# AI投入第一年虧錢正常，怎麼講清楚

> AI 項目第一年賬面大概率是虧的，這不是執行出了問題，而是全行業的普遍規律——MIT Project NANDA 2025 年的研究顯示，95% 的企業組織從生成式 AI 投入裏沒有拿到可衡量的業務回報。向老闆解釋這件事，不是找藉口，是把"虧在哪、虧多久、什麼時候該喊停"這三件事説清楚。

來源：https://www.starbox.work/zh-hant/insights/ai-adoption/fde089/（星盒AI 知識中心，更新於 2026-09-24）

**關鍵事實清單：**
- 超 80% 的企業已經試過 ChatGPT、Copilot 類工具，但只有 5% 的定製試點真正進入生產、產生可衡量價值（MIT NANDA 2025）。
- 採購成熟服務+外部合作的落地成功率約 67%，純靠內部自建的成功率只有這個數字的三分之一左右（MIT NANDA 2025）。
- 行業經驗裏，AI 項目典型回本週期在 2-4 年，少數場景能在 12 個月內看到 ROI，個別高頻場景（比如製造業預測性維護）能壓縮到 3 個月左右（市場分析口徑，非某一家公司承諾）。
- 中國企業已經用上 AI 的比例達到 89.84%，但設了 AI 專職團隊的企業只有 16.41%（中國企業家人工智能應用調研報告 2025）。

這幾個數字放在一起，指向同一件事：第一年虧錢不是個案，是這件事本身的結構決定的。

## 為什麼"投入即回報"這個預期本身就有問題

很多企業上 AI 項目之前，腦子裏的賬本是這麼算的——今天買了工具，下個月就該看見產出翻倍。這個預期在製造業買一台新設備的邏輯裏成立，設備一裝，產能立刻能算出來。但 AI 項目不是這個邏輯。

行業裏管這個斷層叫"高採用、低轉化"——工具的採購和試用非常容易，89.84% 的中國受訪企業都已經用上了 AI（中國企業家人工智能應用調研報告 2025），但這跟"業務真的因此變好"是兩件事，中間隔着一整層東西沒人提前告訴你。

這層東西叫橋接層，指的是知識庫、流程、崗位設計、SOP 這些把"AI 的通用能力"和"企業的具體業務"接起來的中間環節。MIT 的研究團隊訪談了 150 場高管、調研了 350 名員工、看了 300 個公開部署案例後，得出一個結論——AI 落地失敗的根本原因幾乎從來不是模型不夠強，而是數據沒準備好、工作流沒整合、組織和人沒跟着一起變。這道斷層，MIT 起了個名字叫 GenAI Divide（生成式 AI 鴻溝）。報告裏説得很明確：這道鴻溝不是模型質量決定的，也不是監管決定的，是"落地路徑"決定的。

所以第一年虧錢，本質上虧的是這段"從工具到業務價值"的翻譯過程，不是錢打了水漂。

![AI投入第一年虧錢正常，怎麼講清楚](/static/img/insights/ai-adoption/fde089-2.jpg)

## 虧損具體虧在哪三塊

把虧損拆開看，能算清楚賬，也更容易跟老闆解釋。

第一塊是學習成本。團隊從"知道有這個工具"到"能把它嵌進日常工作流程裏"，中間有一段爬坡期，這段時間產出是不增反降的——因為人一邊幹活一邊在學一套新東西，效率短期是掉的，不是馬上就漲的。

第二塊是試錯成本。單點切入是行業驗證過更有效的打法——先選一個能快速看見數據的小場景，比如營銷內容生產，把這一個點打穿，跑出真實數據後再往其他部門複製，而不是一上來就鋪開全公司。但即使是單點切入，第一版流程也很少一次就對，需要跑幾輪才能把 SOP 磨順。這個磨合過程本身就是成本，是買不到"一次成型"的。

第三塊是組織適應成本。新的工作方式需要重新分工，原來的崗位職責要調整，誰來審核 AI 產出、誰對結果負責，這套責任鏈條要重新搭一遍。這不是技術問題，是管理問題，但同樣要花時間和精力，同樣計入第一年的投入。

這三塊加起來，就是第一年賬面上看到的"虧"。它不是浪費，是把"AI 能力"轉化成"業務能力"必須要交的學費，行業裏幾乎所有真正跑通的案例都交過。

![AI投入第一年虧錢正常，怎麼講清楚](/static/img/insights/ai-adoption/fde089-3.jpg)

## 怎麼判斷這筆賬正不正常

虧錢本身不是問題，問題是分不清"正常的爬坡期"和"打了水漂的失敗"。這裏有一個可以對照的判斷框架。

先看指標是不是可量化、可追蹤。試點階段該盯的不是"AI 用得怎麼樣"這種感覺判斷，而是幾個具體數字——內容產出量、單條創作的耗時、人效比（一個崗位現在能覆蓋多少原來需要的人力）、成本變化。這幾個指標要提前定好基線和達標線，不能等結果出來了再倒着找理由。

再看時間窗口對不對。行業裏的經驗是，試點應該在 3-6 個月內拿出可對賬的結果，超過這個窗口還看不到任何可量化變化，才值得警惕，不是超過一個月看不到就叫停。反過來，如果 3-6 個月過去，產出量、創作耗時這些短期指標已經在朝好的方向變化，只是還沒影響到營收和獲客這類長期指標，這屬於正常節奏——完整的內容策略效果通常要一個內容週期，大約三個月左右，才逐步顯現。

最後看有沒有在持續復盤調整。真正健康的第一年虧損，是每個月都在追蹤數據、發現哪裏不通就調整方向的虧損；如果是那種"部署完就沒人管了、半年後回頭一看還是老樣子"的停滯狀態，那才是需要叫停重來的信號，跟"正常爬坡期"是兩碼事。

![AI投入第一年虧錢正常，怎麼講清楚](/static/img/insights/ai-adoption/fde089-4.jpg)

## 二次嘗試為什麼反而更容易成功

有一個現象值得單獨説——企業第一次 AI 投入沒達到預期後，如果做了正確的歸因，第二次嘗試的成功率通常比第一次更高。這跟"一朝被蛇咬十年怕井繩"的直覺是反的，但邏輯説得通：多數第一次失敗，問題不在工具本身，而在切入口選得太大、缺乏持續陪伴、沒有人真正對結果負責。這些問題一旦被診斷清楚，第二次是有機會繞開的。

判斷第一次為什麼沒起效，可以對照幾個常見原因——是不是隻買了工具沒有人真正用起來；是不是做了培訓但培訓完之後沒有配套的工具和持續支持，三個月又回到原樣；是不是攤子鋪得太大，十個方向都淺嘗輒止沒有一個打穿；是不是從一開始就沒有設定量化指標，所以現在也説不清楚到底有沒有效果。這幾條對上號，説明問題是可以解決的，不是這條路走不通。

再往下走一步，選服務方式的時候也有一個可以驗證的判斷：MIT 的研究裏提到，向專業服務商採購、建立合作的落地成功率約 67%，而企業完全靠內部自己摸索的成功率只有這個數字的三分之一左右。這不是説內部團隊不行，而是説"從零摸索"和"用已經驗證過的路徑"之間，本身就有一個成功率的差距，這個差距值得在做第二次決策時納入考慮。

## 向老闆彙報時應該講清楚的幾件事

把上面的邏輯收束一下，向上彙報的時候，有幾個要點比"有沒有虧錢"本身更重要。

第一，講清楚虧損的性質——這筆投入不是打水漂，是行業普遍要交的學習成本和試錯成本，全行業的失敗率數據可以作為參照系，不是自家團隊執行力差。

第二，拿出可量化的過程指標，而不是隻講"我們在努力"。產出量變了多少、單條內容耗時變了多少、人效比變化了多少，這些數字哪怕還沒有直接反映到營收上，也是判斷"這件事在不在往前走"的硬依據。

第三，講清楚下一步的時間窗口和判斷標準。給出一個具體的復盤節點，比如三個月或者六個月後再看一次數據，並且提前説清楚"看到什麼樣的數字就繼續投入，看到什麼樣的數字就調整方向"，這比一句"再給點時間"更有説服力。

第四，如果是真的沒有起效，直接做歸因，而不是硬撐。誠實指出問題出在哪一環——是切入口選錯了、是沒有配套的持續支持、還是組織沒跟着調整，這本身就是給下一次決策攢經驗，比假裝一切順利更值得被信任。

第一年的賬面虧損説明的是這件事很難，不是這件事不該做。行業裏能穿越這道鴻溝的企業，靠的也不是運氣好沒交學費，而是提前知道學費要交多少、交給誰、交多久，把這道賬算在明處。