过去一年，企业在生成式 AI 上的支出激增，但对于许多首席信息官（CIO）来说，最艰难的对话才刚刚开始。董事会和首席财务官（CFO）不再问组织是否在投资 AI，他们问的是——用可量化的财务术语来说——能得到什么回报。

根据 Forrester Research 分析师的数据，GenAI 预算同比大幅增加，但大多数组织仍难以证明其投资回报率的持续性。早期的试点项目往往看起来很有希望，但随着系统规模化、成本波动以及治理期望的提高，价值变得越来越难以解释。

事实是，问题不在于 AI 在技术上失败了，而在于企业正在将传统的预算、运营和问责模式应用于一项经济行为截然不同的技术上。因此，投资回报率的侵蚀并不是因为 AI 停止工作，而是因为组织失去了对其进行解释、辩护和确定优先级的能力。

分析师视角：从成本控制到价值共创

从分析师的角度来看，AI 投资回报率的争论最好被理解为 IT 与财务之间更广泛融合的一部分。Forrester 负责 IT 财务管理的首席主要分析师 Greg Zorella 认为，表现优异的 IT 组织不再将财务部门视为专注于成本控制的守门人。相反，IT 财务成为一种战略价值交付能力——将技术投资直接与业务增长和竞争优势联系起来。

“IT 财务的存在并不是因为 IT 花钱多，”Zorella 说。“它的存在是因为 IT 支出确实可以推动企业的战略成果。”这种区别对 AI 很重要。传统的 IT 投资（ERP 系统、基础设施更新、SaaS 许可证）相对适合既定的财务模型。而生成式 AI 则不然。其成本是基于消耗的，使用模式不可预测，而且收益往往是间接的或经过风险调整的，而非交易性的。

Zorella 指出，许多企业在理智上认识到了这种转变，但低估了采取行动所需的组织提升。成熟的成本透明度取决于共享的归因模型、可靠的数据，以及 IT、产品、销售和营销部门之间关于如何定义价值的共识。

“试图一次性完成所有这些工作实在太难了，”他说。取得进展的组织倾向于从狭窄的切入点开始，展示更好的财务可见性如何改善决策。

重要的是，Zorella 挑战了“超出 IT 预算本质上就是坏事”的假设。如果超支反映了对高价值举措的刻意投资，那么它可能是理性的。他认为，真正的失败在于没有优先排序机制的超支，这种机制本应允许领导者在出现新机会时降低低影响力工作的优先级。

CIO 的决策现实：预算不会无限扩张

这种分析框架在企业内部遇到了更为受限的现实。财务自动化和管理软件制造商 BlackLine 的 CIO Sumit Johar 描述称，AI 投资正在经历一个熟悉的周期。近年来，随着董事会和高管要求可见的 AI 举措，最初的怀疑态度让位于同侪压力。如今，这一阶段正在结束。财务领导者正在提出更棘手的问题，AI 不再被视为免受审查的特殊类别。

“如果我告诉我的 CFO 95% 的员工都在使用 AI，那没有任何意义，”Johar 说。“这就像说 100% 的员工都使用电子邮件一样。财务关心的是对利润、收入或风险的影响——其他一切都是空谈。”

Johar 对两类 AI 投资做了明确的区分。第一类是广泛的生产力平台——他称之为“日常 AI”——帮助员工写作、搜索、总结或分析信息。这些工具在文化上可能具有变革性，但它们难以量化。参与度指标和自我报告的生产力提升很少能通过财务审查。

第二类是明确与业务优先级挂钩的结果驱动型 AI 举措：加速客户入职、减少部署时间、降低运营成本或增加收入渠道。这些举措直接与其他企业投资竞争，并据此进行评估。

Johar 说，变化最大的是 AI 支出不再是附加的。CIO 不会因为“因为 AI”而获得增量预算增加。任何额外的投资都必须通过重新分配现有预算来资助。“再也没有人会盲目地向 AI 砸钱了，”他说。“如果我们想花更多的钱，我们就必须调整现有的开支。”

AI 治理反映了这一现实。拟议的举措由 IT、财务和业务领导者联合审查，并对结果和问责制有明确的期望。目标不是减缓实验，而是确保价值创造的责任不仅仅落在 CIO 身上。

“这是一个业务转型问题，而不是技术问题，”Johar 说。“如果所有权仅停留在 IT 部门，你永远无法获得你期望的价值。”

运营失效模式：为何规模化后 ROI 会崩溃

即使 AI 举措通过了预算门槛，许多项目在超越试点阶段后也无法提供持续的投资回报率。AI 生命周期管理和治理平台制造商 ModelOp 的 CTO Jim Olsen 表示，这种故障很少是由单一缺陷引起的，而是结构性的。早期的 AI 项目通常是在受控环境中开发的，数据有限且使用可预测。成本看起来可控，性能看起来很强。生产环境的表现则截然不同。

“你在本地开发一些东西，看起来非常可行，”Olsen 说。“但一旦投入生产，使用模式就会改变，上下文环境会激增，突然间真正的成本就显现出来了。”

生成式 AI 放大了这个问题。自由形式的用户交互增加了不可预测的 Token 消耗。模型被嵌入到各个工作流中并被多个团队重用，使得很难将成本或价值归因于特定结果。如果没有清晰的库存和生命周期跟踪，企业最终只能总体上管理 AI 支出——而价值却在边缘处被创造或流失。

Olsen 说，许多组织甚至缺乏对生产环境中有哪些 AI 系统的基本了解。“如果你不知道那里有什么，你就无法衡量它、治理它，或者将其与投资回报率联系起来，”他说。

结果是一个熟悉的模式：有希望的试点，随后是成本超支，接着是怀疑。在某些情况下，高调的失误使组织变得厌恶风险，即使 AI 可以带来真正的优势，也会减缓未来的采用。

Olsen 认为，补救措施是将 AI 视为工业基础设施，而不是实验性工具。生命周期管理——涵盖开发、部署、监控和退役——不是官僚主义的开销。这是在模型演变和使用增长时保持问责的唯一方法。

治理与辩护：当必须证明价值时

然而，仅靠运营纪律是不够的。随着 AI 投资面临监管和董事会层面的审查，治理越来越决定了投资回报率是否根本站得住脚。AI 治理软件供应商 Monitaur 的 CEO 兼联合创始人 Anthony Habayeb 认为，许多 AI 举措在审查中失败，不是因为它们表现不佳，而是因为从未明确定义过成功。

“我们拿着锤子到处找钉子，”他说。“如果你一开始就不知道成功是什么样子的，你以后就无法为投资回报率辩护。”

治理失败通常只在部署后才浮出水面，此时组织试图追溯性地证明支出的合理性。在那时，文档、监控和问责方面的空白就变成了负债。缺乏明确阐述的目标或结果的项目，在预算紧缩时很容易成为攻击目标。

Habayeb 挑战了治理主要是为了合规的观点。他说，在实践中，治理通过暴露未知的风险和优化机会来改善投资回报率。随着组织引入结构化验证和监控，他们通常会找到提高准确性、稳健性和效率的方法——直接增强业务影响力。

监管压力正在加速这种转变。诸如《欧盟 AI 法案》之类的框架正在推动组织将监督正规化，但 Habayeb 说，最聪明的企业正在利用监管作为构建更广泛治理能力的强制手段。

“治理不应该是一个单独的合规细目，”他说。“它应该是你让 AI 为业务服务的方式的一部分。”

从热情到持久

综上所述，这些观点指向了企业 AI 采用的成熟阶段。问题不再是 AI 能否提供价值，而是组织能否一致地、透明地、并在审查下证明它确实做到了。

取得进展的企业具有几个共同特征。他们将 AI 投资与业务战略对齐，而不是将其视为一个独立的类别。他们构建了适应基于消耗的成本和间接价值的财务模型。他们在整个 AI 生命周期中执行运营纪律。并且他们尽早嵌入治理——不是作为创新的刹车，而是作为信任和可持续性的基础。

对于正在规划 2026 年预算的 CIO 来说，这一信息虽然令人清醒，但具有建设性。AI 不会自我证明。价值必须被设计、衡量和辩护，使用的工具和做法是许多组织才刚刚开始开发的。

AI 作为实验的时代正在结束。AI 作为可问责的企业资产的时代已经开始。