AI项目有没有效果，先核对四类指标

企业评估AI项目时，最常问的是：工具买了没有？员工会不会用？

这两个问题只能证明企业开始使用AI，无法证明项目已经产生业务价值。

《中国企业家人工智能应用调研报告2025》显示，中国企业使用AI的比例达到89.84%。MIT Project NANDA发布的《The GenAI Divide》2025报告指出，超过80%的企业试用过至少一款AI工具，但只有5%的定制AI试点真正进入生产阶段并产生可衡量的价值。这里的“生产阶段”，是指不再停留在测试，而是进入正式业务运行。麦肯锡《2025麦肯锡AI应用现状调研》的大中华区数据显示，只有6%的企业被列入报告所称的“高绩效赢家”。

三份报告的调查对象和统计方式不同，数字不能直接比较。但它们指向了同一个问题：企业采用AI，与企业通过AI取得业务结果，是两件事。

因此，判断一个AI项目有没有效果，不能只听“大家已经用起来了”，还要核对四类数据：产能、成本、转化和留存。

指标类型	需要核对的问题	常见衡量方式	容易出现的误判
产能	同样的工作是否做得更快、更多	单个任务耗时、单位时间产出量、更新频率	把上线初期的集中使用当成长期效果
成本	完成同样的工作是否花得更少	单个业务场景的成本、人力工时变化、投入产出比	漏算内部人力和培养成本
转化	增加的产出是否带来业务结果	可追踪的潜在客户、转化率和复购变化	把产量增加直接算成收入增加
留存	一段时间后是否仍在稳定使用	持续使用率、日常流程使用情况、内部能力保留情况	只看试点期，不看后续运行

四类指标各自解决一个问题，不能互相替代。只看产能，不看留存，短期数据可能很好，流程却无法长期运行；只看转化，不看成本，即使收入增加，也无法判断投入是否划算；只看成本，不看业务结果，也可能出现工作费用降低了，最终结果却没有改善。

正式评估前，先把试点条件写清楚

试点，是指先在较小范围内运行项目，用实际数据判断方案是否值得继续。一个可以评估的试点，需要同时满足三个条件：具体业务范围明确、指标能够量化、验证周期清楚。

先选少数核心指标

试点开始时，不必同时设置十几个考核项目。可以先选择一到两项与当前业务直接相关、能够持续记录的指标，例如完成单条内容所需的时间，或者同等人力下的月度产出量。

指标少一些，更容易看清变化是否来自当前项目。但最终判断项目效果时，仍需回到产能、成本、转化和留存四类数据，不能只凭某一项数据下结论。

同时确定基线和达标线

基线，是项目开始前的实际数据。例如，一条内容原来需要多长时间，一个月能够完成多少条，需要投入多少人力和成本。

达标线，是在规定时间内，指标达到什么水平才算试点通过。

没有基线，企业无法确认项目带来了多大变化；没有达标线，项目即使长期没有明确结果，也可能一直停留在“再观察一下”。

记录前还要统一统计范围和计算方式。上线前后如果采用不同算法，得出的“效率提升”就无法核实。

提前约定验证方式和未达标方案

AI项目可以先在小范围内验证，达到约定标准后再扩大投入。整体试点可以在3至6个月内观察结果，其间设置1至3个月的阶段性验证周期。

验证开始前，还要约定项目未达标时如何处理，例如调整方案、终止项目或采用费用抵扣机制。这些内容应写入合同条款，不能只依赖口头承诺。

产能：同样的工作，是否做得更快、更多

产能变化最容易观察，通常可以核对以下数据：

• 完成单条内容或单个任务需要多长时间；
• 同等时间内能够完成多少任务；
• 同等人力条件下，月度产出量是否发生变化；
• 原有业务的更新频率是否提高。

比较这些数据时，必须使用项目上线前的基线，并保持前后统计方式一致。

例如，原来完成一条内容需要多少时间，一个月能够产出多少条；引入AI后，在相同条件下，这两个数字分别发生了什么变化。只有这样，“效率提升”才有可以核对的依据。

产能数据还要持续观察。刚上线时，员工可能因为培训、考核或集中推动而频繁使用，短期产出不能直接代表长期效果。

成本：不能只算工具采购费

成本指标需要核对的是：完成同样的工作，现在是否花得更少。

很多企业只统计平台采购费或服务费，却忽略了内部投入。一个AI项目的总投入至少包括：

• 平台、工具或服务费用；
• 员工学习、测试和适应新流程所投入的时间；
• 培养内部人员独立操作AI流程所需的资源；
• 项目从启动到产生稳定效果之间的时间成本。

成本还要按具体业务分别核算。内容生产、客服和销售辅助等业务的投入与收益不同，不能全部合并成一个数字。

如果只算总账，一个项目的收益可能掩盖另一个项目的亏损。企业最终仍然无法判断，哪些项目值得继续投入，哪些项目需要调整或停止。

转化：产出增加，不等于业务增长

转化指标核对的是：AI增加的产出，是否进一步带来了潜在客户、成交或复购变化。

内容更多、任务完成更快，只能证明产能发生了变化。要证明项目带来了业务价值，还需要单独记录这些新增产出产生了多少可以追踪的业务结果。

因此，转化指标只统计能够追踪，并且能够确认与AI项目有关的部分。无法确认关联的收入或业务变化，不应直接计入项目收益。

留存：三个月后，项目是否还在运行

留存不是看项目刚上线时有多热闹，而是看一段时间以后，工具、流程和内部人员是否仍能正常工作。

可以核对以下内容：

• 员工是否持续使用工具；
• AI是否已经进入日常业务流程；
• 集中推动结束后，业务是否会恢复原来的做法；
• 服务方退出后，内部人员能否独立操作和维护。

还要检查相关能力是否留在企业内部。可核对的材料包括标准操作流程文档，也就是说明每一步该怎么做的SOP；供员工和AI查询使用的内部知识库；已经整理并可以重复使用的业务流程；以及内部人员的操作认证记录。

如果这些材料和能力都没有留下，即使试点期间的数据不错，项目结束后也可能无法继续运行。企业得到的只是试点期间的服务，没有形成可以独立使用的内部能力。

投资回报率要按具体业务单独计算

投资回报率通常简称ROI，用来表示项目获得的净收益相对于投入的比例。基本公式是：

（AI带来的可量化收益－总投入）÷总投入

公式并不复杂，问题通常出在收益和投入两边都存在漏算。

投入一侧，容易漏掉内部人力、人员培养和项目适应期的时间成本；收益一侧，容易把效率提升直接算成收入增长。

计算时，应先统计某个具体业务的完整投入，再计算该业务能够追踪的收益。几个项目的投入和收益不能混在一起，只看一个总体数字。

有市场分析把AI项目的典型回本周期概括为2至4年，少数项目可以在12个月内看到回报；个别使用频率较高的业务，例如制造业的预测性维护，也就是根据设备数据提前发现故障风险并安排维护，行业分析中出现过约3个月看到效果的案例。

不过，这些数字受到项目类型、企业原有业务基础和统计方式影响，不能直接作为所有企业的达标线。企业真正应该比较的，是自己的历史基线、实际投入和项目结果。

四种评估方式，看似有数据，其实不可靠

1. 把购买工具当成取得效果

采购工具，只能说明企业具备了使用条件。工具进入具体业务流程以后，还要持续记录流程变化和业务结果，才能评估实际效果。

2. 把完成培训当成形成组织能力

培训只能说明员工知道如何使用工具，不能证明他们会持续使用，也不能证明企业已经建立了稳定流程。

MIT NANDA和麦肯锡的研究都把AI项目的问题指向数据、工作流程、组织协作、人才和管理规则等多个环节。只完成培训，没有后续部署和流程跟进，不能据此判断项目已经成功。

3. 直接采用服务商宣传的效果数字

市场上一些AI陪跑服务会宣传“30天见效”“订单增长300%”等数字。这些是服务商自己的宣传口径。如果没有第三方核验，就不能把它们当作行业普遍水平，更不能直接用作企业自己的达标线。

企业的达标线应从现有业务的历史基线出发，根据具体业务和实际投入确定。

4. 只计算投资回报率，不检查能力是否留下

试点期的投资回报率只是一个阶段性结果。项目结束后，企业是否有人能够继续操作，是否保留了标准操作流程、知识库和可重复使用的业务流程，同样需要评估。

如果服务方退出以后，项目立即停止，试点期间的效果就很难持续。

AI项目最终需要回答四个问题

评估一个AI项目，最后需要核对的是：

1. 同样的工作，产能变化了多少？
2. 完成同样的工作，成本变化了多少？
3. 这些变化带来了多少可以追踪的业务结果？
4. 一段时间以后，工具、流程和内部能力是否仍然保留？

这四类指标都要有项目开始前的基线，也要有规定周期内的达标线。试点结束后，再按具体业务分别计算投入和收益。

能够回答这四个问题，AI项目的效果才有核对依据。只能说明“工具已经买了”“员工已经培训了”“大家正在使用”，还不能证明项目产生了业务价值。