AI 無所不在，唯獨資產負債表上沒有

原文發表於 lavkesh.com

如今大多數公司都會告訴你，他們正在運用人工智慧，它已融入他們的營運中，而且正在改變一切。他們談論代理、模型，以及資料流動的方式。這是普遍的共識，是你在每場研討會上都會聽到的內容。但這些組織中，不到四成能夠指出其 AI 努力帶來了任何實際的利潤或成本節省。2026 年的史丹佛 AI 指數將這個數字定在 39%，這意味著大多數組織都在 AI 上花錢，卻沒有看到它反映在資產負債表上。

這種脫節感覺很熟悉，就像看著一個團隊慶祝新服務部署到正式環境，並將其稱為勝利。真正的勝利當然是該服務*為企業帶來什麼*，它如何解決客戶問題，或如何降低特定的營運成本。同樣的模式也出現在雲端遷移上，企業將一切搬到新的資料中心供應商並宣告勝利，結果卻發現成本增加且可靠性維持不變。

對新技術的熱情往往掩蓋了定義明確、可衡量成果的艱苦工作。當我在能源管理領域時，我們有一套能預測設備故障的系統。最初的興奮點在於預測準確度、假陽性與真陽性的比例。但真正的價值來自於我們能夠證明，根據這些預測採取行動後，非計畫性停機時間減少了特定百分比，從而節省了數百萬的生產損失和維修成本。這需要將 AI 輸出整合到維護排程中、訓練技術人員，並追蹤每次避免故障的財務影響。

這正是許多 AI 專案失敗之處。工程師打造出一個聰明的模型，產品團隊為它找到位置，領導階層宣布採用。大家都感覺良好。但接著專案預算膨脹、模型開始漂移，而維護它的營運成本開始侵蝕任何理論上的獲益。Gartner 預計明年將有超過 40% 的代理式 AI 專案被擱置，因為投資報酬率不明且成本過高。光說 AI 正在運行是不夠的；你還必須說出它正在賺取或節省什麼。

問題始於關於 AI 的討論大多是技術性或抱負性的。我們談論 AI *能* 做什麼，而不是*這個特定 AI* 正在為*這個特定項目* *實際* 做什麼。焦點轉移到採用指標——有多少使用者、有多少模型、每秒有多少推論——而不是業務指標，例如降低客戶流失率、加快交易處理速度，或可直接歸因於 AI 影響的銷售轉換率提升。

想想餵養這些模型所需的資料管線、持續的重新訓練、對偏差或漂移的監控。每個步驟都伴隨著成本，無論是基礎設施還是人力投入。如果你的 AI 正在自動化一項每月花費一百美元人力時間的任務，但 AI 本身每月運行和維護卻要花兩百美元，那你就沒有贏。這看起來很明顯，但我見過許多團隊過度專注於技術的「酷炫」，而忽略了基本的算術。

建立從 AI 功能到損益表的清晰可視線，需要工程、產品和財務團隊之間的合作，使用他們都能理解的語言。這意味著定義成功不僅是模型準確度，還要用金錢來衡量。你需要知道 AI 正在解決什麼問題、用 AI 解決它的成本是多少，以及替代方案的成本又是多少。若沒有這些，你只是在把錢砸在一個有前景的想法上。

也許最大的挑戰在於，衡量真正的最終獲利影響很困難，比計算部署了多少模型或處理了多少資料點還要難。這意味著要提出棘手的問題，有時是在初始投資多年後，並且願意承認某件事行不通。這意味著要把 AI 視為不是神奇子彈，而是工程工具箱中的另一項工具，它必須像任何其他軟體一樣證明自己的存在價值。

https://dev.to/lavkeshdwivedi/ai-is-everywhere-except-the-balance-sheet-184c

https://www.worldprogramming.org/posts/ai-is-everywhere-except-the-balance-sheet-8pdhrs