"不知道该投 10 万还是 500 万，也不知道多久能回本"——这是很多制造企业面对 AI 时最真实的困惑。
埃森哲调研显示，仅 9% 的企业在规模化应用生成式 AI 后实现了显著价值。多数企业不是不想算账，而是把账算错了方向。
为什么 AI 的账难算
- 收益很多是隐性的。质量更稳、响应更快、经验不流失、决策更有据——这些不好折算成钱，却可能比直接省下的钱更值钱。
- 成本常被低估。不只是软件费，还有数据准备、系统集成、运维、培训、组织调整——这些加起来，往往比软件费高。
- 没有基线，就无从算"提升"。不知道现在的成本、效率、良率是多少，"提升 30%" 就是一句空话。
投入之前，先算清三笔账
第一笔：直接收益
省了多少人工、降了多少不良、提了多少效率。这是最容易算、也最该先算的一笔——算得清，投入才有底气。
第二笔：隐性收益
质量稳定性、响应速度、经验不随人员流动而流失、决策有了依据。这笔账可能比直接收益更大，但要单独说清——不能混进"直接省了多少钱"里，否则既算不清，也说服不了人。
第三笔：真实成本
软件费只是一部分，数据准备、集成、运维、培训、组织调整，以及"没做成的沉没成本"，都要算进去。很多项目"算着划算、做着超支"，就是漏了这笔账。
还有一笔时间账：能不能在 4～8 周内看到可验证的结果？看不到，就说明方向可能有问题，先别加码——这是"分级投入、小步验证"的意义。
算账的目的，不是算出漂亮数字
很多企业把 ROI 算成了"上了多少 AI"，而不是"拿到了多少价值"——这是方向性的错误。算账的真正目的，是在投入之前先想清楚：这一笔钱投下去，值不值得、多久能验证、验证不了怎么收手。
所以正确的方式不是"一把梭"，而是先投一小步，验证一个场景的投入产出，再决定要不要放大。
结论
AI 投入产出能不能算清，不取决于公式多复杂，而取决于投入之前有没有把三笔账分开算、有没有一个可验证的时间节点。算不清，往往不是不会算，而是没想清楚这笔钱到底要换回什么。