营销增长

AI经济学：如何决策哪些AI投资值得规模化

2026 年 11 月 6 日

仅37%的AI项目交付预期业务价值。文章提出以投资组合视角管理AI，通过单位成果成本与可衡量业务价值双维度，建立启动、停止、优化、扩大的决策框架，并强调财务、技术与业务数据融合的必要性。

AI economics: How to decide which AI investments are worth scaling

人工智能（AI）已成为技术支出中规模最大的类别之一，但目前仅有 37%的AI 项目正在交付其预期的业务价值。对于技术和财务领导者而言，挑战已不再仅仅是识别有前景的AI用例，而是要确定哪些投资创造了足够价值以证明其成本合理——以及哪些投资应启动、停止、优化或扩大规模。

这要求超越逐个项目决策，转向一种将AI投资视为聚焦于业务成果的投资组合的管理模式。

AI经济学如何将业务价值融入AI战略

准确理解一项AI倡议的真实成本，往往比查看一份云服务账单、软件许可证费用或模型使用费更为复杂。基础设施、模型消耗（例如Token）、数据管理、治理、安全、运维支持及人力等所有因素，共同构成了AI的真实拥有总成本（TCO）。

AI经济学——即AI拥有总成本与这些投资所创造的业务价值之间的关系——为技术和财务领导者提供了一种一致评估此类投资的方法。组织不再需要在彼此迥异的用例之间比较成本、消耗量或采用率，而是可以评估单位成果成本，并确定追加投资将在何处产生最大回报。

从项目管理转向IT投资组合管理

当AI投资需与其他AI项目、网络安全、数据分析与商业智能、流程自动化、公有云、数字化转型及技术债务等争夺资金时，这种可见性变得尤为关键。整个技术投资组合的可见性，有助于开展更高层次、更具战略性的AI投资对话与决策。

传统上，我们看到技术治理关注的是单个项目是否处于预算范围内；而AI经济学则应关注整个投资组合是否正在创造价值。

这为领导者开启了一扇门，使其能够持续回答一组统一的问题：

业务支出是多少？
谁在驱动该支出？
哪些倡议正在交付可衡量的价值？
追加投资应导向何处？
哪些倡议应被重新评估？

通常没有哪一位高管能掌握完整图景。首席信息官（CIO）和首席技术官（CTO）提供关于技术消耗与容量的可见性；首席财务官（CFO）带来投资纪律与财务问责制；而业务领导者则定义成果与价值实现。

进行此类比较，需要连接通常分散于不同系统、且常被不同职能部门以不同方式解读的财务、运营、消耗及组织数据。构建这一通用视图，可使领导者将对话焦点从‘我们花了多少钱？’转向‘我们向业务交付了什么？’

IBM自身的CIO部门便提供了这一方法在实践中应用的范例。通过使用 Apptio集成套件连接财务、IT与业务视角，该组织获得了对应用程序拥有总成本（TCO）以及资源如何与战略举措对齐的更高透明度。这一共享视图帮助各团队就应用程序的关键性、消耗量与支出做出更明智的决策，同时识别出将资源再投入转型优先事项的机会。

确立启动、停止、优化与扩大规模的参数

一个实用框架通过两个问题对AI倡议进行分类：业务价值是否真实存在，并且是否对照基线进行了衡量？单位成果成本是否低于此前完成该项工作的方式？

答案将决定某项倡议应启动、停止、优化还是扩大规模。

启动： 在资助新倡议之前，领导者应明确成果指标、用于衡量该指标的基线，以及清晰的终止标准。他们还应判断现有能力是否可解决同一问题。

停止： 若在约定时限内未能实现预期业务成果、采用率停滞不前，或单位成果成本无法降至基线以下，则可能是时候中止该倡议。停止表现不佳的项目可释放资源，用于具有更大潜力的投资。

优化： 某项倡议可能正在创造可证实的业务价值，但每个工作流或成果的成本仍过高。此时领导者不应直接取消该倡议，而应审视模型选择、利用率、基础设施或设计等方面，以改善其经济性，再行扩大规模。这一区分至关重要：若缺乏对成本与价值的双重可见性，组织可能仅因AI能力的经济性尚未优化，便贸然削减极具前景的AI能力。

扩大规模： 那些持续在可持续经济性前提下展现可衡量价值的倡议，是追加投资与组织支持的候选对象。此类价值可能体现为生产力提升、交付速度加快、吞吐量增加、客户成果改善或收入增长。

上述各项标准共同构成一个持续优化循环，使企业高管层得以依据实证而非热情重新配置资源。

将AI作为投资组合进行管理

随着AI支出增长，领导者不仅需要说明自身正在支出什么，还需阐明组织由此获得了何种回报。对成本、消耗量及业务成果的统一视图，为技术、财务与业务领导者提供了共同决策基础。

具备该能力的组织可识别出哪些投资值得更多资金支持、哪些需要优化、哪些应被终止——同时向董事会提供更清晰的视角，展示AI支出如何转化为业务价值。

此类投资组合层面的决策依赖于整合通常分散于技术、财务、运营、使用及组织系统中的信息。IBM通过IBM Apptio实现该目标，运用基于FinOps实践与IT财务管理体系（ITFM）的技术财务智能（TFI），将成本、所有权、消耗量与单位经济效益同投资所产生的价值关联起来。

目标并非仅仅提升对AI支出的可见性，而是为技术、财务与业务领导者提供共享背景，以决定哪些AI投资值得追加资金、进一步优化或终止。

未来AI领导力的定义，将不取决于谁支出最多，而取决于谁对这些投资的经济学理解足够深入，从而知晓下一步应投向何处。

借助AI投资管理掌控AI投资。

威廉·洛比格（William Lobig）是IBM副总裁、Apptio负责人。

JOTO 企业落地观察

对企业部署的启示：文章指出需将AI从单个项目升级为投资组合管理，要求打通财务系统（支出）、IT系统（消耗）与业务系统（成果）的数据孤岛；这意味着企业必须优先建设跨域数据集成能力，否则无法支撑‘单位成果成本’这一核心决策指标。
对智能体工程的启示：文中强调‘优化’阶段需审视模型选择、利用率与工作流设计——这直接指向智能体工程的关键瓶颈：当前大量智能体在真实业务流中存在冗余调用、低效编排与Token浪费，需嵌入经济性监控模块，而非仅关注功能实现。
对FDE落地的启示：IBM Apptio案例表明，FDE（企业AI转型）成功依赖于技术财务智能（TFI）与ITFM体系的落地；组织若缺乏将AI成本映射至具体业务举措的能力，其FDE将停留在工具层，难以向董事会证明AI对营收、客户或生产力的真实贡献。