企业 AI 项目的常见误区，是把使用人数、对话次数或生成字数当作业务价值。这些只能说明系统被调用，不能证明它改善了经营结果。可靠的 ROI 评估应从基线、业务结果和全部成本出发。
先建立没有 AI 时的基线
选择 20 到 50 个真实任务，记录人工完成时间、等待时间、错误率、返工次数和最终结果。没有基线，就无法区分 AI 带来的改善与业务本身的波动。
五层指标体系
第一层是效率，例如平均处理时间、每周节省工时和服务覆盖时段。第二层是质量，包括准确率、一次通过率和遗漏率。第三层是业务结果，例如线索转化、客户留存或库存周转。第四层是风险，记录越权、错误决策和人工接管。第五层是采用率，观察真正进入日常流程的团队和任务比例。
ROI 的基础计算
可以使用以下结构进行季度复盘：
ROI =（节省成本 + 新增收益 + 可量化的风险损失降低 - 全部投入）÷ 全部投入
全部投入应包括模型调用、平台订阅、系统集成、数据治理、评测、培训和持续维护。不要把内部员工用于清洗数据和修复流程的时间忽略掉。
为什么人工接管率很重要
任务完成率看起来很高，但如果每次都需要员工重新检查全部结果，真实收益会大幅下降。人工接管率、检查时间和返工比例能够揭示“看似自动化、实际仍由人兜底”的情况。
从试点走向规模化
试点阶段建议只承诺一个核心指标和两个护栏指标。例如将线索整理时间降低 50%，同时保证关键信息准确率不低于现有人工水平，且高风险动作全部经过审批。
当试点通过后，再把评测集、权限模板、异常规则和成本仪表盘复制到下一个岗位。这样增长的是可治理的组织能力，而不是孤立的 AI Demo。