AI项目要证明财务价值，关键不是证明“有人在使用”，而是证明“业务结果发生了可归因的改善”。调用量、月活用户数和用户满意度只能说明项目被采用，不能直接等同于收入增长、成本下降或利润率改善。财务证明必须围绕一个可核验的问题展开：如果不部署AI，企业将承担什么成本；部署之后，哪些成本被减少、哪些收入被创造，以及这些变化有多少确实来自AI。
先建立可比较的基线
项目启动前，应记录原有流程的处理时长、人工投入、错误率、响应速度和相关业务结果，并明确统计口径。例如，财务审核场景不能只记录系统调用次数，还要比较单位时间内完成的审核量、人工复核工作量和错误处理成本。没有部署前的基线，就无法判断效率提升是AI带来的，还是业务量、人员变化或流程调整造成的。
同时要区分“节省成本”和“释放产能”。员工处理时间减少，并不自动等于现金支出下降；只有当这部分时间减少了加班、外包或新增招聘需求，才更接近可确认的财务收益。若只是让员工承担更多工作，应将其表述为产能释放，而不是直接记作利润增加。
把收益与完整投入放在同一张账上
AI项目的投入至少包括模型调用与算力、数据治理与系统集成、流程重构与组织适配，以及持续运维和模型迭代。只计算模型费用，会系统性高估回报。管理者应为每个项目建立独立成本台账，并将一次性投入、持续性支出和相关业务部门的人力投入全部纳入。
收益测算则可分为三层：效率收益，例如处理时间缩短；质量收益，例如错误率或投诉减少；财务收益，例如运营成本下降、收入增加或利润率改善。前两层是业务证据，第三层才是财务结果。对于知识管理、培训辅助等难以直接产生收入的场景，可以采用替代成本法，估算没有AI时完成同等工作的时间和人力成本，但必须标注这是估算价值，而非已经实现的现金收益。
最终，项目应设置盈亏平衡点和退出条件，定期比较累计收益与总投入。若使用量增长而核心业务指标没有改善，或者维护成本持续扩大，就不能用“部署规模”掩盖价值不足。真正成熟的AI投资管理，不是追求更多项目上线，而是让每个项目都能回答：价值从哪里产生、如何被验证，以及何时应继续投入或停止投入。