AI 投入产出测算：一套让董事会信服的ROI 论证方法
三大隐性成本 + 三情景模型 + 验收口径，把模糊的 AI 投入变成可讨论、可审计的决策依据。
我们的观察是，多数企业给董事会的 AI 论证，要么停留在「同行都在做」的行业案例引用，要么把成本和收益各列一行、一拍脑袋给出一个漂亮比值，经不起追问。真正能让人信服的 ROI（投入产出比）论证，关键不在数字本身，而在数字背后的口径是否透明、假设是否可审计。AI 的投入产出，本质上是一场「把模糊变成可讨论」的说服过程。
- ROI 论证最大的坑往往不是收益估低了，而是三大隐性成本根本没被算进去。
- 别用一条乐观曲线说服董事会：三情景模型（基准/乐观/保守）是把话说圆、又留余地的先决条件。
- 每一份收益都必须绑定到一个可量化的业务指标上，技术指标（准确率、召回率）不能直接当成收益。
- 可执行的第一步：挑一个已经跑过小试点的场景，先补齐它被忽略的成本项，把基数做实再谈回报。
一、先回答「为什么算不清」：三大隐性成本
多数 ROI 表只列了软件订阅与人力投入，却漏掉了三块最容易被"优化掉"的成本。它们不直接体现在发票上，却决定了项目真实的资金占用：
数据治理与准备
最易漏清洗、标注、打通系统、补历史数据。它在预算表里常被归到「运维」或干脆没有，却在试点期吃掉大量人月。
组织与流程改造
最被低估改流程、换责任、让一线真正使用。模型上线不等于被采纳，说服与培训的成本往往和建模一样高。
持续维护与迭代
长期数据漂移、模型再训练、监控值守。AI 不是一次性交付，而是一项需要持续投入的运营成本，却常有企业按"项目制"做预算。
二、三情景模型：别用一条乐观曲线说服董事会
一张只向上爬的曲线，最容易让董事会质疑「这会不会是画出来的」。更稳妥的做法，是把回报放进三种情景里讨论：
基于当下数据与流程，把「确实能兑现」的部分算进去。这是你应该敢拿到台面上、经得起拆解的数字。
叠加流程再造、跨部门协同这些"需要额外努力"的增量。它说明上限，但不能作为承诺。
把采纳率、外部依赖等不利因素都压到最低。它告诉你最坏损失在哪，好让决策者知道底线。
三、验收口径：把每一份收益绑定到业务指标
董事会问「这到底省了多少」，如果答「准确率到了 95%」，这轮论证基本就失败了。验收口径的要点，是把收益翻译成业务语言：
收益映射
每项收益先落到一个业务指标上：处理时长、一次解决率、故障停机时长、无效工单量。能换算成钱的，才叫收益。
基线取值
基线要取上线前 1-2 个月的稳定数据，而不是某个最优月的峰值。否则对比基准本身就是错的，论证自然失真。
误区警示：把「模型准确率」直接当作「收益」是可被一眼看穿的论证。准确率是技术指标，只有当它经由某个业务指标换算成时间或成本的节省，才构成 ROI 的分子。跳过这一步，数字再漂亮也难以落地审计。
需要说明的是，文中「数据治理占试点预算 30%-50%」「基线取 1-2 个月稳定值」等数字为我们的顾问经验区间，具体会因企业规模、数据基础与场景复杂度而不同，仅供参考。
四、可执行的第一步
与其重新做一个宏大论证，不如把一个已经跑过的试点，先按上面的口径重新算一遍。
- 把某个已上线场景的所有成本项摊开，标出哪些是在预算外被「顺手」消化掉的隐性成本。
- 为该场景选定一个能换算成钱的业务指标，并取 1-2 个月基线，作为唯一对比口径。
- 用基准/乐观/保守三情景各出一张回报区间表，让决策者看到的是范围，而不是单点承诺。
当这份数字能经得起「你这收益凭什么这么算」的追问，AI 的投入才从一句愿景，变成一笔可以放心批准的账。ROI 论证的真正目的，不是证明"一定赚"，而是让所有人都看清风险在哪里、回报凭什么成立。