先定义「投了什么」
AI 项目投入不只有开发成本，还有数据准备、模型调用费、维护成本、人工复核时间和试错成本。漏掉任何一项，ROI 都是假的。
投入清单要写清楚一次性成本和持续成本。
回报有三种
直接节省：人力、时间、材料成本的下降。质量提升：错误率、响应速度、满意度的改善。机会收益：过去做不到的事现在能做到，比如 7×24 客服、实时数据分析。
机会收益最难量化，也往往最大。
- 直接节省：人工成本、时间成本、流程成本
- 质量提升：错误率、满意度、转化率
- 机会收益：新场景、新客户、新能力
用最小验证估 ROI
正式投入前，先做一个 4-8 周的最小验证，用真实数据测：AI 能否达到预期效果？团队是否愿意用？
验证的成本很低，但能避免 80% 的错误投资。
ROI 要回头看
上线三个月后重新计算：实际投入、实际回报、与当初假设的差距。回头看才能让下一个项目更准。
AI 项目的 ROI 不是一次计算，而是持续校准。
把 ROI 讲给决策者听
决策者关心的不是技术细节，而是三个问题：投入多少、多久见效、风险在哪。用一页纸回答，比三十页报告更有效。
把最小验证的成本和三个月后的预期收益写清楚，决策就变得简单了。
成本项的常见遗漏
ROI 计算最常见的遗漏有四类：数据准备的人力、模型调用和基础设施的持续成本、人工复核与纠错成本、项目维护和迭代成本。
只算开发费用不算运行费用，ROI 会严重虚高；只算节省不算新增风险，决策也会失真。
把成本列全，不是为了劝退，而是让回报数字真正经得起推敲。
ROI 的敏感性
ROI 计算里的每个假设都可能不成立，所以要做敏感性分析：模型成本涨一倍会怎样、用户量只有预期一半会怎样、效果指标差两成会怎样。
敏感性分析不用很复杂，把最关键的三个变量各算一个乐观、中性、悲观场景就够。
当乐观和悲观场景都划算，项目才值得投入；只在乐观场景划算，就要谨慎。