德勤中国与香港大学 2026 年 9 月 21 日联合发布的《决策者视角下的企业 AI 应用》报告里，有两个数字被引用得不多，对正在扩 AI 的企业最有用。44.4% 的受访企业无法明确核算 AI 项目的实际投资回报率，60.4% 尚未建立起体系化的价值衡量框架。调研覆盖 205 位企业高管，以战略决策层为主。
把这两个数字和另一个放在一起看，会有点刺。进入规模化部署阶段的企业占比已经从 2025 年的 56.0% 升到 64.4%。大部分企业一边在扩大部署，一边算不清这笔账。
这不奇怪。AI 项目的成本结构和传统 IT 完全不同。传统 IT 是一次性采购加年度维护，成本边界清楚。AI 按调用量付费，用得越多花得越多，同一笔预算在年初和年末的含义可以差一倍。收益那一头更模糊，省下的时间、提升的质量、减少的错误，散在几十个岗位里，没有一条天然的归集路径。
口径不统一，就会出现在同一个会议室里三套算法。财务按费用看，说这个项目一年花了两百万。业务按效率看，说这个项目让团队多做了三成的事。IT 按调用量看，说这个季度用量翻了一倍。三个人说的都是真的，拼不出一个决策。
顺序应该是先定口径，再谈扩不扩。反过来做，项目上线之后才让财务补一套算法，算出来是负数，项目被停，团队散掉，第二年重新招人重新开始，成本更高。
观察期的数据口径要提前定。同一件事用不同的统计方式，能得出完全相反的结论。建议固定三个指标，处理量、处理时长、返工率，按月取数，取数的人和用数的人分开。这样结项时不需要重新对账，也不容易被人挑出选择性取数。取数规则变更要留痕，变更前后的数不能混在一张图上比。 还有一种做错的样子，用一套通用模板去衡量所有项目。客服类项目看响应时长，设计类项目也看响应时长。前者合理，后者荒谬，设计师的价值在判断准，不在出图快。口径用错，好项目会被误杀。
上线前该签的一页纸，五件事。
第一件，基线数据。项目上线前，这项工作的现状是什么样，用三个数字写清楚。一份合同审核平均耗时多少小时，返工率多少，人均月处理多少份。没有基线，后面所有比较都是空的。
第二件，归因方式。省下来的时间或者成本，算给谁。算给这个项目，还是算给业务流程改造，还是不算。归因方式要在项目开始前定，不能在结项时争。
第三件，观察期。多长时间看结果。AI 项目通常需要三个月到两个季度才能看到稳定数据，观察期太短会把爬坡期当失败，太长会把问题拖成习惯。
第四件，终止条件。什么情况下停。写清楚是连续两个季度未达基线、成本超预算多少、业务方不再使用。有终止条件的项目反而更容易拿到预算，因为决策者知道风险边界在哪。
第五件，谁签字。业务负责人、财务负责人、IT 负责人三方签。缺一方，这个项目将来一定会为数字吵架。
五件事做完，AI 项目就从一件技术事变成了一件管理事。管理事的特征是能比较、能排序、能停。技术事做不到这三点，所以永远只能加不能减，预算越滚越大，效果说不清楚。
给董事长一条建议。AI 的价值衡量，最终要走到董事会层面，别停在 IT 部门的报表里。只有董事会能决定一件事，我们愿意为哪些暂时算不出回报的能力付钱。这个决定必须有，但不能是默认的。写下来，比含糊地继续投要好。
一个小的落地办法。把 AI 项目分成三类放进预算，一类是明确算得出回报的，按普通投资审。一类是有战略价值但短期算不出回报的，单独立一个预算池，写清楚最多亏多少、看几年。还有一类是部门自己想试的小项目，给一个小额度，不要求回报，但要求报结果。三类分开管理，预算会清楚很多。