企业AI落地ROI，不能只算工具费

企业评估一个AI项目值不值得继续，常见的情况是：财务拿出工具采购清单，业务部门说效率提高了，项目团队展示新增的内容数量或处理速度。

这些信息都有用，但还不足以算出项目回报。

ROI是“投资回报率”的英文缩写，用来衡量一项投入带来了多少净收益。基本公式是：

AI落地ROI＝（可量化收益－总投入）÷总投入

公式并不难。难的是把“做得更快了”“产量增加了”“客户回复更及时了”这些感受，换成口径明确、能够复核的数据；同时把工具费之外的人力、实施、学习和时间投入一并算进去。

如果收益只写“提效明显”，投入只算软件订阅费，得出的ROI即使很高，也无法说明项目是否真的值得继续。

一笔能用于经营决策的AI项目账，至少要做到三点：按具体应用场景分别核算，把效果换成业务数据，把没有形成对外付款的内部投入也计算在内。

使用AI，不等于已经获得业务回报

MIT Project NANDA在2025年发布的初步研究报告《The GenAI Divide》，分析了300多项公开披露的AI应用，访谈了52家机构，并收集了153名高级管理者的问卷。

报告称，在其研究范围内，95%的组织尚未从生成式AI投入中获得回报；只有5%的集成式AI试点取得了数百万美元级的价值。与此同时，超过80%的组织已经考察或试用过ChatGPT、Copilot等通用工具。

这组结果讨论的不是“AI有没有人用”，而是企业能否把试用转化为持续、可衡量的经营结果。报告也明确提示，部分比例来自访谈，样本规模和成功标准并不完全一致，因此这些数字更适合用于观察趋势，不能直接当作所有企业的统一失败率。

中国企业对AI的使用已经相当普遍。新京报贝壳财经发布的《中国企业家人工智能应用调研报告（2025）》覆盖128家企业，其中89.84%的受访企业已在不同经营环节使用AI。

另一份需要区分范围的数据来自麦肯锡《2025年AI应用现状全球调研》。这项全球调研覆盖105个国家的1993名受访者，其中约6%被定义为“AI高绩效企业”：受访者认为，AI为企业贡献了5%以上的息税前利润，并带来了显著价值。息税前利润，是企业扣除利息和所得税之前的利润。

中国调研的89.84%和麦肯锡全球调研的6%，样本、地区和统计标准都不同，不能直接放在一起计算，也不能由此断定中国企业中只有6%取得了回报。它们分别说明了两个问题：企业使用AI已经很常见，但要证明AI对经营结果产生了显著影响，还需要更严格的核算。

先确定核算范围：一个场景算一笔账

AI项目不适合一开始就按全公司计算ROI。

企业总营收同时受到产品、价格、销售、渠道和市场环境等多种因素影响，很难从中单独判断AI带来了多少变化。不同AI项目关注的结果也不同：营销内容生产可能关注产量和单条成本，客户服务可能关注处理时长和服务量，其他项目还会有各自的业务指标。

如果把多个项目合并计算，表现较好的项目可能掩盖表现较差的项目，最终仍然无法判断哪项投入有效。

更合适的做法是：先选择一个范围明确、数据可以持续记录的业务场景，单独核算它的投入和收益。

例如，企业要评估营销内容生产中的AI应用，就只比较这个场景上线前后的产量、成本、人力投入和相关业务结果，不把其他部门的营收变化纳入同一笔账。

核算范围越清楚，项目结果越容易复核，后续也越容易判断是否适合复制。

收益怎么计算：先把“提效”拆成四类数据

能够用于评估项目收益的数据，必须有统一口径，并且能够通过工时记录、业务系统、财务数据或项目台账复核。常见指标可以分为四类。

1. 人效变化

统计同一个岗位或同一套流程，在AI介入前后分别需要多少人、投入多少工时、完成多少工作。

这里不能直接套用行业里的“提效倍数”，也不能只询问员工是否感觉更快。企业需要记录项目中的实际工时和实际产出，再比较变化。

2. 单位成本变化

比较AI使用前后，完成一次服务、处理一个流程或生产一条内容分别需要多少成本。

只比较总费用容易产生误判。业务量增加以后，总费用可能上升，但单位成本可能下降；业务量减少时，总费用下降也不一定说明生产方式有所改善。

3. 产能变化

在相同或可以比较的人力、时间条件下，统计产出数量发生了什么变化。

产能增加可以证明项目改善了生产能力，但不能用一句“整体效率提升”同时代替产能、人效和成本数据。这三类指标需要分别记录。

4. 能够明确判断由项目带来的营收或获客贡献

如果AI改善了内容生产、客户响应或销售转化，只能统计有记录支持、能够明确判断由该项目带来的部分。

例如，可以根据客户来源、业务流程记录和前后对照数据判断项目贡献，但不能把公司整体营收增长全部计入AI收益。

这四类指标不必同时使用。企业应根据项目要解决的问题选择对应指标：解决成本问题，就重点看单位成本；解决产能问题，就重点看相同条件下的产量；解决获客问题，就提前确定客户来源和转化记录方式。

还要注意，业务指标不一定会自动变成财务收益。节省的工时、增加的产量应不应该折算成金额、按照什么标准折算，需要企业结合自身的财务和管理口径提前约定。无法合理折算的指标，可以单独作为经营效果记录，不必强行并入一个ROI数字。

投入怎么计算：没有对外付款，也可能是项目成本

不少企业计算AI项目投入时，只统计平台订阅费或软件采购费。这样得到的总投入通常不完整。

一项AI项目至少要检查以下五类成本：

• 平台、软件和工具的采购或订阅费用；
• 服务商收取的项目实施费或陪跑服务费；
• 企业内部人员参与调研、测试、修改和验收所投入的工时；
• 团队从学习到熟练使用所需的培训投入和适应时间；
• 项目从启动到产生业务价值期间占用的时间和资源。

内部人员参与项目，虽然没有形成一笔对外付款，但相关工时已经被项目占用。团队学习和适应也需要投入时间。如果这些部分完全不计，ROI就容易被高估。

不同企业对内部工时和时间成本的计价方式可以不同，但同一个项目在核算前后必须使用一致标准。还要避免重复计算，例如某段培训时间已经计入内部工时，就不应再以同一口径计算一次。

完整计算投入后，ROI可能没有最初预估得那么高。但只有这样的结果，才能用于判断项目应该继续、调整还是扩大。

五种常见算法，为什么得不出可靠结论

常见做法	主要问题
把公司总营收增长全部归因于AI	影响营收的因素很多，无法单独判断AI的贡献
只计算工具订阅费	漏掉内部人力、学习和实施成本，容易高估ROI
把“感觉更快了”直接作为收益	没有业务记录，无法复核，也无法进行前后比较
把多个项目合并计算	不同场景的投入和收益范围不同，结果不能反映单个项目表现
直接采用行业平均回本周期	企业、行业、场景和执行方式不同，外部平均值不能代替本企业数据

这些做法的问题不在公式，而在统计范围和计算口径。收益从哪里来、成本包括什么、数据如何记录，如果没有提前说清楚，最后得到的数字就很难支持经营决策。

一套可以直接执行的ROI核算流程

第一步：选择一个具体场景

先明确这次AI应用要解决什么问题，再把项目限制在一个可以观察、可以记录的业务场景内。

试点阶段可以优先选择结果出现较快、原始数据较完整、不依赖大规模系统改造的场景。这样更容易取得一组能够前后对照的数据。

第二步：记录上线前的数据

在AI介入之前，记录当前场景的产量、单位成本、人力投入、处理时长和其他相关业务指标。这组上线前的数据，就是后续比较的基础。

没有这些记录，项目上线后即使结果发生变化，也无法准确判断变化幅度。

第三步：提前确定达标标准

不能只说“先运行一段时间看看”。企业需要在项目开始前约定：在多长时间内，哪个指标达到什么结果，才算本次投入有效。

达标标准必须与项目要解决的问题一致。项目要解决成本问题，就重点检查单位成本；要解决产能问题，就重点检查相同条件下的产量变化。

第四步：设定验证周期

对于见效较快、数据容易统计的场景，可以在1至3个月内进行第一轮核算；部分项目则可能需要3至6个月，才能形成可以核对的结果。

这些时间只适合作为参考。企业仍要根据业务周期、数据量和项目复杂程度确定观察时间，不能把同一个周期套到所有项目上。

第五步：分别统计收益和投入

验证周期结束后，按照事先约定的口径逐项统计业务结果。需要计入ROI的部分，再按既定标准折算为可量化收益。

随后完整统计工具、服务、内部人力、学习和时间投入，最后代入公式：

AI落地ROI＝（可量化收益－总投入）÷总投入

这一步必须使用实际记录，不能用“效果不错”或“团队反馈很好”代替数据。

第六步：根据结果决定下一步

试点达到预定标准后，再评估是否复制到其他部门或场景。

如果没有达标，也应按照事先约定的规则处理：调整方案、延长验证，或者停止项目。不要等到结果不理想时，再临时修改达标标准。

试点结果不能直接按比例推算到全公司

试点阶段可以估算扩大应用后的结果，但必须说明：这是根据试点数据作出的推算，不是全公司实施后的最终ROI。

应用范围扩大以后，人员结构、管理成本、培训投入和跨部门协作都会发生变化。一个团队试点形成的单位成本和产能数据，不能简单按照部门数量或员工人数等比例计算。

更稳妥的顺序是：先完成一个场景的验证，确认投入和收益，再逐步复制。每增加一个新场景，都要重新确定核算范围和指标，不能用第一个项目的结果代替后续项目的实际数据。

自建还是与外部合作，也要看具体条件

MIT Project NANDA的报告还比较了不同实施方式。在其访谈样本中，具备持续学习能力并经过定制的外部合作工具，约67%进入了部署阶段；完全由内部团队开发的工具约为33%。

这组数据的适用范围需要说清楚。它不是所有外部厂商项目的平均成功率，也不能证明只要选择外部合作就一定更容易成功。报告指出，这些结果来自52家机构的访谈样本，成功定义存在差异，而且选择外部合作的企业，在采购能力、技术基础和风险承受能力上也可能不同。

它能提供的参考是：AI项目的结果不只取决于工具本身，也与工具是否适合现有流程、能否根据反馈调整，以及项目如何组织和验收有关。

无论企业选择内部开发还是外部合作，都要先确定业务目标、数据口径和验收标准。否则，即使工具已经部署，也可能无法说明它是否产生了业务价值。

回本周期不能直接照搬行业数字

回本周期，是指一项投入通过累计收益收回成本所需要的时间。

市场材料中常能看到从几个月到数年的不同回本周期。出现如此大的差异，是因为不同项目的投入规模、使用频率、业务基础和收益方式并不相同。

因此，行业数字只能帮助企业建立初步预期，不能直接成为本企业的验收标准。具体项目仍要根据自身的总投入、上线前数据和实际收益重新计算。

回本时间较长，也不等于项目一定不值得做。企业还要结合场景的重要程度、投入规模和后续复制的可能性判断。关键是提前说明预期周期和验收方式，避免项目实施一段时间后，各方才发现使用的判断标准并不一致。

ROI不是为了证明项目成功，而是为了决定下一步

企业计算AI项目ROI，不是为了给已经发生的投入找一个好看的解释，而是要回答几个具体问题：

• 这个场景是否产生了可以核对的业务结果？
• 为获得这些结果，企业实际投入了多少？
• 项目没有达标的原因是什么？
• 应该继续投入、调整方案，还是停止？
• 这套方法是否适合复制到其他场景？

所以，企业AI落地的ROI不能只从工具采购清单中计算，也不能用一次主观评价代替。

先选定一个具体场景，记录上线前的数据，确定达标标准和验证周期，再分别统计收益与全部投入。把这些数据核对清楚，企业才能判断AI究竟改善了什么、改善了多少，以及下一步是否值得继续投入。