夜雨聆风大家都在AI（人工智能）上亏钱。每家公司都在靠AI赚钱。AI对生产率毫无影响。它带来的影响巨大。它具有颠覆性。它没有颠覆任何东西。为什么当谈及AI的投资回报时，我们很难得到一个明确的答案？
图片来源：pirke / Shutterstock
丹麦跨国制药企业Novo Nordisk非常希望缩短药品上市时间，因为专利会到期。“如果你拥有一款畅销重磅药物，上市每延期一周，企业将损失1000万至1亿美元，”该公司数字化转型官斯蒂芬妮·博瓦（Stephanie Bova）表示，“这是一笔巨大的损失，因为你的专利有效期已经缩短了。”
生成式AI有望大幅加快药物开发流程中多个环节的进度。而且由于Novo Nordisk已经在仔细追踪其关键流程所需的时间，它拥有许多企业不具备的优势。因此，按理说，引入一些生成式AI后，它应该能相对轻松地看到生产率提升，然后实现稳定收益增长。但事实并非如此简单。药物开发流程包含多个部分，在不同时间由不同部门推进。
博瓦（Bova）说：“人们都是各自领域的专家，但不一定了解下一个环节，也不清楚整个流程如何衔接。整个系统庞大而复杂，你无法一次性看到所有环节的表现。”
流程文档可能和人们实际操作并不一致，不同的人完成同一项任务的方式也可能不同。而且一些关键任务从外部看来几乎是不可见的。例如，生产团队可能属于完全不同的部门，不知道这款药物即将提交给FDA（美国食品药品监督管理局）审批，因此还没有准备好所有文件。
“所以你前面跑得飞快，结果最后还要等他们跟上进度，”博瓦（Bova）补充道。
这只是企业在衡量AI项目成果时面临的众多挑战之一，也是为何相关调查结果如此矛盾的原因。从单个任务来看，Novo Nordisk能够证明AI的使用提升了生产率，带来了明确的积极效益。但退一步从企业整体利润来看，情况就变得模糊了。首先，如果关键环节被遗漏，上市时间就不会得到改善。而且新药上市需要数年时间，因此对利润的任何积极影响都需要一段时间才能体现出来。而这仅仅是ROI（投资回报率）衡量问题的开始。
一、流程衡量
为了解决流程中的盲点，Novo Nordisk采用了新一代流程挖掘技术：即AI驱动的实时运营数字孪生。
博瓦（Bova）说：“我们和流程智能服务商Celonis合作，构建了我们流程数据的数字孪生。我们是该行业首个将这项技术应用到临床场景的企业。”该工具从企业系统收集信息，追踪员工实际的工作内容，而不是通过调查收集一小部分员工记得自己在某个时间点做过什么的信息。
第一个项目是一个简单的七步流程，在构建它的数字孪生的过程中，Novo Nordisk发现，根据执行人员的不同，这个流程实际可能是五步，也可能是九步。“如果你把10位不同的领域专家召集到一个房间，会得到各种各样的解读，而且流程还会随着时间推移发生漂移，”她说。
这个项目暴露了现有流程中的多个缺陷。在一些情况下，员工需要重新培训。在另一个案例中，用户界面需要更新。不过，一旦流程实现标准化，就有机会获取标准化前的基准数据，这样之后就有了对比对象，来看看AI增强或自动化是否产生了效果。
他们需要提前想清楚的另一件事是，如何处理流程节省下来的时间。
博瓦（Bova）说：“你并不想裁员。这些都是高技术、难以招募的人才。或许我们可以考虑对团队进行一定程度的重新分配。”
如今，该公司已经积极部署了数百个AI智能体，这些智能体在数字孪生基础设施中被标记，以便识别。
“如果出了问题，我们能准确知道该在哪里修复，”她说，并补充道下一阶段是多智能体编排，“现在，我们已经把它们连接起来了，但我们还没有实现多级智能体调度。”
目前判断是否实现ROI还为时过早，因为药物开发流程需要数年时间。她说：“但通过观察端到端流程，我希望我们能挤出两年的周期时间。相比现在，上市时间能提前两年。”
已经处于开发最后阶段的药物不会获得太大研发速度提升，而那些才刚刚启动开发的药物则能获益最多。但最终的实质性结果要数年之后才会显现。
制药行业并非唯一一个只有同步并行优化多个相互关联的业务流程才能创造真正价值的领域。据PwC（普华永道）称，战术性AI项目往往无法带来可衡量的价值，只有符合企业战略的企业级部署才能产生实际回报。
事实上，尽管AI几乎得到了普及应用，但过去12个月里，许多企业既没有从AI中实现收入增长，也没有实现成本下降。尽管如此，据KPMG（毕马威）称，到今年年底，企业在AI领域的支出预计将较去年近乎翻一番。
二、生产力衡量
大多数企业从小规模起步，向员工推广AI聊天机器人来帮助提升生产力。这一领域的应用速度高得惊人，与之对应的却是，企业几乎没有能力衡量本应实现的生产力提升。
Carnegie Mellon University（卡内基梅隆大学）AI教授Anand Rao（阿南德·拉奥）表示，设立基准是关键，但在某些情况下衡量难度很大，在另一些情况下几乎不可能实现。举例来说，保险决策的结果可能需要数年才会显现。他指出，人寿保险的结果甚至可能需要数十年。而对于某些类型的决策，企业根本没有任何衡量手段。
他表示：“如果我说要考察你的决策过程以及你的决策质量，这会带来心理抵触情绪。作为人类，我们不喜欢自己的决策被衡量。”
而当决策最终结果不错时，人们都乐于把功劳揽在自己身上。“如果决策结果糟糕，那都是外部因素导致的，” 他说。
但即便是在可以衡量的特定任务上，企业往往也不会在上线AI工具前搭建完善的量化基准体系。“我们一开始就没有设立基准，”Julie Averill（朱莉·埃弗里尔）表示，她是时尚零售商Lululemon前执行副总裁兼全球CIO（首席信息官），目前是数字化转型咨询公司Gold Thread的CEO（首席执行官）。
她表示：“我们一开始就默认AI会帮助人们做出更好的决策，这就导致你最终无法进行有效衡量。”
她补充道，企业可以转而采用其他替代指标，比如使用率或用户满意度。“这件事已经在推进，也确实带来了好处，其中一些好处可见，一些不可见。你必须信任这个过程。就像云计算一样，你知道它是未来的方向，也能看到好处，但落地很难，需要做出大量改变。但你推进得越早，就能越早进入新的运营模式，真正从中获益。”
还有其他领域更容易获得可量化业务指标，比如客户服务。Averill（埃弗里尔）表示：“这些都是标准化重复作业，通常也是企业最先用AI实现自动化的领域。这里有非常明确的结果可以衡量，你也能设立很好的基准。”
Lululemon多年来也一直利用AI实现更好的个性化推荐，这也是一个可以量化的领域。此外，自动化可以减少人工数据录入，降低错误率。AI还可以用于辅助合规监控、欺诈检测和设备预测性维护，这些都是可以量化的应用场景。
但企业全员综合生产力，是极难量化的指标，而且不只是Lululemon面临这个问题。一个显而易见的衡量方式或许是考察受AI影响行业的裁员情况。毕竟相关报道随处可见。但在3月份发布的一份报告中，Anthropic并未发现，在高暴露行业（即最有可能因AI裁员的行业）失业率出现上升迹象。
2025年初，研究机构METR试图通过对比经验丰富的开发者在有/无AI辅助下完成任务的速度，来量化开发者生产力。结果呢？开发者原本预计AI能将他们的工作速度提升24%，并估计AI实际已经将速度提升了20%。但数据呈现出了完全不同的结果：他们使用AI实际上拖慢了19%的速度。
当然，AI工具一直在进步。METR曾尝试开展后续研究，再次跟踪有/无AI辅助完成的任务，但他们找不到足够多愿意回归无AI工作模式的开发者，即便研究人员为参与者付费。
行业内有不少案例反馈，部分企业工程师依靠AI可完成百人级工作量。还有一次，整个包含50万行代码的Claude Code代码库意外泄露，韩国开发者Sigrid Jin（西格丽德·金）在两小时内采用洁净室方案完整重构代码库，随后推送到GitHub上，这个项目也成为历史上最快达到10万星标的项目。
但与其他任何和AI相关的事物一样，实际情况要复杂得多。尤其是在软件开发领域，编写代码实际上只是软件开发工作的一小部分。
研究公司DX近期分析了来自400家企业的核心工程指标，并在近期一份报告中指出：自2024年11月以来，AI使用率提升了65%，但AI相关的生产力占比还不到10%。
三、隐性成本
就像AI带来的生产力收益难以衡量一样，其成本也很难测算。当一家企业最初开始使用AI时，成本估算可能相对简单：员工使用的AI聊天机器人每月总订阅费是多少？训练或微调（大模型优化方法）定制模型的成本是多少？但Averill（埃弗里尔）表示，当你推进到更复杂的应用场景时，成本计算就会变得困难得多。
她表示：“现在AI有一大堆配套系统。这些更难衡量，但影响也更大。”
她举例说，如果通过RAG（检索增强生成）将AI嵌入业务流程，不仅会产生持续的API（应用程序编程接口）调用费用，还需要对其他系统进行改造。而且复杂度每天都在不断上升。
KPMG全球AI与数据实验室主管Swaminathan Chandrasekaran（斯瓦米纳坦·钱德拉塞卡兰）表示：“我们还没有集中精力部署观测和监视工具。”他指出，想要全面掌握企业AI总成本就像预测天气一样困难。
他说：“全球拥有成熟完善的气象预测体系，是因为我们有数万个气象站在汇总数据。没有这些，我们就无法知晓天气。”
他表示，企业需要搭建监测工具来衡量AI相关消耗的各个方面，首先从使用的token（词元）数量、使用人员、以及其和工作产出的关联开始。
“这种衡量从根本上就是缺失的，”他说。
至少在人类使用AI聊天机器人的场景下，受生理限制，人类能提出的问题数量是有限的，再加上可预测的订阅成本，整体可控。而当通过RAG实现业务流程的AI赋能时，向LLM（大语言模型）发起的API调用是由可预测的传统脚本化业务系统完成的，也相对可控。
但现在，agentic AI（AI自主智能体）让一切变得更糟：因为智能体的行为不可预测，API调用数量会迅速失控。Boston Consulting Group（波士顿咨询集团）的一份报告显示，三分之二的企业都报告称AI规模化落地成本难以管控。
还有一些成本是企业可能没有充分预估，或是因为属于不同预算类目而没有追踪的，那就是数据相关成本。无论是为训练或微调准备数据、使用RAG嵌入，还是通过智能体设置直接MCP（模型控制协议）访问，引入AI后这些成本都会迅速累积。
IEEE（电气和电子工程师协会）会士、咨询公司Coughlin Associates总裁Tom Coughlin（汤姆·科夫林）表示：“数据流出费是其中很大一项。如果你需要把数据从云中迁出，这些出口费可能会非常高。”
他补充道，部署AI还会带来各类人力成本。
他说：“从长期来看，人们确实能从AI中获得大量价值，但他们需要知道如何正确使用AI。如果没有对应的技能，企业就会处于劣势。”
四、解决方案与复杂信号
接下来是AI故障处置产生的额外成本。过去18个月里，大多数企业都至少经历过一起AI相关事件，多数事件都会带来财务损失，部分事件损失超过50万美元。现在AI已经被嵌入到几乎所有产品中了。
美国领先全国性律所Brownstein Hyatt Farber Schreck的CIO Andrew Johnson（安德鲁·约翰逊）表示：“我们知道自己的直接成本，但对于我们已经在用的平台、原本不具备AI能力的SaaS（软件即服务）应用来说，成本测算就变得困难得多。这些服务商以新增AI能力为由，要求大幅提价。有多少涨价应该归因于AI？这个问题现在说不清楚。”
即便AI能够帮助企业压缩成本，与之相关的额外成本往往也不可避免。举例来说，某公司此前每年在合同管理平台上的支出约为7万美元。而借助AI搭建自有版本的平台，仅耗费了约4万美元的人力成本，此外每年还需支付3000美元的托管费用。他补充道，对于这款特定应用而言，后续持续维护的成本很低，每年总计仅增加数千美元。
但自行运营应用还会产生其他间接成本，包括安全审计、漏洞评估、渗透测试以及代码评审。
他表示：“平台越复杂、风险越高，企业打造内部自有解决方案的意愿就越低。”
尽管如此，得益于AI，如今软件开发团队的生产力已经得到了大幅提升：四五名开发人员就能完成此前二三十人的工作量。
但生产力提升并没有转化为人力成本节约，因为开发人员还有大量新工作等待完成。他表示：“我们积压了海量数字化解决方案开发需求。”
Carnegie Mellon（卡内基梅隆大学）的Rao（拉奥）指出，“帕金森定律——工作量会自动填满全部可用工时”的规律并非只适用于软件开发领域。
他举例称，AI预计可将生产力提升20%。“原本有100人做这项工作，现在我们只需要80人。”但到了年底，企业的员工总人数并没有变化。他补充道：“他们原本承担的工作，效率确实得到了提升，但人类会增加新的任务，来填补这20%效率提升空出来的空间。他们并不会提前一小时下班，反而会去开展其他能创造价值的活动。”
事实上，在某些情况下，企业生产力提升反而会损害净利润。比如律师行业就是按小时计费的。
Brownstein的Johnson（约翰逊）表示：“效率提升与我们传统的盈利模式是相悖的。我们必须跳出传统思维来看待这个问题。这不会损害我们的长期利益，但在短期内确实是一项挑战。不过，如果我们不拥抱效率提升，中长期来看我们很可能会丧失竞争力。”
因此，如果一款新的AI工具能够帮助律师完成尽职调查工作，该工具的投入和收入增长之间并不存在直接的线性关联。
Johnson（约翰逊）表示：“从发展趋势来看，投入 AI 的大方向毋庸置疑，但我们无法精准测算它能产生固定额度的投资回报。”
#CIO #高管 #职业发展 #ROI与度量指标 #IT领导力 #AI #新兴技术 #IT战略 #生成式AI #流程改进 #IT管理 #预算编制
作者：Maria Korolov（玛丽亚·科洛洛夫）
Maria Korolov（玛丽亚·科洛洛夫）是一位报道人工智能和网络安全的获奖科技记者。她还写科幻小说，编辑一本科幻和幻想杂志，并主持一个YouTube节目。
译者：宝蓝
