波士顿咨询的 AI Radar 2026 调查了 16 个市场、9 个行业的 2360 位高管，其中 640 位是 CEO：就算 AI 投入在 2026 年内拿不到想要的财务回报，94% 的组织仍会继续或加大投入，明确说要收缩的只有 6%（来源：BCG《AI Radar 2026》，2026 年 1 月发布，n=2360）。同一份调查里还有另一个数字，企业计划把营收的 1.7% 投进 AI，2025 年这个比例是 0.8%（同上）。
把这两句话放在一起读：预算翻倍，回报没到，还是要投。这不是投资决策，这是入场券的逻辑。
0.8% 到 1.7%，两年翻一倍
先看这条曲线的形状。BCG 的数据是三年三段：2024 年约 0.6%，2025 年约 0.8%，2026 年计划 1.7%（来源：同上）。报告特意标注了一句：参与调查企业的平均营收基数几乎没有变化（同上）。也就是说，这不是营收涨了所以比例跟着涨，是同样的营收盘子，硬生生多切出一块给 AI。
行业之间的分化同样明显。科技行业计划投到营收的 2.1%，金融机构 2.0%，而工业和房地产企业不到 1.0%（同上）。投得最猛的恰好是两类企业：一类本身卖 AI，必须自己先用；一类手里有大量可以被自动化的流程，且受监管约束强、对效率边际最敏感。
钱花在哪儿也有变化。BCG 的另一项进展是，AI 投资的口径已经从"买模型"扩到"实现 AI 收益所需的全部投入"：技术基础设施、数据与架构、人才与技能、外部合作伙伴都算在内（同上）。这个口径变化本身说明一件事：企业开始意识到，模型只是账单里最便宜的一行。
这意味着公司层面的 AI 决策正在从技术部门转到经营层。BCG 的另一个观察是，72% 的 CEO 已成为公司 AI 决策的第一责任人，比上一年翻了一倍；50% 的 CEO 认为自己的职位稳不稳，取决于 AI 战略做没做对；五分之四的 CEO 对 AI 的回报潜力比上一年更乐观，90% 相信 AI 代理会在 2026 年产生可衡量的回报（来源：同上）。决策人的乐观程度和投资强度是同步上升的。
不过 CEO 群体内部也在分化。BCG 把受访 CEO 分成三类原型：早期投入并已经拿到回报的、正在大规模投入但回报未明的、以及谨慎观望的（来源：同上）。真正值得关注的不是分类本身，是这三类之间的比例变化，它决定了两年后行业里的能力差距能拉开多大。
另外，投资口径的扩大也带来一个副作用：预算表上的数字变大了，但其中真正能被单独归因于"AI 效果"的部分反而更小。技术基础设施和数据架构属于底层能力，任何一项新系统都用得上；人才与技能的支出又和整体人力政策混在一起。这些钱该不该算 AI 预算？BCG 说算，因为它服务于 AI 收益。但到评审时，这些科目也最容易变成"看不出效果"的部分。
一旦挂上战略，退出就贵了
94% 这个数字常被读成"信心"。它更准确的读法是"退出成本太高"。
一个已经投了两年的 AI 项目，如果现在停掉，沉没成本立刻变成账面损失，组织架构要回调，对外叙事要重写。而继续投，损失分摊到未来若干年，还可以解释成"长期投入期"。两边的财务呈现完全不同，这才是 94% 的真正来源。
代价在别的账本上。BCG 同一份报告披露，只有 60% 的企业说从 AI 投资中获得了某种价值（来源：同上）。"某种价值"这个口径已经很宽，仍然有 40% 的企业答不上来。
另一家机构给的时间表更紧。Forrester 在 2025 年 10 月 28 日发布的 2026 年技术预测里判断，企业会把 25% 的计划 AI 支出推迟到 2027 年，原因是财务纪律开始拖慢生产环境部署（来源：Forrester《Predictions 2026》，2025 年 10 月 28 日）。Forrester 副总裁 Brian Hopkins 的说法是，很多 CIO 观察到效率有改善，但很难把"员工写邮件省了 15 分钟"换算成利润表的改善（来源：CIO.com 2025 年 11 月 6 日报道，转引 Forrester）。
这两个机构看起来在说相反的话：一个说 94% 继续投，一个说 25% 推迟。它们其实在描述同一件事的两端，钱没退出这个领域，但从"全面铺开"变成了"挑着投"。推迟的那 25%，是最难证明价值的那部分。
图注：比例翻倍靠的是存量营收里重新切蛋糕，不是新增营收
第 13 个月，账单开始被逐行看
有一个时间点值得所有做 AI 立项的人记住：第 13 个月。
第一个完整财年结束时，AI 支出完成了从"新项目"到"常规科目"的身份转换。前 12 个月，它可以用探索、试点、能力建设来解释；第 13 个月起，它要和其他所有常规科目一起，在同一张表上被比较。
《第一性原理：AI 时代下 FDE 未来走势》给了这个转换一个可用的框架。这篇笔记把 ROI 拆成三项变量：采用率，多少人真的在用；使用深度，用的是基础功能还是核心场景；价值转化率，使用行为有没有变成业务结果（来源：笔记《第一性原理：AI 时代下 FDE 未来走势》，2026-09-15）。
真正有用的是它接下来的那个判断：客户买的是"预期价值"，得到的是"实际价值"，两者之间的差就是价值实现 Gap；而 Gap 出现的位置决定了问题出在哪一端，技术不可理解时 Gap 在认知端，产品复杂时在适配端，产品同质化时在决策端，SaaS 浅价值时在采用端，AI 能力模糊时在需求发现端（同上）。
这个拆法能把"没看到回报"这句抱怨变成可定位的问题。如果采用率上不去，问题在培训和流程，不在模型；如果采用率上去了但价值转化率为零，问题在场景选错了，选了那些本来就没人量的环节；如果三项都健康但账上看不出来，问题在财务口径，AI 的收益被记进了别人的科目。
图注：第 13 个月是那条转折线——之前叫投入期，之后叫成本科目
大多数被推迟的预算，卡在第二和第三种。选错了环节的收益没人认领，选对了环节的收益又找不到归因路径。
这三项变量还能派上另一个用场：做诊断。当业务部门说"这个 AI 没用"，可以按顺序问三个问题。使用人数占目标人群的比例是多少？如果低于三成，问题在培训和流程，不在系统。用得最多的是不是核心场景？如果只是零散的边缘功能，说明场景选错了。用得最多的那批人，业务指标动了吗？如果没动，说明价值转化的路径根本没有设计过。
三个问题里任何一个是空的，都不该先讨论要不要停项目，应该先把它补上。补完再看，很多"没价值"的项目其实是"没测过"。这也是为什么汤森路透的调查里那 18% 格外刺眼：只有不到两成企业在真正追踪 AI 回报，剩下八成讨论是否有价值时，手里其实没有依据。
挂到损益表上，是唯一自保方式
企业的 AI 预算要活过第 13 个月，最有效的手段不是把效果讲得更漂亮，是把它挂到一个已有的财务科目上。
具体做法是把 AI 的作用写进一条既有的经营指标：某条产线的单位成本、某个环节的返工率、某类工单的平均处理时长。这些指标本来就在财务月度报表上，AI 有没有起作用，加一行对照就能看出来。挂不上去的 AI 项目，收益永远只能是"提升了效率"这种无法结算的说法。
《卖Token还是卖结果：AI商业模式的几个悖论》记了一条更硬的账：2023 年 3 月 GPT-4 发布时，每百万 Token 的输入价格是 30 美元、输出价格 60 美元，到 2026 年同等级智能的价格降了超过 95%；但 2026 年 3 月全球单周 Token 调用量达 20.4 万亿，中国日均调用量突破 140 万亿，较 2024 年初增长超过千倍（来源：笔记《卖Token还是卖结果：AI商业模式的几个悖论》，首席商业评论，2026-08-02）。单价在降，账单在涨。
这段话对企业预算的含义很直接：单位价格下降不会自动带来总成本下降。如果没把消耗量和业务量挂在一起看，降价省下的钱会被用量增长吃掉，账面上只剩"AI 花费又超了"。把成本口径从"每百万 Token 多少钱"改成"每完成一次业务动作多少钱"，第 13 个月才有话可说。
单位经济的账还不止一层。同一篇笔记梳理的四个结构性悖论里，成本之外还有层级、责任和开闭源三项：成本悖论指智能在快速商品化，单价持续下行；层级悖论指利润只停留在链条的少数环节；责任悖论指代理越深入业务，责任归属越难界定；开闭源悖论指能力扩散与定价能力往往成反比（来源：同上）。对企业买方而言，这四项里最需要提前想清楚的是责任，它决定了一旦代理出错，损失记在谁的账上，而这恰恰是财务口径最难覆盖的部分。
源势AI观点
我们自己的预算表上，AI 相关支出从来不做成一个单独的大科目。它被拆进具体交付项目里，跟着项目走，这样的好处是，每个项目结项时都会被迫回答一个问题：这条业务的成本线动了吗。
给客户做方案时，我们坚持在立项阶段就写下两样东西：一份基线，记录当前那条经营指标的实际数值和统计口径；一份归因方案，说明上线后怎么把变化归到 AI 头上，而不是归到同期做的流程调整上。第二样常被省略，但它是第 13 个月保命的东西，没有它，业务侧一句"这是我们自己改流程的功劳"，项目就失去了全部说服力。
还有一条经验值得说：不要用"节省工时"当主要收益口径。工时不进损益表，省下来的时间也不会自动变成钱，它只会变成更空的工作日或者下一个任务。真要把 AI 收益写进账，就从减少一次返工、少一次人工复核、缩短一次等待开始，这些每一个都有对应的成本科目。
这一轮投的确实不是回报。但两年之后，能留下来的项目不会是投得最多的那批，是当初就把收益挂对科目那批。
话题标签：#AI预算 #投资回报 #单位经济
