为什么传统 ROI 容易把 AI 项目评错
一个常见评审表会要求项目负责人填写预计节省工时、收入增长、建设成本和回收周期。表格看起来严谨，输入却可能只是多层假设的乘积。
假设一个销售 AI 每年能节省 2 万小时。这个数字背后至少藏着几道尚未验证的问题：
如果把这些假设直接折算成一个“预计 ROI 为 187%”的结果，精确到个位数并不会让决策更可靠，只会让讨论过早结束。
AI 项目尤其容易出现这种问题。模型能力只是成功链条的一环。产品是否有用、数据是否可得、业务是否采纳、结果能否归因，以及上线后的运营成本，任何一个环节偏低，都可能让最终价值大幅缩水。
因此，企业不应先争论一个总分，而应先把三类问题分开。
- 模型能否识别真正有价值的机会；
- 一线员工是否愿意改变工作习惯；
- 推荐是否出现在员工能够采取行动的时间和系统中；
- 被节省的时间能否转化为更多客户互动；
- 更多互动是否真的带来增量收入，而不是把原本会发生的交易重新归因给 AI；
- 为数据治理、系统集成、运行监控和人工纠偏付出的成本是否被完整计入。
第一问：如果成功，它真的足够有价值吗？
“价值高”不能只等同于“员工现在花了很多时间”。
一个工作耗时很长，可能是因为它低频、分散或不影响关键经营结果；即使 AI 把它完全自动化，对利润、收入、客户体验或风险的影响仍然有限。
相反，一项 AI 功能本身可能非常简单，却卡在高价值决策发生之前。例如，帮助销售在正确时间发现更有可能成交的客户，不一定节省大量操作时间，但可能改变有限销售产能的分配方式。
评估“成功后的价值”，至少应回答：
1. 它改变的是成本、收入、风险，还是企业过去无法提供的新服务？ 2. 结果发生的频率和覆盖范围有多大？ 3. AI 带来的是否是增量结果，而不是把已有结果换一种方式完成？ 4. 它是否同时形成可复用的数据、流程或客户关系资产？ 5. 如果两年后模型能力普遍提升，这项能力仍能形成差异吗？
这一步刻意暂不讨论“能不能做成”。它的意义是先确认：即使一切顺利，这件事是否值得企业认真下注。
第二问：成功概率究竟被什么卡住？
最新研究把成功可能性进一步拆分为产品、技术、数据和科学确定性。这种拆法比笼统写“技术可行”更接近企业现实。
产品确定性关注使用者是否真的需要它、是否会在真实流程中采取行动。一个答案准确的系统，如果交付时机不对、增加额外操作或破坏现有责任边界，仍可能无人使用。
技术确定性关注系统能否在所需规模、时延、稳定性和安全约束下运行。演示一次成功，与每天稳定处理十万项业务不是同一件事。
数据确定性关注企业是否拥有足够、合法、及时且能代表真实任务的数据。数据存在于系统中，不等于可以直接用于建模和运营。
科学确定性则关注目标本身是否可预测、可识别和可干预。某个指标可以被预测，不代表业务能够通过行动改变结果；历史相关性也不必然说明建议会产生增量价值。
这四项中，只要有一项明显偏低，整体成功概率就会受到限制。企业最应该投资的，未必是直接“把产品做完”，而可能是先用最低成本消除那个关键不确定性。
例如，与其建设完整的销售 Agent，不如先验证推荐对象是否比现有规则带来更高的有效接触率；与其接入全部供应链系统，不如先确认提前发现异常后，团队确实有时间和手段采取行动。
第三问：真正的投资是否被低估
AI 项目的预算经常只计算模型、许可证和开发人员，却漏掉了决定规模化成败的长期成本：
成本也不只是“高或低”，还要看投入是否可分阶段、是否可回收，以及一次试验能否为其他项目留下可复用资产。
同样需要 500 万元的两个项目，一个必须先完成全量系统改造，另一个可以用 30 万元验证最关键假设，它们的投资风险完全不同。
- 数据清理、权限梳理与持续更新；
- 对现有系统和流程的集成改造；
- 业务专家参与设计、标注、评测和复核的时间；
- 安全、合规、审计与供应商管理；
- 员工培训、岗位调整和变更沟通；
- 上线后的监控、评测、纠偏与版本维护；
- 项目退出时的数据迁移、流程恢复和替代成本。
从项目排名，升级为动态投资组合
把价值、成功可能性和所需投资分开，不是为了换一张更复杂的打分表，而是为了改变企业管理 AI 项目的方式。
先扩大候选面，再集中资源
如果候选清单里只有各部门主动上报的需求，最终往往只是把旧流程逐项加上 AI。企业还应主动寻找三类机会：高频经营瓶颈、长期没有被满足的客户需求，以及过去因成本或复杂度而无法提供的服务。
候选面要广，进入建设阶段的项目却必须少。资源分散到大量试点，会让每个项目都缺少业务负责人、数据准备和上线能力，最后得到一批无法证明价值的演示。
给每个项目设置“下一笔钱”的条件
不要在立项时一次性批准从概念到全面推广的全部预算，而要明确下一阶段必须消除什么不确定性。
每经过一阶段，项目的价值判断、成功概率和完整成本都应重新评估。评审的对象不是团队做了多少功能，而是关键假设发生了什么变化。
把停止项目定义为合格决策
很多 AI 试点持续存在，并非因为前景仍然良好，而是因为已经投入预算、负责人担心承认失败，或演示效果足以维持关注。
健康的投资组合必须预先写明停止条件，例如：
及时停止不是项目失败，而是企业用有限成本购买了确定性，并把资源转向更好的机会。真正昂贵的是明知核心假设不成立，仍把项目留在清单上。
- 探索阶段：证明问题值得解决；
- 验证阶段：证明数据、方法和用户行动链条成立；
- 试运行阶段：证明真实环境中的质量、风险和运营成本可接受；
- 扩展阶段：证明价值能够跨团队、区域或产品复制。
- 无法证明对现有方法有增量改善；
- 使用者看到了建议却不采取行动；
- 关键数据在合规或成本上不可获得；
- 人工复核和异常处理成本抵消主要收益；
- 市场已有更便宜、成熟的标准产品；
- 新证据显示成功后的价值不足以支持继续投入。
企业需要一场新的 AI 投资组合会议
这场会议不应由技术部门单独汇报模型进度，也不应只由财务部门检查静态回收期。业务负责人、产品、数据、技术、风险和财务需要共同回答五个问题：
1. 如果成功，哪一个经营结果会发生可验证的变化？ 2. 当前最大的未知，是价值、产品、技术、数据还是因果链条？ 3. 最小的一笔投入，如何让这个未知明显减少？ 4. 什么证据出现后应加码、转向或停止？ 5. 它与现有项目是互补、重复，还是在争夺同一批数据与专家？
最终形成的也不应是一份永久不变的年度路线图，而是一张持续更新的投资组合：少量进入规模化的核心项目、一组用于验证重要假设的选项，以及一份已经明确停止且记录原因的项目清单。
Deloitte 的 2026 年企业 AI 调研显示，66% 的受访组织报告获得了生产率或效率收益，但只有 20% 报告收入增长；74% 则希望未来通过 AI 实现收入增长。与此同时，只有 34% 的组织正在真正创造新产品、新服务或重塑核心流程与商业模式。
这组数据不能证明某一种选项框架必然有效，但它说明，企业拥有更多 AI 工具，并不会自动获得更好的经营结果。项目选择、资源集中和证据更新，正在成为与模型能力同样重要的管理能力。
下一阶段的企业 AI 竞争，不只是谁上线得快，也是谁更早识别值得投入的机会，更便宜地验证未知，更果断地停止低价值项目，并把释放出的资源持续投入少数真正能够改变经营结果的系统。
AI 时代需要的不只是创新热情，还需要高质量的放弃。
