
它来自愿意参与研究的生产和试点团队，不代表整个行业，也不能拿来计算 agent 成功率。
但它至少提醒了一件事：
现实里的 agent，并没有都沿着：
human → human-in-the-loop → fully autonomous
这条进度条往前走。
很多团队选择的就是：
- AI 做一段；
- 人在关键地方判断；
- 失败可以接管；
- 然后继续。
从经济角度看，这完全可能是合理选择。
因为：
减少人工介入会降低一部分劳动成本，但也可能增加错误和恢复成本。
所以“自动化程度更高”并不天然代表 ROI 更好。
更好的问题还是：
把 AI 和人工放在一起以后，整个系统是不是更有效？
05｜这也让我重新理解了 Eval
过去讲 eval，我很容易先想到：
accuracy、hallucination、成功率、benchmark。
这些当然重要。
但如果把这三篇放在一起，我现在会觉得 enterprise AI 的 eval 还应该继续往后走一步。
它不只是在问：
AI 有没有答对？
还应该帮助回答：
整个系统能不能稳定完成一件真正有价值的工作？
这里面自然会包含：
- 完整 task success；
- 人工介入率；
- 失败和恢复；
- 完成时间；
- 每个合格结果的完整成本；
- 以及这个结果最后对应的 business outcome。
Eval 自己当然不能替企业完成 ROI。
但如果完全没有这一层：
产品很容易证明：
模型能力越来越好了。
却始终不知道：
这套系统作为一门生意，到底越来越好没有。
三篇研究做完以后，我最后留下的是一套很普通的问题
开始这轮 research 时，我其实很想知道：
企业到底应该怎样算 AI 的 ROI？
查到最后，没有得到一个漂亮的行业数字。
也没有找到：
“AI 平均回报 X 倍”
这种我愿意相信的答案。
反而变成了三个更具体的问题。
第一，企业真正得到了什么？
不是停在 productivity，而是一直追到价值有没有被 capture。
第二，为了得到这些结果，完整付出了什么？
不是只看 API，而是比较两个完整 workflow。
第三，这件事在自己的真实业务里，能不能持续成立？
- 有需求吗？
- 结果能验收吗？
- 失败能恢复吗？
- workflow 能利用新增能力吗？
- 规模放大以后，单位经济性还成立吗？
如果要把三篇最后收成一句话，我现在会写：
AI 能做到一件事，和企业值得长期把这件事交给 AI，是两个不同的问题。
前者更多是 capability。
后者需要把：
真实需求、业务结果、可靠性、完整成本和规模
一起放进来。
所以以后看到一个 AI use case，我可能不会先问：
“它有多先进？”
而会先问三个更朴素的问题：
它真的让结果变好了吗？为了这个结果，我们完整付出了什么？这个收益和成本，在真实业务量下还能持续成立吗？
如果三件事都说得清楚，我觉得才真正开始接近一笔可以被相信的 AI 经济账。
关于这轮 research
这是「企业 AI 的真实经济账」研究系列的第三篇，也是最后一篇。
这轮 research 是一次结构化公开证据综述，不是统计元分析。
现有证据最大的限制之一，是公开研究对 productivity、工作流产出和部分业务指标的测量，明显多于对完整项目成本和长期净收益的披露。
因此，这个系列没有试图给出：
- 企业 AI 的平均 ROI；
- 各行业 AI ROI 排名；
- 统一的试点失败率；
- “自动化越高越赚钱”这样的规律；
- 或一个适用于所有 AI 项目的规模化公式。
文中提出的“规模化前五个问题”，是综合现有实验、生产部署和成本研究得到的分析框架，而不是已经经过跨行业验证的因果定律。
当前相对更明确的判断是：
有真实需求和足够业务量、结果能够验收、失败能够处理、工作流能够利用改善的 use case，更容易建立可信的经济模型。
但最终仍然需要在具体业务里验证。