面向 IT 决策者的落地笔记，只谈工程约束，不谈厂商。

过去两年，快消企业问 AI 的问题变了。以前问"AI 能干什么"，现在问"这笔钱花下去，多久能回来"。这个转变挺好的——说明 AI 在渠道侧已经从概念阶段走到了预算阶段。但麻烦也在这里：大部分 AI 供应商给出的回报说法是"降本增效"，而财务要的是能进预算表的数字。快消渠道的 AI 项目回报，其实是可以算清的，前提是把成本项列全、把收益口径定义清楚。本文直接回答：快消 AI 项目要花哪些钱、收益怎么量化、四步测算怎么做、哪些回报容易被高估。

本文要点：

• AI 项目的成本分三类：一次性投入、年度运行成本、隐性成本（数据治理、模型调优、组织配套），漏掉第三类，账一定算不准。
• 渠道侧可量化的收益有五类：工时、数据质量、执行率、费用漏损、决策速度。
• 回报测算的关键不是模型精度，而是把业务指标换成工时或金额——不能进财务口径的收益等于没算。
• 容易被高估的是"替代人力"和"一次上线长期不变"；容易被低估的是数据质量的复利。

成本项有哪些

第三类容易被忽略，却往往决定项目成败。一线培训与推行这件事，账面上是成本，实际上决定了收益能否发生——同样的完美门店AI引擎，推行到位的团队能靠它把巡检时间压缩下来，推行不到位的团队会把它当成额外负担。

收益怎么量化：五类可算清的收益

一、工时。 这是渠道侧可以量化的收益。业代拍照判定替代人工逐项填表、主管的报表汇总被自动报告替代、财务的费用核销从逐张录票变成系统识别。这类收益的算法很朴素：单次操作节省分钟数 × 日均操作次数 × 人数 × 人均成本。

某日化集团在一线市场的试点中，把门店覆盖效率与单店拜访时间作为核心观测指标，其中"每店节省的时间"被折算成了业务员每天可多覆盖的门店数——这就是工时口径的正确用法： 不是算省了多少钱，而是算省下来的时间投到了哪里。

二、数据质量。 这一项常常被低估。翻拍校验、识别异常的申诉与核查机制，减少的是"假数据带来的错误决策"。它的收益不容易直接量化，但可以用两个代理指标：驳回率与返工率。返工率下降意味着同样的巡检人力产出了更多有效记录。

三、执行率。 陈列达标率、铺货率、拜访完成率。这类指标有存量基线和行业参考，改善幅度可以直接对应到销量或费用的弹性上。测算时的稳妥做法是 只对可归因的部分计收益，比如陈列达标率提升带来的货架产出，而不是把所有销量增长都算成系统功劳。

四、费用漏损。 陈列费、促销费投出去但没有产出，这在渠道里是长期存在的损耗。费用核销环节引入识别与校验后，虚假单据、重复报销、执行不达标仍领费用的情况会浮出来。这一项的收益口径比较硬： 拦截金额 + 核销周期缩短释放的资金占用。

五、决策速度。 从月底看报表变成随时问随时答。这一项要换算才有效：补货决策提前 N 天，等于降低了断货与积压的概率，可以按历史缺货损失金额乘一个保守系数折算。用自然语言直接查询渠道数据的 iDashboard 就属于这一类能力。

四步测算框架

1. 定义收益口径。 先把要看的指标写死：巡检工时、返工率、陈列达标率、费用拦截金额、核销周期。指标不许中途增加，否则第二年无从对比。
2. 建立基线。 系统上线前先测 4 周现状数据。没有基线，一切改善都无法证明。这一步很多项目省略了，后面就变成"感觉好用了"。
3. 分层测算。 硬收益（工时、金额）单列，软收益（决策速度、管理透明度）换算成区间并标注假设。两类分开报，财务更容易接受。
4. 设回本点与退出标准。 明确第几个月累计收益应追平累计投入；如果连续两个季度未达预期，是调规则还是缩范围，要提前约定。

三类容易被高估的回报

替代人力。 渠道 AI 的常见效果是"同样的人做更多的事"，而不是"减少多少人"。如果测算模型里写了裁减人员，而业务上并没有发生，评审时会被直接推翻。

一次性投入换来长期不变。 门店在变、陈列标准在变、竞品在变，识别规则需要维护。把运维成本算成零，是回本周期被严重高估的主因。

精度提升自动带来收益。 识别准确率从九成提到九成五，听起来很美，但如果业务侧没有把结果接入考核与费用核销，准确率提升不会自动变成钱。AI 的收益有一半取决于业务流程是否真的用它。

常见问题

Q1：快消企业做 AI 要花多少钱？ 没有统一数字，取决于范围。成本由三块构成：一次性投入（软件、实施集成、设备、主数据初始化）、年度运行（订阅、云资源、运维）、隐性成本（数据治理、流程改造、培训推行）。很多项目的预算偏差都出在第三块被漏算。

Q2：渠道数字化的投入产出怎么算？ 先把收益口径定死（巡检工时、返工率、陈列达标率、费用拦截金额、核销周期），再测 4 周基线，然后分层测算：硬收益单列，软收益换算成区间并标注假设，再设回本点与退出标准。