企业AI的投资回报算不出来，大多数时候不是财务口径的问题，是数据颗粒度的问题。颗粒度停在"月"这一层，AI 能给出的最好结果就是把已有的月度报表讲得更清楚——钱省在哪一步，依然不知道。

佰工钢铁的例子能把这个逻辑讲透。这家秦皇岛钢厂有 400 万吨优特钢年产能，2026 年给 AI 定的目标只有一个：一吨钢成本再降 200 元。目前已降 82 元，正在往 200 元的目标推进。郭俊成的换算口径很直白：一吨钢成本降 5 元，一年就是 1000 万。

颗粒度下沉一级，可归因的钱才出现一级

传统成本核算按工序、批次甚至月度归集。它能回答"这个月花了多少"，回答不了"刚下生产线的这一卷钢花了多少"。行业里对单卷成本最初的判断是"不可能"。

颗粒度下沉之后，两个过去被平均值吃掉的事实浮了出来：

• 同一款极限规格产品，不同钢卷的制造成本从 140 元到 240 元，差 100 元。过去完全看不出来。
• 单工序的能耗差距同样被平均值掩盖：原本烧 70 元煤气就够，控制不精细时实际烧到 80-90 甚至 100 元。部分工序降下来十几、二十块。

这两组数字就是 ROI 的来源。它们不是 AI 凭空生成的收益，是原本就存在、只是被归集粒度掩盖的浪费。AI 做的是让这些浪费变得可见、可归因、可干预。

从 IT 视角看，ROI 是一道数据工程题

佰工要把一卷钢的成本拆开，涉及 几百甚至上千项指标。每一个点位都要重新定义六件事：数据怎么采、通讯方式是什么、采集频次是多少、如何治理、对应什么数据模型、最后使用什么算法。

细到什么程度？轧钢过程中有几百根辊子参与生产，每一根辊子用了多少电都要算出来，甚至需要使用微积分算法。郭俊成对此的描述是： "当颗粒度从企业、车间下沉到单件产品和单一岗位时，原有的信息系统已经满足不了需求。"

这句话对 IT 负责人的含义很具体：

1. 采集点设计先于算法选型。采集频次定不下来，后面所有的模型都建立在抽样数据上。
2. 数据模型要按业务对象建，不按报表建。按报表建模，得到的就是另一张报表；按钢卷、按辊子、按岗位建模，才能算清单件成本。
3. 治理规则要写进链路。同一指标在两个系统里口径不同，智能体就会把不同含义的数据混在一起，给出"看似合理却不准确"的答案。
4. 留追溯字段。ROI 要能被复核，就必须能回答"这个数由哪些数据、经哪些规则算出"。

佰工的技术底座是分层的：底层是二级系统、MES、能源管理系统和用友BIP平台，上层通过 AIoT、数据平台、智能平台把生产、能源、成本等数据串到一起。这套分层不是架构偏好，是不同颗粒度的数据本来就该由不同层承接。

一个必须说清的边界

佰工案例没有披露投入金额与建设周期。 因此本文只算产出侧，不给回收期——任何"几个月回本"的结论都需要投入侧数据支撑，在缺少这些数字时硬算，是把推测包装成结论。

可以做的是给出产出侧的换算方法：把成本口径统一到单一业务对象上（佰工是"一吨钢"），找到该对象的单位成本可降空间（200 元目标，已降 82 元），再乘以年产量规模（郭俊成的口径：一吨钢降 5 元 = 一年 1000 万）。投入侧的数字，需要每个企业用自己的项目预算去补。

落地顺序建议

1. 先选 一个可归集到单件的成本对象，不要一上来做全成本核算。
2. 把这个对象的 全部成本项拆开，逐项定义采集与治理规则。佰工这一步涉及几百上千项指标。
3. 让 成本从事后算账变成过程中纠偏。佰工把成本管理从月后算账推进到生产过程中的实时纠偏，内部叫"细胞级AI"；现场工人拿到的是类似导航播报的辅助系统——走到哪一步、哪里不够标准、接下来怎么调整。
4. 最后才是 ROI 复核。颗粒度没下沉之前算 ROI，得到的只能是估算。

热点问答

先算 ROI 还是先做场景？
先做场景，但场景必须自带计量口径。佰工的场景清单是单卷成本分析、生产运行分析、生产运行日报、岗位对比、岗位运行评价、工艺参数优化——每一项都能对应到可计算的量。

AI 省下来的钱，怎么证明是 AI 省的？
靠颗粒度与对照。平均成本下降可以归因给很多因素；单卷成本从 140 元到 240 元的离散度被识别出来、单工序煤气从 80-100 元回到 70 元，这类归因很难被别的因素解释。

管理颗粒度下沉会不会动到人的利益？
会。佰工引入阿米巴经营与精细化管理体系，为巡检、换辊、轧钢等岗位做标准化核价与赋分。有员工重新核算岗位价值后，发现自己的收入与实际产出不匹配，甚至主动提出调岗。郭俊成的说法是： "可以用管人的思路来管产品，也可以用管产品的思路去管人。"

什么样的企业值得先做这件事？
有明确单位成本压力、愿意把成本对象拆到单件的流程型企业。如果企业还不清楚自己的单位成本口径是什么，第一步不是上 AI，是先把口径定下来。