ARTICLE · 1081988
88% 说 AI 赚了,56% 老板说没赚|老板避坑清单 05
上个月在一家做五金件的厂里，我陪王老板对了一次 AI 的账。
那天下午，财务把表格投到会议室的白墙上，做得挺细：模型调用费、服务器、外部顾问，还有两个内部工程师的工时，一年拢下来六十七万。
老板盯着看了半分钟，问了一句："那赚回来多少？"
财务没接上话。
会议室安静了几秒。
不是她业务不行。是这个数，本来就不在那张表上。
同一段时间，我翻到两份报告，结论几乎反着来。 PwC 今年那份全球 CEO 调研，问了 4454 位 CEO ： 56% 的人回答， AI 既没让收入变高，也没让成本变低。两项都拿到的，只有 12%。
转头看 Google Cloud 的 2026 AI Agent 趋势报告，样本是 3466 位企业决策者： 52% 说智能体已经进了生产环境；已经在用的这批人里， 88% 说至少有一个环节拿到了正向回报。
一个说没赚，一个说赚了。谁在骗人？
传业点评：都没骗。报告没打架，打架的是"账的口径"。 88% 那个数，分母是"某一个环节"； 56% 那个数，分母是"整家公司"。两个数摆在一张表上看，你当然觉得天塌了。
老板的坑，基本都埋在这个口径上。这篇还是老规矩，五个坑，每个配公开数据，收尾一张自查表，你对着套一遍就行。
坑一：立项写"降本增效"，验收却拿公司大盘
坑长什么样：立项书的"预期收益"栏填了四个字，降本增效；到验收的时候，只能拿公司整体利润去对。利润没动，项目就被判成了失败。
为什么错：这两个东西根本不是一套尺子。
拿医院打个比方。你去体检，一份血常规，一份全身 CT 。血常规单子上飘着几个箭头， CT 报告写着"未见明显异常"——这不叫两份报告打架，这叫两份报告在回答不同的问题。血常规盯的是几个具体指标， CT 看的是整体形态。拿血常规的结论去否定 CT ，或者反过来，都是外行。
PwC 那 56%，问的是"公司整体的收入和成本有没有变"，这是 CT 。 Google Cloud 那 88%，问的是"有没有至少一个环节拿到回报"，这是血常规。指标级的东西本来就先动，大盘级的东西要等指标攒够量才会动。
指标先动，大盘后动。
你要是反过来干，拿大盘去验收指标级的项目，那几乎每个 AI 项目都会被判死刑。这就是翻车的标准姿势。冤枉吗？挺冤的。几十万真金白银花下去，到头来落一句"没啥效果"，亏得不明不白。
传业认为：口径定错的成本，比技术选错的成本高得多。技术选错了，换一个还能救；口径定错了，项目干得越好，越像白费功夫。
怎么避：立项的时候，把"预期收益"从"降本增效"改成两个具体的数。比如"客服工单平均处理时长，从 14 分钟压到 9 分钟"，"换型返工率，从 6% 降到 4% 以下"。写不出这两个数，说明这事还没想清楚，先别签字。
坑二：盯着"每百万 token 的价"，不算一个任务吃多少 token
坑长什么样：选型会上，采购拿着一张三家对比表，指着最便宜那行说"就它了"。上线三个月，账单是预估的三倍。
为什么错：单价降了，不等于你花的钱少了。
模型确实在降价。人民网 6 月报道过， DeepSeek 、小米、腾讯云这些头部厂商接连下调 API 价格，多款主流模型降价幅度突破 90%。
可账单的另一头在涨。同一个模型，输入 token 和输出 token 是两个价，输出的单价通常要贵上 4 到 5 倍。更拧巴的是上下文——你把公司三年的合同、两年的工单、全部产品手册一股脑塞进去，让它先读一遍再回答，成本不是线性往上走的——是翻着涨的。 36 氪 6 月那篇讲 token 经济学的稿子里，摩根大通的分析师把这事概括成了五个字： AI 账单失控了。
传业认为：按"每百万 token 多少钱"砍价，是拿批发价去管零售账。老板真正该问的是另一句——处理完一单业务，要烧掉多少 token 、折多少钱。
怎么避：别信单价表，要求供应商报"单任务成本"。只看单价表选型，这事儿本身就不靠谱。给个具体做法：从你们真实业务里抽 20 个典型任务，跑一整周，记下每个任务消耗的输入 token 、输出 token 和耗时，再乘单价。这一周的数据，比开三次选型会都管用。
说白了，降价 90% 是句好听的话。你原来的用量是 100 ，现在价格打到一折，听着像白送。可只要用法从"问一句答一句"变成"读完三年资料再答"，用量翻个十倍二十倍，账就回去了。这不离谱，这很数学。
坑三：把"演示里省下的工时"记成收入
坑长什么样：供应商在演示里说，这个助手能帮每个客服每天省 1.5 小时。老板一算， 20 个人，一个月就是 660 个小时，一年 7920 小时，按人头折成钱，账面上凭空多出几十万。
为什么错：省下的工时，如果没有真变成少发的工资、少招的人或者多接的单，它在财务上就是零。一分钱都不是。
IDC 那份 2026 年的 AI View 调查里有个数：只有 12% 的组织在做全面的 ROI 分析。也就是说，绝大多数公司连"这笔钱花在哪、回来多少"都没认真算过，靠的就是演示会上那点感觉。感觉最贵。
真的贵。
更值得琢磨的是 BCG 的观察，新浪财经 8 月报道过：领先企业通过工程优化和治理机制，有机会在 12 个月内把 AI 的整体成本节降 25% 到 50%。注意，它说的不是"换个更强的模型省下来的"，是工程优化和治理——把调用链压短、把重复请求缓存掉、把权限和额度管住。全是笨功夫。
怎么避：把"释放工时"和"减少编制"分开记账。前者只能写进效率改善，不进利润表；后者才叫降本。凡是以"省了多少小时"结尾的收益测算，后面必须补一句：这些小时接着去干了什么活，产出了多少。补不上的，那几十万就是白费的。
坑四：预算只报一次，钱却是从别的项目挪的
坑长什么样： AI 项目的预算，老板批了。半年后，隔壁产线改造说没钱，市场部说投放要砍——一问才知道，钱都挪去填 AI 那个坑了。
为什么错： AI 的花钱方式不是"一次性采购"，是"每个月都在长"。
高盛今年 5 月那份 CIO 调研里有个数挺扎眼：企业 AI 的 token 预算里，只有 33% 是新增拨款，剩下 66% 是从存量预算里再分配出来的。三分之二的钱，是别处项目让出来的。你批的不是一笔预算，是一次内部的资金搬家。
这还没算超支。 ActuIA 引述的一份数字化转型调研显示，超过 82% 的企业超出了初始预算， 45% 的项目至少延迟 20%，将近四分之一超出预期 30% 以上。
搬一次，就欠一次。
怎么避：预算表上加一栏，就叫"这笔钱从哪挪来的"，写清楚被挤掉的是哪个项目，以及那个项目会不会因此出事。还有，给不确定的部分留缓冲：返工、数据清理、验收人工，这三项按总预算的 15% 到 20% 预留。不留，就是等着后面从别处借。
坑五：账算不清，就去追更新的模型
坑长什么样：项目回报不明显，第一反应是"是不是模型不行"。于是换旗舰、加预算、上新一代，再签一年。这种焦虑最费钱。
为什么错：换模型修不了账。
不对，更准确地说，换模型只会换出一张更难对的账。
Gartner 7 月发过一个预测： 2026 年全球 AI 平台和模型市场的支出，会从 393 亿美元涨到 642 亿美元，增速 63.4%。这 63% 是谁的增速？是卖方的。它是收入增速，不是回报增速。买方这一侧的数，上面几份报告已经摆出来了： 56% 说没赚也没省，只有 12% 会认真算这笔账。这组数字摆出来，谁看了都不满，可它就是现实。
还有个信号挺有意思。华为在 9 月的全联接大会上，发了一套"AI 落地七步法"和一个叫 DIMAK 的工程体系。大厂开始把"怎么落地"当成一套方法论来卖了，说明什么？说明模型本身早就不是瓶颈了。难的是从买回来到用出结果中间那一段，而那段路里装的全是流程、数据和验收标准，跟模型参数关系不大。
参数再高，流程不动，工具就在机房里吃灰。
体检报告还没看完，就急着换一家医院——这不是治病，这是换心情。
怎么避：升级之前先跑基线。挑一个环节，用现有模型跑满四周，记下三个数：处理时长、人工返工率、单任务成本。跑完再决定要不要换。没有这三四周的基线，任何升级都是拍脑袋，而拍脑袋的账，下一轮还是算不清。
一张自查表，合同签字前过一遍
五条里有两条答不上来，这次先别签。
我见过在这五个坑里栽跟头的人，大多不笨，项目也不小，很多还是被供应商那一页漂亮的演示稿忽悠着上马的。他们的共同点是同一件事——把 AI 当成一笔采购，而不是一本要逐月核对的账。
采购有签字那天。
账没有。
账得月月对。
【转发】如果你公司也在上 AI ，把这篇转给拍板那个人——让他签字之前，先把这张表过一遍。
我是传业，16 年技术 + 管理经验，人大管理学硕士、经济师、FDE、企业 AI 数字化落地教练，为企业提供AI战略咨询与落地服务，一站式承接 AI 增效、流程重构、定制开发、企业培训全栈服务。