摘要

企业决定是否投入AI，最终要判断三件事：能否带来值得投入的新增收入，多久能拿到可信证据，以及试错代价能否承受。本文以销售方案辅助场景为例，拆解增收类AI项目的投入产出计算、从试点到规模化的推进节奏，以及数据、合规、品牌和客户体验风险。通过“假设—验证—放大”的方法，让每一阶段的投入都有依据，让继续、调整和停止都有明确条件。

---

一份AI方案摆到老板面前，里面可能有智能客服、自动生成、知识检索等功能。但决定是否投入时，老板通常只关心三个问题：

“能帮我多卖多少？”

“多久能看见效果？”

“如果效果不好，或者出了问题，我要付出多大代价？”

回答这些问题，需要把技术方案翻译成经营假设：影响哪类客户的哪一个购买决定，预期改变什么指标，花多少钱验证，以及什么情况下停止。

企业可以从一个规模有限、结果可核算的实验开始，逐步获得继续投入的依据。

一、多卖多少：先算新增贡献，再算投入产出

假设一家企业已有稳定的产品咨询，但客户从咨询走到报价，经常需要反复补充需求、比较配置。

它准备试用AI辅助销售：根据审核过的产品资料和客户需求，生成需求摘要、候选方案、差异说明和待确认事项。技术人员核验适配性，销售确认后再交给客户。价格、交期和承诺仍由业务系统及有权限的人员确定。

这里的增收假设是：客户更容易理解方案、判断取舍，因而有更多合适的商机进入成交。

这个假设能否成立，需要验证。核算时，可以使用一个简化的管理口径：

项目ROI＝（可归因的新增贡献－项目成本）÷项目成本。

“新增贡献”是新增收入扣除相应产品、交付、渠道等变动成本后的金额；“项目成本”包括搭建接入、资料整理、模型调用、运维、人工复核和培训等投入，两边不能重复计入同一笔成本。

看一组纯假设测算，不代表实际效果：

订单增加了，项目仍未覆盖成本。这个例子提醒我们：评价AI项目，必须继续追问新增订单带来了多少可保留的贡献。

还要检查这些订单是否来自额外折扣，是否挤占其他产品销售，以及退款、售后和交付成本是否增加。没有实际减少的人工支出，应与现金节省分开记录；释放的工时能否转成新增产出，也需要证据。

一次性搭建成本与持续运行成本应分别列明，再在统一观察期内比较。短期试点亏损可能包含前期投入，但未来能否摊薄，取决于持续效果、业务量和服务成本，不能直接把短期结果乘十二当成年收益。

二、多久见效：把“功能可用”和“收入成立”分开验收

“见效”至少包含三个层次：系统能否完成任务，业务流程是否改善，以及改善能否形成值得投入的收入。

销售觉得方案更好用了，是有价值的早期反馈；客户更愿意接受方案，是进一步证据；最终成交、交付成本和回款表现，才能帮助老板判断经营结果。

可以按三个阶段推进。

第一阶段：提出一个具体假设。

把“用AI提高销售能力”改成：“针对某一产品系列，辅助销售澄清需求和解释配置，有望改善方案转报价比例。”

同时确定客户范围、负责人、现有基线、预算上限和成功条件。先用历史脱敏样本检查输出质量，确认资料是否足够、哪些问题必须转人工。

第二阶段：在有限范围内验证。

条件允许时，将相近商机随机分配到原流程与AI辅助流程，尽量保持渠道、促销和人员条件可比。同一客户应固定分组，避免两种流程相互影响。

先观察需求澄清次数、方案接受情况和报价推进，再跟踪成交与贡献。样本不足或尚未走完销售周期时，应保留“不确定”的结论。前面的10%与12%只是测算假设；实际出现这两个比例，也不能仅凭差值认定AI有效。

第三阶段：达到门槛后逐步放大。

先增加一个团队、一个渠道或一个产品系列，继续观察质量、成本和客户体验。每扩大一次，都要重新检查原来的判断是否仍成立。

作为试点排期示例，可以用1—2周准备资料和完成内部验证，再用4—8周开展有限业务试点；这只是规划参考。低频、大额、长决策周期的业务，收入验证可能需要更久，复购验证还要等到真实购买节点。

真正需要提前约定的，是每个时间点要拿到什么证据，以及证据不足时如何处理。

三、风险多大：看AI能接触什么、能决定什么

同样是生成方案，内部草稿与自动发送给客户，风险并不相同。判断风险时，应同时看数据敏感程度、输出用途、执行权限、影响范围和纠错难度。

生成式AI可能以确定的语气提供错误内容，因此复核机制需要进入业务流程。相关风险可参考NIST《生成式AI风险管理框架应用概况》。

对增收项目，尤其需要检查四类问题：

在销售方案场景中，可以先让AI辅助整理与解释，由专业人员确认选型和最终交付。未经核验的报价、合同承诺和订单变更，应由明确的规则与权限控制。

这个安排需要认真核算人工复核成本：如果每份输出都要大量返工，功能虽然可用，经营价值也可能难以成立。

四、怎么止损：在花钱之前写清停止条件

试点容易失控的一种情况是：期限不断延长，成功标准随结果改变。最初要验证成交提升，最后却只剩“团队已经习惯使用”。

因此，应在开始前写清两类止损条件。

一类是经营复盘线，决定是否值得继续投入。

例如，预算达到约定上限、观察期结束，或有效样本达到预定规模时，必须复盘新增贡献、输出质量和交付负担。达不到要求，可以缩小范围、修改方案或结束试点；追加预算需要对应新的假设和验证方法。

另一类是立即暂停线，防止损失继续扩大。

例如，发生敏感资料泄露、越权操作，或可能造成重大损失的错误承诺时，应立即暂停相关功能，保留记录并转人工处理，由指定负责人组织排查。

止损线要写成可执行的约定：

短期ROI未转正，不必自动否定项目；证据仍不清楚，也不能成为无限投入的理由。复盘需要区分：假设被否定、样本不足、执行不到位，还是成本结构不合理，再决定下一笔钱是否值得花。

先批准一个可验证的经营假设

老板最初批准的，可以是一项范围清楚的试点：服务哪类客户，改善哪个购买环节，最多投入多少，何时复盘，以及谁承担结果与风险责任。

验证通过后，再扩大投入；发现问题，就调整或停止。这样的节奏能让企业逐步积累自己的经营证据，也让AI建设与实际收入保持联系。

如果准备与思捷进一步讨论，可以先整理一页试点说明：一个销售难题、一组现有数据、一项预期改善、一个预算上限和一条止损线。 这些信息越具体，越容易判断AI从哪里进入，以及下一步该验证什么。