企業 AI 導入 ROI 怎麼算?物流、車用、製造的成本結構與 KPI 公式

季度覆盤會上,客戶財務長把一張表推過來:「這套系統我們花了八百多萬,你告訴我,它到底幫我們賺回多少?」現場安靜了幾秒。負責導入的 IT 主管答不上來——不是系統沒用,是從一開始就沒人把「回本」拆成算得清的數字。

這是我們接手企業 AI 案子時最常見的場景。大家談模型準確率、談 Demo 驚艷,卻很少有人在合約簽下去之前,先把 ROI 公式寫在白板上。結果上線半年,誰也說不清這筆錢花得值不值。

企業 AI 導入 ROI,先把公式寫清楚

我們用的基準公式很樸素,但逼你面對真相:

ROI =(年化效益 − 年化總成本)÷ 年化總成本 × 100%

關鍵不在公式本身,而在兩個被低估的變數。

年化總成本不是報價單上的授權費而已。真實成本 = 軟體授權 + 導入工程(通常是授權費的 0.5 到 1.5 倍)+ 資料整備 + 內部人力投入 + 持續維運(每年約首年總成本的 15% 到 25%)。我們踩過的雷是:客戶只算了授權,漏了資料清洗,結果第一年成本被低估近四成。

年化效益必須乘上一個「採用率」係數。這是多數人漏掉的一項。一套理論上能省 1,000 小時的系統,若實際使用率只有 4%,真實效益就是 1,000 × 4% ≈ 40 小時。效益公式該寫成:

年化效益 =(單次任務節省 × 年任務量 × 採用率)+ 錯誤成本下降 + 營收增量

採用率就是為什麼我們相信「Demo 很美不算數,上線且有人在用才算數」。它不是軟指標,它是 ROI 公式裡的乘數。

同一套方法論,套到不同產業,成本權重與該盯的 KPI 完全不同。以下是我們在物流、車用、製造三個現場實際盯的指標:

讀這張表的方式很簡單:物流的 ROI 槓桿在「量」,單量大,哪怕每單只省 30 秒,乘起來就很可觀;車用的槓桿在「避險」,一次召回動輒上億,攔下一次就回本;製造的槓桿在「停機」,產線每停一分鐘的損失,遠比人力工時值錢。

我們給客戶的建議是,在立項那一刻就填三個數字:單次任務節省多少、年任務量多少、你敢承諾多少採用率。前兩個是工程問題,第三個是組織問題——而第三個往往才是 ROI 成敗的地方。

舉個對照。同一套製造業維修 Copilot,A 廠把它塞給工人自己去用,三個月採用率 6%,ROI 是負的;B 廠讓工程師駐點兩週,把系統嵌進既有的派工流程、改掉三個交接斷點,採用率拉到 62%,同一份效益公式,ROI 直接翻正。系統一模一樣,差別只在有沒有人把它「推上生產線」。

這也是我們做 FDE 前線部署工程的原因:工程師進場,不是交付一個 Demo 就走,而是盯著採用率這個乘數,直到它變成財務長那張表上能被引用的數字為止。ROI 從來不是算出來的,是被人推著跑出來的。