企業AI落地ROI，不能只算工具費

企業評估一個AI項目值不值得繼續，常見的情況是：財務拿出工具採購清單，業務部門説效率提高了，項目團隊展示新增的內容數量或處理速度。

這些資訊都有用，但還不足以算出項目回報。

ROI是“投資回報率”的英文縮寫，用來衡量一項投入帶來了多少淨收益。基本公式是：

AI落地ROI＝（可量化收益－總投入）÷總投入

公式並不難。難的是把“做得更快了”“產量增加了”“客戶回覆更及時了”這些感受，換成口徑明確、能夠複核的數據；同時把工具費之外的人力、實施、學習和時間投入一併算進去。

如果收益只寫“提效明顯”，投入只算軟件訂閲費，得出的ROI即使很高，也無法説明項目是否真的值得繼續。

一筆能用於經營決策的AI項目賬，至少要做到三點：按具體應用場景分別核算，把效果換成業務數據，把沒有形成對外付款的內部投入也計算在內。

使用AI，不等於已經獲得業務回報

MIT Project NANDA在2025年發佈的初步研究報告《The GenAI Divide》，分析了300多項公開披露的AI應用，訪談了52家機構，並收集了153名高級管理者的問卷。

報告稱，在其研究範圍內，95%的組織尚未從生成式AI投入中獲得回報；只有5%的集成式AI試點取得了數百萬美元級的價值。與此同時，超過80%的組織已經考察或試用過ChatGPT、Copilot等通用工具。

這組結果討論的不是“AI有沒有人用”，而是企業能否把試用轉化為持續、可衡量的經營結果。報告也明確提示，部分比例來自訪談，樣本規模和成功標準並不完全一致，因此這些數字更適合用於觀察趨勢，不能直接當作所有企業的統一失敗率。

中國企業對AI的使用已經相當普遍。新京報貝殼財經發布的《中國企業家人工智能應用調研報告（2025）》覆蓋128家企業，其中89.84%的受訪企業已在不同經營環節使用AI。

另一份需要區分範圍的數據來自麥肯錫《2025年AI應用現狀全球調研》。這項全球調研覆蓋105個國家的1993名受訪者，其中約6%被定義為“AI高績效企業”：受訪者認為，AI為企業貢獻了5%以上的息税前利潤，並帶來了顯著價值。息税前利潤，是企業扣除利息和所得税之前的利潤。

中國調研的89.84%和麥肯錫全球調研的6%，樣本、地區和統計標準都不同，不能直接放在一起計算，也不能由此斷定中國企業中只有6%取得了回報。它們分別説明了兩個問題：企業使用AI已經很常見，但要證明AI對經營結果產生了顯著影響，還需要更嚴格的核算。

先確定核算範圍：一個場景算一筆賬

AI項目不適合一開始就按全公司計算ROI。

企業總營收同時受到產品、價格、銷售、渠道和市場環境等多種因素影響，很難從中單獨判斷AI帶來了多少變化。不同AI項目關注的結果也不同：營銷內容生產可能關注產量和單條成本，客戶服務可能關注處理時長和服務量，其他項目還會有各自的業務指標。

如果把多個項目合併計算，表現較好的項目可能掩蓋表現較差的項目，最終仍然無法判斷哪項投入有效。

更合適的做法是：先選擇一個範圍明確、數據可以持續記錄的業務場景，單獨核算它的投入和收益。

例如，企業要評估營銷內容生產中的AI應用，就只比較這個場景上線前後的產量、成本、人力投入和相關業務結果，不把其他部門的營收變化納入同一筆賬。

核算範圍越清楚，項目結果越容易複核，後續也越容易判斷是否適合複製。

收益怎麼計算：先把“提效”拆成四類數據

能夠用於評估項目收益的數據，必須有統一口徑，並且能夠通過工時記錄、業務系統、財務數據或項目台賬複核。常見指標可以分為四類。

1. 人效變化

統計同一個崗位或同一套流程，在AI介入前後分別需要多少人、投入多少工時、完成多少工作。

這裏不能直接套用行業裏的“提效倍數”，也不能只詢問員工是否感覺更快。企業需要記錄項目中的實際工時和實際產出，再比較變化。

2. 單位成本變化

比較AI使用前後，完成一次服務、處理一個流程或生產一條內容分別需要多少成本。

只比較總費用容易產生誤判。業務量增加以後，總費用可能上升，但單位成本可能下降；業務量減少時，總費用下降也不一定説明生產方式有所改善。

3. 產能變化

在相同或可以比較的人力、時間條件下，統計產出數量發生了什麼變化。

產能增加可以證明項目改善了生產能力，但不能用一句“整體效率提升”同時代替產能、人效和成本數據。這三類指標需要分別記錄。

4. 能夠明確判斷由項目帶來的營收或獲客貢獻

如果AI改善了內容生產、客戶響應或銷售轉化，只能統計有記錄支持、能夠明確判斷由該項目帶來的部分。

例如，可以根據客戶來源、業務流程記錄和前後對照數據判斷項目貢獻，但不能把公司整體營收增長全部計入AI收益。

這四類指標不必同時使用。企業應根據項目要解決的問題選擇對應指標：解決成本問題，就重點看單位成本；解決產能問題，就重點看相同條件下的產量；解決獲客問題，就提前確定客戶來源和轉化記錄方式。

還要注意，業務指標不一定會自動變成財務收益。節省的工時、增加的產量應不應該折算成金額、按照什麼標準折算，需要企業結合自身的財務和管理口徑提前約定。無法合理折算的指標，可以單獨作為經營效果記錄，不必強行併入一個ROI數字。

投入怎麼計算：沒有對外付款，也可能是項目成本

不少企業計算AI項目投入時，只統計平台訂閲費或軟件採購費。這樣得到的總投入通常不完整。

一項AI項目至少要檢查以下五類成本：

• 平台、軟件和工具的採購或訂閲費用；
• 服務商收取的項目實施費或陪跑服務費；
• 企業內部人員參與調研、測試、修改和驗收所投入的工時；
• 團隊從學習到熟練使用所需的培訓投入和適應時間；
• 項目從啓動到產生業務價值期間佔用的時間和資源。

內部人員參與項目，雖然沒有形成一筆對外付款，但相關工時已經被項目佔用。團隊學習和適應也需要投入時間。如果這些部分完全不計，ROI就容易被高估。

不同企業對內部工時和時間成本的計價方式可以不同，但同一個項目在核算前後必須使用一致標準。還要避免重複計算，例如某段培訓時間已經計入內部工時，就不應再以同一口徑計算一次。

完整計算投入後，ROI可能沒有最初預估得那麼高。但只有這樣的結果，才能用於判斷項目應該繼續、調整還是擴大。

五種常見算法，為什麼得不出可靠結論

常見做法	主要問題
把公司總營收增長全部歸因於AI	影響營收的因素很多，無法單獨判斷AI的貢獻
只計算工具訂閲費	漏掉內部人力、學習和實施成本，容易高估ROI
把“感覺更快了”直接作為收益	沒有業務記錄，無法複核，也無法進行前後比較
把多個項目合併計算	不同場景的投入和收益範圍不同，結果不能反映單個項目表現
直接採用行業平均回本週期	企業、行業、場景和執行方式不同，外部平均值不能代替本企業數據

這些做法的問題不在公式，而在統計範圍和計算口徑。收益從哪裏來、成本包括什麼、數據如何記錄，如果沒有提前説清楚，最後得到的數字就很難支持經營決策。

一套可以直接執行的ROI核算流程

第一步：選擇一個具體場景

先明確這次AI應用要解決什麼問題，再把項目限制在一個可以觀察、可以記錄的業務場景內。

試點階段可以優先選擇結果出現較快、原始數據較完整、不依賴大規模系統改造的場景。這樣更容易取得一組能夠前後對照的數據。

第二步：記錄上線前的數據

在AI介入之前，記錄當前場景的產量、單位成本、人力投入、處理時長和其他相關業務指標。這組上線前的數據，就是後續比較的基礎。

沒有這些記錄，項目上線後即使結果發生變化，也無法準確判斷變化幅度。

第三步：提前確定達標標準

不能只説“先運行一段時間看看”。企業需要在項目開始前約定：在多長時間內，哪個指標達到什麼結果，才算本次投入有效。

達標標準必須與項目要解決的問題一致。項目要解決成本問題，就重點檢查單位成本；要解決產能問題，就重點檢查相同條件下的產量變化。

第四步：設定驗證週期

對於見效較快、數據容易統計的場景，可以在1至3個月內進行第一輪核算；部分項目則可能需要3至6個月，才能形成可以核對的結果。

這些時間只適合作為參考。企業仍要根據業務週期、數據量和項目複雜程度確定觀察時間，不能把同一個週期套到所有項目上。

第五步：分別統計收益和投入

驗證週期結束後，按照事先約定的口徑逐項統計業務結果。需要計入ROI的部分，再按既定標準折算為可量化收益。

隨後完整統計工具、服務、內部人力、學習和時間投入，最後代入公式：

AI落地ROI＝（可量化收益－總投入）÷總投入

這一步必須使用實際記錄，不能用“效果不錯”或“團隊反饋很好”代替數據。

第六步：根據結果決定下一步

試點達到預定標準後，再評估是否複製到其他部門或場景。

如果沒有達標，也應按照事先約定的規則處理：調整方案、延長驗證，或者停止項目。不要等到結果不理想時，再臨時修改達標標準。

試點結果不能直接按比例推算到全公司

試點階段可以估算擴大應用後的結果，但必須説明：這是根據試點數據作出的推算，不是全公司實施後的最終ROI。

應用範圍擴大以後，人員結構、管理成本、培訓投入和跨部門協作都會發生變化。一個團隊試點形成的單位成本和產能數據，不能簡單按照部門數量或員工人數等比例計算。

更穩妥的順序是：先完成一個場景的驗證，確認投入和收益，再逐步複製。每增加一個新場景，都要重新確定核算範圍和指標，不能用第一個項目的結果代替後續項目的實際數據。

自建還是與外部合作，也要看具體條件

MIT Project NANDA的報告還比較了不同實施方式。在其訪談樣本中，具備持續學習能力並經過定製的外部合作工具，約67%進入了部署階段；完全由內部團隊開發的工具約為33%。

這組數據的適用範圍需要説清楚。它不是所有外部廠商項目的平均成功率，也不能證明只要選擇外部合作就一定更容易成功。報告指出，這些結果來自52家機構的訪談樣本，成功定義存在差異，而且選擇外部合作的企業，在採購能力、技術基礎和風險承受能力上也可能不同。

它能提供的參考是：AI項目的結果不只取決於工具本身，也與工具是否適合現有流程、能否根據反饋調整，以及項目如何組織和驗收有關。

無論企業選擇內部開發還是外部合作，都要先確定業務目標、數據口徑和驗收標準。否則，即使工具已經部署，也可能無法説明它是否產生了業務價值。

回本週期不能直接照搬行業數字

回本週期，是指一項投入通過累計收益收回成本所需要的時間。

市場材料中常能看到從幾個月到數年的不同回本週期。出現如此大的差異，是因為不同項目的投入規模、使用頻率、業務基礎和收益方式並不相同。

因此，行業數字只能幫助企業建立初步預期，不能直接成為本企業的驗收標準。具體項目仍要根據自身的總投入、上線前數據和實際收益重新計算。

回本時間較長，也不等於項目一定不值得做。企業還要結合場景的重要程度、投入規模和後續複製的可能性判斷。關鍵是提前説明預期週期和驗收方式，避免項目實施一段時間後，各方才發現使用的判斷標準並不一致。

ROI不是為了證明項目成功，而是為了決定下一步

企業計算AI項目ROI，不是為了給已經發生的投入找一個好看的解釋，而是要回答幾個具體問題：

• 這個場景是否產生了可以核對的業務結果？
• 為獲得這些結果，企業實際投入了多少？
• 項目沒有達標的原因是什麼？
• 應該繼續投入、調整方案，還是停止？
• 這套方法是否適合複製到其他場景？

所以，企業AI落地的ROI不能只從工具採購清單中計算，也不能用一次主觀評價代替。

先選定一個具體場景，記錄上線前的數據，確定達標標準和驗證週期，再分別統計收益與全部投入。把這些數據核對清楚，企業才能判斷AI究竟改善了什麼、改善了多少，以及下一步是否值得繼續投入。