AI 项目的价值怎么算？在开始前定义 ROI、基线和确认人

把技术指标换成业务结果

以改进物料搜索为例，最终要看的不是模型准确率，也不是员工觉得搜索快了多少，而是采购行为有没有改变：是否少买错、少重复购买。准确率和速度只是过程指标，真正的业务结果是被避免的浪费。

很多损失在企业里并不显性，没有人专门算过它每年值多少钱。把看不见的问题变成能计算的问题，本身就是项目的一部分。

先把业务账算清楚

不同业务的“账”差别很大。比如按体积计费的物流，装载率直接决定一车是亏是赚，提升装载率就是提升利润；门店对账中，过去因为核对成本太高而放弃追查的小额差异，在自动核对后可能重新变成可以收回的钱。

只有先弄懂这本账，技术改进才能被翻译成企业能感知的收益，也才知道哪个环节最值得投入。

建立基线并持续跟踪

上线前，用历史数据或一段时间的人工记录建立基线：每件任务耗时多少、错误和返工多少、相关成本是多少。上线后用同样口径持续记录，并通过小范围实验逐步扩大。

常见的遗憾是交付后没有继续跟踪：只能说清某项操作从几小时降到了一小时以内，却说不清对营收或利润的影响。所以基线和跟踪方式最好在项目开始前就约定，并明确交付后谁继续记录。

价值由企业确认，也要说明还不能证明什么

价值不应由服务方自己宣布。计算方法和结果需要企业的业务负责人确认，认可“这部分节省确实来自这个应用”，才算成立。

同样重要的是诚实。上线时间短的项目，可以说明已经能看到的变化，但不应把它包装成已经产生了明确的经营收益；几天内的统计可以作为反馈，却不能当作长期结论。

别漏掉投入一侧

• 数据清理、治理和长期维护所需的人力；
• 账号、模型调用和基础设施费用；
• 员工学习和流程调整的时间；
• 服务方的投入是否可持续。做到 80 分还要问一句：再往上提的成本划不划算。

远行者科技的做法

在 WorkBuddy 试点中，我们会在开始前与企业约定记录口径、样本范围和检查节点，试点结束时给出包含前后对比、主要问题和下一步建议的复盘记录，不对结果作收益承诺。