企业 AI 试点回报率怎么算？一个部门 -7.4%、铺到 20 个部门变成 -16.1% 的核算方法

企业 AI 试点回报率怎么算？一个部门 -7.4%、铺到 20 个部门变成 -16.1% 的核算方法

企业在财报里经常能看到两类 AI 数字：一类是投入，比如某银行 2024 年金融科技投入 285.18 亿元；另一类是产出，比如某自建大模型覆盖 20 余个业务领域、200 余个场景，“人工智能等新技术全年承担工作量超 4 万人年”。

这两组数字都是真实、公开、可核验的。但它们不能相除。

"4 万人年工作量"是一个工作量换算——把机器处理的任务量，按人工处理同等任务量所需的人力折算出来。它不是裁员数，不是薪酬支出的减少，也不是利润。285 亿的科技投入里，绝大部分也与大模型无关。把两个数字放在一起做除法，得到的既不是投资回报率，也不是任何一个能在预算评审会上站得住的指标。

真正容易踩坑的，往往不是披露财报的企业，而是下面的执行层：一个部门的 AI 试点跑完了，效果看起来不错，接下来要向管理层申请铺开预算。这时候最容易发生的事，就是把工作量换算当成成本节省，把试点结论直接当成全公司结论去乘以部门数。

下面是一套可以逐行替换成自己数字的核算方法，适用于任务边界清楚、能记录处理时间的 AI 试点场景。文中数字均为演示用的假设值。

一、先分清你准备证明哪种价值

“省时间”“省钱”"多赚钱"需要不同的证据，不能合并成一个好看的回报率：

价值类型	至少需要记录什么	容易犯的错误
释放工作容量	同质量任务的净人工时间变化，以及释放出的时间是否能被重新安排	把零散节省的工时直接当作工资支出减少
减少现金支出	实际减少的外包、加班或其他可避免支出，扣除新增支付	工资总额没变，却把"工时 × 工资"报为现金节省
增加业务收益	同口径比较下新增的贡献毛利，以及其他变化因素的影响	把所有收入增长都归功于 AI

这三种价值需要分别举证，不能互相替代，更不能混在一个数字里对外汇报。

二、单部门试点：-7.4% 是怎么算出来的

假设某部门的试点任务流程是：AI 后准备与操作平均 2 分钟/件，常规审核 3 分钟/件，额外返工发生率 20%（按任务数计算，非接口失败率），每次返工额外增加 10 分钟。一线工时按 100 元/小时估值。

AI 后每件任务的人工时间：

t1 = p + a + q × e = 2 + 3 + 20% × 10 = 7 分钟

原流程每月 200 小时，AI 后一线处理约 116.67 小时，释放约 83.33 小时，折算约 8,333.33 元。新增的接口费用、许可证、持续维护合计 5,000 元/月。

把一次性投入 12,000 元按 3 个月评价窗口均分后对比：

管理成本比较（全部为假设）	原流程/月	AI 辅助流程/月
一线人工等价成本	20,000.00	11,666.67
接口、许可证	0.00	3,000.00
持续维护等价成本	0.00	2,000.00
运行阶段合计	20,000.00	16,666.67
一次性投入均摊（仅本表比较）	0.00	4,000.00
首三个月月均总成本	20,000.00	20,666.67

不计启动投入，运行阶段每月净节省约 3,333.33 元；计入全部启动投入，三个月总成本反而从 60,000 元变成 62,000 元，多了 2,000 元。“初稿更快"不能直接推出"这个评价窗口内总成本更低”。

项目回报率的计算公式：

净释放人工价值 B = N ×（t0 − t1）÷ 60 × w
评价期增量投入 C = I + M ×（接口 + 许可证 + 持续维护）
容量价值口径回报率 =（M × B − C）÷ C

代入本例：(25,000 − 27,000) ÷ 27,000 ≈ -7.4%。

这个数字和"总流程成本增加约 3.3%"是两个不同的比率——分母不同，不能互换使用。而且 -7.4% 是释放工时全部能按设定价值重新使用时的假设评价，仍不等于真实现金节省。

三、铺开到 20 个部门：为什么变成 -16.1%

把同一套流程铺开到 20 个部门，成本结构会发生质变，因为维护不会随规模线性摊薄：

铺开阶段增量投入	金额
接口费用（20 × 2,000）	40,000 元/月
许可证（20 × 1,000）	20,000 元/月
分散维护（20 × 1,500）	30,000 元/月
中央平台维护	24,000 元/月
月增量小计	114,000 元/月
一次性投入（240,000 + 300,000）	540,000 元

12 个月净释放价值 = 1,600,000 元；12 个月增量投入 C = 540,000 + 12 × 114,000 = 1,908,000 元。

容量价值口径回报率 =（1,600,000 − 1,908,000）÷ 1,908,000 ≈ -16.1%

试点是 -7.4%，铺开是 -16.1%。规模没有摊薄成本，它放大了成本——因为试点部门通常不是"平均部门"，而中央维护、分散维护这类成本会随部门数增加而线性甚至超线性增长。

这不意味着项目该被砍掉，而是意味着在批预算之前，有两个具体数字需要先谈定：

返工率上限。 在其他输入不变的情况下，12 个月要达到收支平衡，20 个部门的平均人工时间需不高于每件 7.23 分钟，对应平均返工率不高于 22.3%。试点是 20%，铺开假设是 30%——这 8 个百分点，就是这笔预算成不成立的关键变量。

维护结构。 若能在不新增中央团队的情况下，把维护控制在纯分散的 30,000 元/月，同样的 12 个月账会从 -16.1% 变成约 -1.2%，接近打平。铺开阶段，维护往往比接口费用更大。

四、返工率的敏感性有多大

固定其他输入，只改变返工比例，单部门首三个月的结果会完全不同：

假设情景	AI 后人工分钟/件	三个月净容量价值（扣除增量投入）	同一分母的回报率
返工 10%	6	3,000 元	11.1%
返工 20%	7	-2,000 元	-7.4%
返工 40%	9	-12,000 元	-44.4%

单部门要在首三个月达到容量价值收支平衡，需要平均人工时间不高于每件 6.6 分钟；在准备 2 分钟、审核 3 分钟、每次返工 10 分钟不变的前提下，返工率不能高于 16%。这只是本例假设推导出的临界点，不是所有场景的通用合格线，但它说明了一件事：返工率往往是决定 AI 项目回报率正负的最敏感变量，比模型选型本身更值得优先测量。

五、把"继续投入"变成一项有条件的决定

正式验收前，建议和业务、财务一起把下面三行填清楚，而不是先挑一个好看的成功率去汇报：

决定	必须看到的条件	下一步
继续小范围	质量门槛通过；完整成本可记录；主要不确定项有测量办法	保留同类型人工对照，补测返工率与维护成本
扩大一次	净价值在保守假设下仍成立；新增使用者与异常任务也能被支持	单独预算扩员培训、接管与维护，分批验证
暂停或缩小	关键质量要求不达标，或真实额外工作使收益持续为负	回到最容易验证的一类任务，不要先撤掉人工退路

低错误后果的内部材料整理，与影响设备安全、客户权益或专业判断的任务，需要不同的验收强度——有些风险应该直接限制应用范围，不适合用平均节省金额去抵消。

规模数字同样要按这个纪律来读。某企业内部生成式 AI 平台八个月内完成 20 万用户接入，这类披露说明的是平台覆盖速度，和"200 余个场景""10 亿次调用量"一样，都是采用规模的证据，不是项目回报的证据——接入、使用和价值，是三件需要分别举证的事，这一点在企业 AI 平台治理相关的报道中也反复出现（可参考 Runwise 对摩根大通案例的拆解）。

六、把这套结构套到自己的项目上

以上所有数字都是假设值，真正有用的是这套结构本身。落到自己的项目，需要先准备六个输入：单件处理时间（准备+操作）、审核时间、返工发生率、每次返工额外时间、一线工时估值、以及接口/许可证/维护的月度增量成本和一次性投入。把这六项换成真实数据代入上面的公式，结论完全可能和本文相反——这正是这套方法希望发生的事：用可以逐行核对的算式说服董事会，而不是用一张功能对比表说服自己。

方法论与完整算例见 Runwise 原文：《AI试点项目核算：一个部门算出 −7.4%，为什么铺到20个部门变成 −16%？》。