企业AI应用（二）：企业AI回报算不过来，问题到底出在哪？

上一篇聊了一个核心矛盾：AI确实帮员工每天省了40分钟，但只要不减员，这40分钟大概率不会变成财务报表上的数字。"省时间"和"省钱"之间隔着一道鸿沟。

但这只是第一层。如果继续往下挖，会发现还有几个更具体的问题，叠在一起，才构成了95%的AI项目ROI不及预期的完整图景。

钱花在了最显眼的地方，而不是最该花的地方

MIT的报告有一个非常反直觉的发现(https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/)：超过一半的企业AI预算投向了销售和营销，但实际ROI最高的领域是后台运营——财务、法务、采购这些"不性感"的职能。

原因不难理解。销售营销的AI应用，最大的问题是归因困难。AI帮你生成了营销文案、做了客户画像分析——这些动作确实做了，但"这条AI文案到底带来了多少转化"几乎无法精确回答。效果淹没在整个营销漏斗里。

后台运营完全不同。AI替代了外包给BPO公司的文档审核，接管了外部律所的合同初审——节省的是实打实的外部支出。BPO合同少签一份，代理费少付30%，这些数字直接反映在损益表上。MIT报告显示成功案例中，后台运营每年节省200万到1000万美元的BPO和代理费用。而且砍的是外包商的合同，不是自己人的饭碗，落地阻力小得多。

但大多数企业把钱砸在了销售营销上。PPT上写"AI驱动的精准营销"比写"AI驱动的应付账款自动化"好看得多。钱花在了最好讲故事的地方，而不是最能算清账的地方。

AI省下来的效率，被现有流程吃掉了

去年听一个做汽车零部件的朋友说，他们上了AI质检系统，检出率比人工高了十几个百分点。但三个月后产线主管说了一句话："检出率是高了，但返工率并没有降下来。"

后来才发现问题——AI确实能更早发现缺陷，但发现之后的处理流程没变。还是人工填单、主管签字、排产调整，整个链条跑下来省不了多少时间。AI把检测从10分钟压到了2分钟，但后面8个环节加起来还是4个小时。

这就是大量AI项目的真实处境。AI在单个环节上确实提升了效率，但被前后环节的瓶颈给吃掉了。

更普遍的例子：很多公司配了AI写作助手，写报告从2小时压到30分钟。但写完之后呢？三级领导签字、来回改措辞，审批还是走3天。总的交付周期几乎没缩短。

这里还有一个容易被忽略的区分："任务"和"工作"不是一回事。AI擅长加速的是一个个具体的任务——写一份报告、做一张数据表、生成一段文案。但一个岗位的工作是由很多任务组成的，而且往往只有一小部分任务是AI能接手的。拿影像科医生举例，AI读片确实又快又准，但读片只是这个岗位的一个任务，不是工作的全部——医生还要跟临床科室沟通、参与多学科会诊、写诊断报告、处理疑难病例的二次判读、带教实习生。AI把读片时间压缩了80%，但这个医生的工作量可能只减轻了20%，因为剩下那些事AI碰不了。企业里的岗位也是同样的道理：AI优化了其中一两个任务，但整份工作还在那里，人还是少不了。

背后的逻辑不复杂——AI优化的是"做事"的速度，但企业里真正消耗时间的往往不是"做事"，而是"等待"和"协调"。等领导批、等跨部门反馈、等数据从另一个系统导出来，这些才是时间黑洞。这些环节，目前的AI根本碰不到。

所以你看到一个很拧巴的状态：员工说"AI挺好用"，部门说"效率提升了"，财务看一圈说"报表上什么都看不到"。每个人说的都是实话，但拼不成一个能算清楚的ROI。

还有一层容易被忽视的隐性成本

立项时算的通常是工具费用：API多少钱、SaaS订阅多少钱。但实际跑起来后面跟着一串没想到的账单——数据清洗标注、IT系统对接开发、内部培训推广、持续模型调优和维护。

这在行业里太常见了。一个企业预算50万做智能客服，工具本身没花多少钱，但要把AI接到自有ERP和订单系统，接口开发可能就要30多万。再加上训练语料整理、业务规则梳理、上线后头两个月几乎全靠人工兜底——实际投入翻到预算的两三倍，一点都不稀奇。

MIT报告有个相关发现：金融等行业喜欢自己从头搭AI系统，但内部自建项目成功率不到5%。用外部供应商现成方案的企业，部署成功率能到20%–30%。不是外部工具一定更好，而是自建的隐性成本太容易低估——你以为省了License费，但烧掉的开发资源、拉长的上线周期、项目半途而废的风险，加起来远比买现成的贵。

拼在一起

企业AI回报不好看，不是哪一个环节的问题，是几层问题叠在一起。

第一层，"省时间"≠"省钱"。 不减员、不增加可量化产出，省下的时间不会进报表。

第二层，钱花错了方向。 销售营销吸引了大部分预算，但后台运营才是ROI最扎实的领域。

第三层，单点效率被整体流程的瓶颈吃掉了。AI压缩了10分钟，前后4小时纹丝不动。

第四层，隐性成本被严重低估。工具费只是冰山一角。

不过，还有一层问题比这四层更扎心——很多AI产品本身就是半成品。制造业里最火的"预测性维护"就是一个典型：AI告诉你设备快坏了，但说不清哪儿坏、怎么修。

这笔账又该怎么算？下一篇聊。