为什么 AI 项目总是低估真实投入？

决定成败的隐性成本

已有研究发现

规模化需要大量"非模型"投入。 麦肯锡的研究发现，AI 高绩效组织（即 AI 贡献超过 5% 息税前利润 [EBIT] 的组织）明显更倾向于投资于业务流程和数据产品的"重构"，而不仅仅是部署模型本身 。

"概念验证工厂"沉淀了大量沉没成本。 埃森哲估计，80%-85% 的企业仍停留在"概念验证工厂"（Proof of Concept Factory）阶段——不断做实验，但回报很低，规模化成功率也很低 。

数据基础设施是一项重要支出。 具备战略性规模化能力的企业，明显更可能拥有庞大且准确的数据集（61% 对比非规模化企业的 38%），并在数据质量、管理和治理框架上投入巨大。

"生产率J曲线"意味着存在大量隐性投入。 早期研究发现，企业每投入 1 美元的有形技术支出，往往要在无形资产上（流程再造、技能再培训、组织转型）投入高达 10 美元，这会在收益真正兑现之前，先短暂拉低生产率。

我们的发现

从业者遇到的最大挑战中，77% 是看不见的隐性成本：变革管理、数据质量、流程再造，而非技术本身的问题。技术始终被受访者形容为"最容易的部分"。一次成功部署的真实成本，通常都包含了至少一次此前的失败尝试，而绝大部分投入都花在了"模型之外的一切"上。

发现1：77% 的最大挑战都是"隐性成本"

当我们问从业者"什么是最难解决的问题"时，答案揭示了 AI 预算真正流向了哪里。

"所有的苦活累活都在流程文档梳理和数据架构上。如果你能把这两件事做好，剩下的一切都会变得很简单。" ——某电信公司高管

"技术从来都不是瓶颈——组织内部的采纳程度才是真正的失败点。" ——某专业服务公司高管

发现2：61% 的企业，在当前的成功之前都曾经历过一次 AI 项目失败

这些失败的试验，构成了永远不会出现在"成功"项目 ROI 核算表里的沉没成本：

这些失败的试验是沉没成本，或许永远不会体现在最终成功项目的 ROI 中，但它们往往是成功不可或缺的前提。这些失败呈现出共同的模式：团队把 AI 当成了一个"技术项目"，而不是一个"流程与变革管理项目"。当 AI 被套用到本就存在问题的工作流上、由缺乏业务所有权的技术团队主导、或者组织误以为模型能自动修复本该靠"重新设计工作本身"来解决的问题时，第一次尝试往往会失败。

"这其实已经是他们第二次尝试把 AI 用于招聘流程了。第一次失败，是因为没有考虑到算法偏见问题，他们以为AI能直接修复流程，而没意识到流程本身需要重新设计。" ——某专业服务公司 AI 项目负责人

技术始终被受访者形容为"最容易的部分"。

"你在数据上投入得越多，从这些 AI 解决方案中能获得的产出就越好。" ——某科技公司经理

"问题从来都不出在模型上。" ——某专业服务公司高管

对预算制定的启示：一次成功 AI 部署的真实成本，通常都包含了至少一次失败尝试，而绝大部分投入，都花在了模型本身之外的一切事情上。

案例研究：一家物流公司的发票处理自动化

他们如何克服隐性成本

公司背景

一家营收超过 10 亿美元、总部位于美国的物流公司，管理着大量冷藏挂车车队。该公司每年从全国各地为挂车提供维保服务的供应商那里，收到超过 10 万张发票——从换轮胎到传感器更换，五花八门。

面临的挑战

发票数量庞大、格式各异，造成了沉重的运营负担。公司专门安排了 7 名全职员工处理这项工作：整理发票、与内部模板匹配、核验工作内容、将数据录入 ERP（企业资源规划）系统、并生成客户发票。

"这些发票通过各种渠道涌进来，包括传真。有时候是电话——很多修理厂地处偏远，他们就直接打电话说，嘿，我们做了这项维修。所以信息可能是电话、可能是邮件，几乎所有你能想到的方式都有。" ——某科技服务公司高管

看不见的工作

流程简化：数千个发票模板被精简为数百个。多年累积下来的发票模板存在大量冗余和不一致，在任何 AI 能发挥作用之前，这项清理工作都是必须先完成的。

"我们很快意识到，这 750 个模板根本没有意义，其中大部分都是重复的，之前从来没有人真正梳理过这件事。" ——某科技服务公司高管

数据标注：领域专家（SME）在日常工作之外，额外审核了数千条 AI 输出结果，逐一解释每一处错误，以帮助模型改进。

高管发起支持：总裁亲自参与每周例会，清除障碍、确保运营团队的认同。

"总裁每周都会来跟进：进展如何，我们到哪一步了，卡点在哪里？这带动了团队其他人也跟着投入进来。" ——某科技服务公司高管

知识转移：从第一天起就安排了两名初级 IT 员工深度参与，每日站会、每周和每月复盘，没有"黑箱"——公司完全有能力独立运维这套系统。

解决方案

简单来说，公司搭建了一套系统，无论发票以何种方式送达，都能自动读取内容、理解含义，并直接将数据录入公司的财务系统，从而免去了人工处理的环节。

技术实现上，采用 Azure Document Intelligence 结合 Azure OpenAI 服务，将光学字符识别（OCR）解析与基于大语言模型（LLM）的语义映射相结合。系统从多个渠道（邮件、传真、电话转录）接收发票，通过 OCR 解析并提取数据，将发票内容映射到简化后的模板分类体系，并将验证过的数据直接写入 MS Dynamics D365。

成果

关键经验

"一切永远都是从'人'开始的。有人、有流程、有技术——这个顺序我很清楚，即便我代表的是一家科技公司。技术永远是最容易的部分，我们基本上用的都是开源和现成的工具。" ——某科技服务公司高管

"各位，80% 的准确率对我们来说已经足够了。我们可以把这些人挪去处理其他的瓶颈环节。我知道你还能继续优化，最终模型也许能达到 95%，但我们不在乎。我们在乎的是立刻见效的成本节约，以及清空积压的工作。" ——某物流公司总裁

相关课程：