AI的ROI为何算不清？先把“提效”变成数据

AI工具上线几个月后，团队通常会给出一些积极评价：写内容更快了，整理资料更方便了，重复工作也少了。

这些感受可能都是真的。可到了财务复盘，企业仍然要回答几个更具体的问题：

• 这项AI应用一共投入了多少钱？
• 工作时间究竟减少了多少？
• 单位产出成本有没有下降？
• 相同人员能够完成的工作量增加了多少？
• 这些变化有多少与AI有关，又有多少来自业务波动或人员调整？

如果项目没有留下连续、统一的记录，“提效”就只能说明团队觉得好用，不能说明企业获得了多少回报。

好用、变快和产生回报，不是一回事

MIT Project NANDA发布的2025年研究《The GenAI Divide》显示，95%的企业组织没有从生成式AI投入中获得可衡量的业务回报。研究同时提到，采购外部专业方案并建立合作的企业，落地成功率约为67%；纯靠内部自建，成功率只有前者的三分之一左右。

《2025麦肯锡AI应用现状调研》的大中华区结果则显示，调研中被归为“高绩效赢家”的企业约占6%。

这两项研究采用的样本和衡量口径不同，不能把数字合并起来，也不能据此判断某一家企业的AI项目是否成功。但它们指向了同一个问题：购买AI工具，不等于已经产生业务回报；员工开始使用，也不等于企业已经能够证明这项投入的价值。

团队觉得好用，说明使用体验不错；一项工作完成得更快，说明效率指标发生了变化；企业获得了多少回报，则要继续核算收益和投入。

这三件事彼此相关，却不能直接画等号。

ROI公式不复杂，难的是把账记完整

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回报。基本计算方式是：

ROI＝（AI带来的可量化收益－总投入）÷总投入

公式本身并不难。真正困难的是，收益和投入能否拆成持续记录、可以复核的数据。

每个业务场景还要单独计算。内容创作、客户响应和资料整理的工作方式不同，投入和结果也不同。如果把多个场景混成一笔总账，最后只能看见一个总数，却很难判断哪项应用有效、哪项应用需要调整。

在收益一侧，至少要记录三类变化。

1. 人员投入发生了什么变化

同一项工作在使用AI之前需要多少人参与，使用AI之后实际采用了怎样的人员配置。

这里记录的是项目实施前后的真实投入，不是对未来效果的估计。只有前后采用相同的任务范围和完成标准，人员数据才有比较意义。

2. 单位产出成本发生了什么变化

同一类内容或同一个业务动作，实施前后的单件成本分别是多少。

例如，一条内容从开始创作到完成，原来需要4小时，使用AI后降到1.5小时。这条记录首先说明处理时长缩短了。要继续判断单件成本是否下降，还要把完成这项任务所需的实际人力和其他投入按照统一口径记录下来。

客户响应、资料整理和内容审核也可以采用同样的方法：先明确任务从哪里开始、到哪里结束，再记录每次处理所用的时间和人力。

3. 单位时间内的产能发生了什么变化

产能是团队在一定时间内能够完成的有效工作总量。

在人员配置相同的情况下，一个月原来能完成多少工作，使用AI后实际完成了多少，都要留下数据。没有实施前的产能记录，就无法计算后续增加了多少，也很难判断增长是否与AI应用有关。

收益需要拆开，成本同样要算全。

除了AI平台和工具的采购费用，企业还要记录外部服务费、内部人员投入的时间，以及团队学习和磨合产生的成本。如果只统计产出增加，却忽略这些实际投入，算出的ROI就会偏高，也无法与财务账目对应。

ROI的收益和成本还必须采用同一个统计周期。不能用一个月的成本去对应三个月的结果，也不能只选取表现最好的阶段进行计算。

没有基线，后面的增长就没有比较起点

很多企业在项目结束时才开始整理ROI。问题往往不是不会计算，而是找不到AI实施前的数据。

如果企业没有提前记录原来的处理速度、人员配置、产出数量和单位成本，后续即使出现明显变化，也很难说清这些变化来自AI，还是来自业务量波动、人员调整或其他因素。

所以，项目启动前至少要记录四项基线数据：

• 完成一项任务需要多长时间；
• 完成这类任务需要多少人力；
• 单位时间内能够完成多少有效工作；
• 每项有效产出的实际成本是多少。

基线就是AI实施前的实际业务水平，是后续比较的起点。

记录时还要先定义什么叫“完成”。以内容生产为例，产能究竟按初稿、审核稿还是正式交付稿统计，必须提前写清楚。如果本月统计初稿，下月统计正式交付稿，即使每个月都有数字，也无法进行有效比较。

所谓“AI就绪度诊断”，可以理解为项目启动前对企业当前状态的一次检查。对于ROI核算，它的一项实际作用，就是把企业现有的业务流程和基础数据记录清楚。只有知道实施前处于什么水平，后续变化才有明确的比较对象。

这些数据不能等AI上线后再补。事后依靠回忆恢复的数据，准确性有限，也很难通过进一步复核。

有了前后数据，还要说明变化来自哪里

基线可以回答“变化了多少”，但企业还要继续回答“为什么会变化”。

同一时期内，如果人员配置发生调整、业务量出现波动，相关指标也可能随之改变。月度记录不能只写结果，还要注明同期发生的主要业务变化。

如果处理时间缩短了，就要同时查看任务范围和统计口径是否一致；如果产量增加了，也要检查人员配置和业务量是否发生变化。存在其他影响因素时，应当在复盘中如实说明，而不是把全部变化都归因于AI。

这不是为了把计算变得复杂，而是避免得到一个看起来清楚、实际上无法解释的结果。

数据追踪机制，可以分三步建立

第一步：确定场景、指标和统计口径

先选定一个具体业务场景，再从产能、人员投入、成本和转化等数据中，选择少数与业务结果直接相关的指标。这里的“转化”，是指业务对象是否完成了预先设定的下一步动作。

指标不需要多，但必须满足三个条件：能够量化、能够持续记录、与业务结果有关。

确定指标后，还要把统计口径写清楚：

• 从哪个节点开始计时，到哪个节点结束；
• 单件成本包含哪些费用；
• 哪种状态才算完成；
• 产能按初稿、审核稿还是正式交付稿统计。

口径一旦确定，在同一个验证周期内就不要随意改变。否则，数字虽然一直在增加，却无法进行前后比较。

第二步：按月记录，并解释变化原因

ROI不应等到项目结束后一次性汇总。企业可以在每个月的固定时间记录核心指标，同时完成两组比较：

• 与AI实施前的基线比较；
• 与上一个月的实际结果比较。

月度复盘至少要回答四个问题：

1. 本月哪些指标发生了变化？
2. 这些变化可能来自哪里？
3. 本月新增了哪些成本？
4. 下个月需要调整什么？

连续记录的意义，不只是为了最后算出一个ROI，也是为了尽早发现问题。如果两三个月后核心指标仍没有明显变化，就要检查使用场景、工作流程和执行方式，而不是继续投入后等待结果自行出现。

第三步：提前设置验证周期和达标线

项目开始前就要约定观察多久，以及达到什么结果才算有效。

企业可以先设置1至3个月的小范围验证期，并为处理时间、单位成本、有效产出等核心指标设定明确的达标线。

达到标准，再决定是否扩大投入；没有达到，就根据月度记录调整方案，或者停止继续增加成本。

这样，扩大投入的决定就有数据支持，不必等预算花完后才讨论项目是否有效。

三种做法，最容易让ROI失真

把主观反馈当成效果证据

“团队都说好用”“大家觉得效率提高了”可以作为使用反馈，但不能替代ROI数据。

使用体验和经营回报是两类信息。前者回答员工愿不愿意使用，后者要回答企业实际获得了多少收益。

只计算收益，不计算完整成本

只统计产能增长，却不计算工具费用、外部服务费、内部人力以及学习和磨合成本，会直接高估项目回报。

同样，只记录节省了多少时间，却不继续核算单位成本和实际收益，也无法得到完整的ROI结果。

项目结束后再补数据

没有持续记录，事后只能依靠记忆、零散文件和不同人员的估算恢复过程。即使最终整理出一组数字，也很难保证统计口径始终一致。

真正可以复核的ROI，是在项目推进过程中逐月记录形成的，不是项目结束后补出来的。

企业最终需要的，是业务和财务都能看懂的结果

判断AI项目有没有价值，不能只看采购了什么模型、部署了多少工具、员工使用了多少次。

更需要确认的是：实施前有没有留下基线，实施中有没有持续追踪，收益和成本有没有拆成具体数字，同期的业务变化有没有被记录，最终结果能不能由业务和财务共同复核。

这些问题有了明确答案，AI的效果才能从“感觉不错”变成可以验证的经营结果。否则，即使团队每天都在使用AI，企业仍然说不清这项投入究竟带来了多少回报。