上项目时轰轰烈烈,上完算账发现是负的。AI 落地不是技术选型,是商业决策,先算 ROI。

🦩 第 24 篇 · 2026 年 1 月 12 日
见过太多 AI 项目,上的时候轰轰烈烈,说的是"AI 是未来"、“必须布局”——上完之后算账,发现 ROI 是负的。AI 落地不是技术选型,是商业决策。不算清楚 ROI 就上 AI 项目,和不看报表就创业一样。
一句话
AI 项目的 ROI 公式:AI 带来的收益(人效提升/转化提升/成本降低)减去 AI 的投入(模型成本/开发成本/运营成本)。不算清楚这个就上项目,和赌博没什么区别。
AI 投入怎么算
直接成本
- 模型调用成本(Token 计费):按日/月调用量 × 单价,是最直接的成本项
- 开发成本:系统接入、定制开发、API 对接——按人天算
- 基础设施成本:服务器、存储、网络——云服务按量计费
- 运营成本:知识库维护、质检、运营人员——持续成本,往往比开发成本更大
隐性成本
- 试错成本:第一次上线效果不好,需要迭代——时间和资源消耗
- 培训成本:员工学习使用 AI 系统的成本
- 机会成本:同样的资源投入,如果不投 AI,投到别的地方 ROI 多少
AI 收益怎么算
- 人力节省:AI 替代了多少工时 × 人均时薪
- 转化提升:AI 介入后,转化率提升了多少 × 单客户价值 × 客户量
- 响应速度:响应时间缩短带来多少客户满意度提升(间接转化价值)
- 规模效应:AI 规模化后,边际成本下降(AI 的边际成本接近零)
ROI 计算示例
以一个 AI 客服项目为例:
- 月投入:模型调用 ¥2000 + 运营人力 ¥5000 + 基础设施 ¥500 = ¥7500/月
- 月收益:人工客服工时减少 200 小时 × ¥80/小时 = ¥16000 + 转化率提升 5% × 新增 ¥50000 = ¥25000
- 月 ROI:(25000 - 7500)/ 7500 = 233%
ROI 为正是基本门槛。如果 ROI 是负的,要么降低 AI 成本,要么提高 AI 覆盖的场景和转化率。
落地要点
- 先算 ROI,再决定上不上 ROI 为正的项目才值得上。如果算不出来 ROI,说明需求还没摸清楚,不适合上线。
- ROI 要分阶段算
- 上线前预估 ROI:基于假设和行业数据
- 灰度期实测 ROI:5% 流量下的真实 ROI
- 全量后实际 ROI:真实运营数据
- 把 ROI 分解到北极星指标 ROI 变化 → 追到北极星指标(AI 自动回复率、转化率)→ 追到配套指标 → 找到根本原因
- ROI 要定期 review AI 模型的调用单价会变、业务规模会变,ROI 也会随时间变化。每个季度 review 一次。
踩过的坑
- 只算开发成本,不算运营成本:开发成本是一次性的,运营成本是持续的。只看开发成本,ROI 低估了真实投入。
- 收益用"估计"而非"实测":转化率提升 10% 是怎么算出来的?没有实测数据的收益估算等于白算。
- 没有算边际成本:AI 的魅力是边际成本接近零。如果 AI 的规模从 1000 用户扩展到 10000 用户,ROI 怎么变化?算清楚才知道值不值得扩张。
对真实场景的思考
AI 落地的商业逻辑其实不复杂:AI 能降低多少成本、能提升多少收益、投入是多少。把这三个数字算清楚,ROI 算明白,上还是不上自然有答案。AI 项目失败的原因,往往不是技术不行,是商业逻辑没算清楚——花了一堆钱建了一个"看起来很厉害但 ROI 是负的"系统。
一句话总结:AI 落地是商业决策,不算 ROI 就上是赌博。投入(模型+开发+运营)要算清楚,收益(人效+转化+规模)要实测,ROI 为正才值得上。
延伸阅读
- AI 落地成本怎么算,看 ROI 合不合算
- 办公 Agent 想落地,先啃会议和流程两座山
- 别急着做 AI 早报,先核对落地三环
- 不是急着做AI和人的分工不是谁,是先核对AI落地
- 冷启动:没有数据历史,AI 落地怎么先跑起来
- Agent 质检与督导:数字员工也要考核
- AI 当员工还是当工具,结果完全不同
- AI 落地这一年,我踩过的坑和收获
- AI 落地之前,先把数据安全和合规绑住
- AI 项目为什么大多死在第二个月
相关阅读
标签
双号关注
扫码关注「广说新零售」公众号 + 视频号
本地生活 AI 落地、Agent 实操、真实门店怎么跑起来。扫码关注公众号与视频号「广说新零售」,持续看可收藏的做法;有场景也可私信聊合作。

公众号

视频号
继续读
同栏目相关文章,方便对照着看。
AI落地这条路,我为什么一直走下去
不是因为它热。踩过的坑越多越确认:AI只有放进真实业务跑,才知道哪些是真需求,先看AI落地。
AI落地效果怎么衡量:北极星加配套指标
没有指标,AI运营要么靠感觉,要么靠注水的汇报。一个北极星指标加六个配套,价值才可量化,先看AI落地。
不是急着做AI和人的分工不是谁,是先核对AI落地
员工最怕被取代。真实落地里,花时间最多的不是调模型,是处理人和AI的关系与信任,先看AI落地。
Agent 架构设计:几张卡片把系统搭清楚
系统越复杂越容易乱。每个角色先写一张卡片,职责、边界、入口、出口说清,再往代码里落。
AI 落地这一年,我踩过的坑和收获
不是方法论,是真实复盘:接数据的工作量被低估、上线后没人维护、以为能配一次就一劳永逸。
