AI项目最容易被高估的，不是技术能力，而是收益口径。供应商展示的效率提升，往往发生在理想流程、稳定数据和专人维护的条件下；企业实际承担的成本，却包括软件或硬件采购、实施集成、数据整理、员工培训、流程改造以及持续运营。若只看演示效果和首年节省金额，项目立项时就已经埋下了回报失真的风险。
先把收益拆开算
AI项目的年度收益不应简单等同于“减少了多少员工”。较完整的测算至少包括四部分：直接成本节约、效率提升、错误减少和营收增长。前两项相对容易识别，后两项则更容易被夸大或漏算。
例如，AI质检降低不良率，收益不仅是减少质检人员，还包括返工、报废和售后赔付的减少；AI客服缩短响应时间，价值也不只在于减少人工坐席，还可能体现在订单挽回和询单转化上。但这些收益必须有业务数据支撑，不能把可能发生的增长直接写成确定收入。更稳妥的做法是分别列出“已验证收益”“待验证收益”和“情景假设”，并采用保守口径计算。
投入端同样要按全周期核算。公式可以写成：
ROI =（年度总收益－年度总投入）÷年度总投入
其中，年度总投入应包含一次性采购、实施集成、人力适配、维护升级及API或Token调用等持续费用。若只计算工具订阅费，得到的回报率通常没有决策价值。
用小试点验证，而不是相信大承诺
AI项目不宜从“全面智能化”开始，而应选择数据较完整、规则较清晰、损失可衡量的单一场景，例如一个客服流程、一个质检工位或一个内容渠道。试点前先记录基线：人工成本、处理量、错误率、转化率和响应时间；上线后再比较同口径数据，避免把季节变化、促销活动或人员调整误认为AI带来的收益。
首个项目还应设置预算上限和退出条件。若收益依赖大规模裁员、持续增加投放或无法验证的品牌提升，风险通常较高；若项目在试点周期内无法改善核心指标，就不应仅因已经投入资金而继续追加。
真正可靠的AI回报，不是供应商承诺的最高值，而是在保守假设下仍能成立的结果。把收益拆细、把隐性成本算全、把不确定性单独标注，企业才是在评估项目，而不是购买期待。