——金融思维赋能AI：三大“生产力折扣”，帮你设定可信、可辩护的期望

各位CIO、CEO和财务高管：

类似的模式也出现在关于人工智能（AI）生产力的讨论中。

无论是来自大型咨询报告、急于推销的供应商，还是CEO紧急请求的ROI（投资回报率）预测，估计几乎总是描绘出过于乐观的画面。纸面上看起来很棒，但实际操作中很少能站得住脚。

作为一名睿信咨询AI与数据转型战略顾问，针对人工智能（AI）生产力要以一种更好的方式来设定现实的期望，一种既能平衡潜力的兴奋感，又能兼顾执行纪律的方法。这种做法的灵感并非来自技术，而是来自金融学的“贴现”（Discounting）概念。

1. 🤯 核心教训：人与机器的现实是“加速器”，不是“自动驾驶”

我们首先要做的“折扣”，是剔除AI的神话。

【折扣一：人力努力贴现 (Human Effort Discount)】

• 金融逻辑：在估值时，你不会简单地把未来现金流相加，你必须对它们进行贴现以反映时间和风险。

• AI逻辑：生成式AI更像是加速器，而非自动驾驶。人类依然是构建问题、指导模型和验证输出的关键。

【实战数据】在一项客户试点中，我们发现工程师大约有四分之一的时间用于审查或重写AI生成的代码。结果：净生产率提升接近40%，而非供应商常引用的理论翻倍（100%）。

睿信咨询战略教训：人工智能放大人才，但不能取代人类判断。你的预测必须考虑人类的“验证时间”。

2. 📉 财务借鉴：应用“贴现”的逻辑

要获得一个可信、可规划的ROI数字，你需要应用额外的两个折扣：

【折扣二：渐进采用曲线贴现 (Adoption Curve Discount)】

• AI现实：生产力提升不会一次性全部到来。采用过程是通过学习、实验和扩展，遵循一条曲线。

• 企业实践：一家财富500强制造客户在部署Copilot时，模拟了四年的采纳期。第一年，只有大约四分之一的开发者是活跃用户。通过建模，他们呈现了一个可信的ROI轨迹，以匹配组织吸收变革的能力。

睿信咨询战略教训：即使有强力的商业理由，生产力也必须靠努力获得。将渐进采纳的现实纳入估算，预测才能可辩护且可付诸行动。

【折扣三：风险调整贴现 (Risk Adjustment Discount)】

• AI现实：每个生产力模型都应包含风险折扣。即使是最好的系统，也会产生错误（“幻觉”），而其带来的运营和声誉成本可能非常高。

• 风险成本：正如一家全球科技公司因AI图像生成器产生令人反感的结果而撤回营销活动一样，解决问题、协调沟通、修复信任所耗费的时间和资源，都是对生产性工作的消耗。

睿信咨询战略教训：正如投资者对高风险资产要求更高回报一样，技术领导者应平衡高风险AI应用的生产力预期。

3. 📊 落地工具：给CFO和CEO的“瀑布图”

最终，这种“贴现生产力”的理念可以被可视化，结果看起来就像一个瀑布图：

1. 起点：总体AI机会（Gross Potential）。

2. 减去：人工监督所需努力（Human Effort）。

3. 减去：分阶段实施的渐进时间（Phased Implementation/Adoption）。

4. 减去：错误修复和声誉恢复的风险成本（Risk Adjustment）。

5. 终点：可实现的生产力影响（Achievable Productivity Impact）。

这个最终的数字，才是你能够自信地与你的CFO和CEO分享，因为它反映了你的团队的实际运作方式。

归根结底：人工智能正在改变我们的工作方式，但就像新车的油耗评分一样，你的AI体验（mileage）将取决于你的地形、驾驶者和你的驾驶纪律。

全文：你可以把 AI 投资回报率（ROI）打折扣，因为实际情况总是不同的

即使是最好的人工智能生产力预测，如果忽视了人工努力、组织采用速度和风险，也可能产生误导。以金融为灵感的方法可以为炒作带来纪律。

图源：贾尼斯·卢卡斯（Credit: Jannis Lucas）

大家都有过逛车店的经历，注意到车窗贴纸上印着的每加仑里程数（MPG）。当你看到35英里每加仑这样的数字时会兴奋，但一旦开车回家，仪表盘似乎更接近26英里每加仑。这些数字常常让人感觉你是在逆风下坡行驶。【注：车玻璃上贴着“百公里油耗6.7升”的标签，让人心动不已。但把车开回家后，仪表盘上显示的实际油耗往往只有“百公里油耗9升”。】

类似的模式也出现在关于人工智能（AI）生产力的讨论中。无论是来自大型咨询报告、急于推销最新平台的供应商，还是CEO紧急请求快速投资回报率预测，估计几乎总是描绘出过于乐观的画面。纸面上看起来很棒，但实际操作中很少能站得住脚。当领导者围绕这些过高的期望来规划时，他们就注定要失控。

作为一名数据转型和AI战略顾问，我发现我们需要一种更好的方式来设定现实的期望，这种方式既能平衡潜力的兴奋感，也要兼顾执行的纪律。有趣的是，这种做法的灵感并非来自技术，而是来自金融。

一、向金融借款：贴现的力量

任何上过入门金融课程的人都记得贴现现金流分析的概念。在评估投资时，你不会简单地把所有未来现金流都加总。你会对它们进行折扣（贴现），以反映时间和风险。明天的一美元价值低于今天的一美元，尤其是在不确定这美元是否会出现的情况下。

类似的心态在评估AI生产力时也很有帮助。例如，“Copilot可以翻倍开发产出”的生产力提升代表了总潜力。为了达到一个可合理且可规划的数字，你需要考虑三方面的折扣：实现结果所需的人力努力、逐步推动采用以及人工智能缺陷带来的风险。

二、人类努力：人与机器的现实

生成式人工智能更像是加速器，而非自动驾驶。人们依然是构建问题、指导模型和验证输出的关键。在软件工程领域，像GitHub Copilot这样的工具可以即时生成可用的代码，但其中很多代码仍然需要调试、测试和修订。

在一项客户试点中，我们团队发现工程师大约有四分之一的时间用于审查或重写AI生成的代码。净生产率提升虽有意义，但远低于供应商常引用的理论产出翻倍。实际改善率接近40%，这更可信且更可持续。关键教训很明确：人工智能放大人才，但不能取代人类判断。在预测中考虑这些因素，会让你的模型更具可信度，计划也更现实。

三、推广与采用曲线

另一个重要的折扣反映了采用速度。人工智能带来的生产力提升不会一次性全部到来。与任何企业技术一样，采用过程通过学习、实验和扩展形成一条曲线。

我们的一家财富500强制造客户在部署Copilot进行代码开发时，模拟了这一曲线。第一年，只有大约四分之一的开发者是活跃用户。随着时间推移，他们预测采用率将稳步增长，成本和收益都在增加，因为该工具成为日常工作流程的一部分。通过建模四年的采纳期，他们可以呈现一个可信的投资回报率轨迹，以匹配组织吸收变革的能力。结果是一个有节制且可信的预报，而非急剧且不切实际的激增。

即使有强有力的商业理由，生产力也必须靠努力获得。收养需要时间、培训和强化。当你将这一现实纳入估算时，预测既可辩护又可付诸行动。

四、风险调整：人工智能幻觉的考量

每个生产力模型也应包含风险折扣。即使是最好的系统也可能产生错误，而这些错误带来的运营和声誉成本都可能非常高。

我们都见过新闻中的例子。今年早些时候，一家全球科技公司因其AI图像生成器产生了令人反感的效果，撤回了一项营销活动。问题不在于缺乏监督；这是对风险的低估。公司花了数周时间解决这个问题，协调沟通并修复信任。这段恢复期耗费了本可用于高效工作的时间和资源。

在评估生产力时，CIO需要为这些不可避免的挫折做好规划。验证输出、纠正错误和进行修复所需的时间和精力应被纳入分析中。正如投资者对高风险资产要求更高回报一样，技术领导者也应平衡高风险AI应用的生产力预期。

五、从概念到实践

这种贴现生产力的理念在实际应用时变得非常强大。想象一下软件工程师使用Copilot。理论潜力可能意味着生产力翻倍，但扣除人工监督、渐进采纳曲线和风险后，现实增长可能更接近30%或40%。

当可视化时，结果看起来像一个瀑布图（waterfall chart）。你从整体AI机会开始，逐步减少，以考虑人工努力、分阶段实施和风险。剩下的就是可实现的生产力影响，这个数字你可以自信地与你的首席财务官和首席执行官分享，因为这反映了团队的实际运作方式。随着团队经验的积累，你们甚至可能超越这个预期。

六、归根结底：你的AI体验会有所不同

人工智能正在改变我们的工作方式，但就像新车的里程每加仑评分一样，你的成绩将取决于你的地形、你的驾驶者和你的驾驶纪律。通过采用贴现生产力思维，CIO和技术领导者可以缩小AI承诺与实际表现之间的差距，设定可信、可辩护且可实现的期望。

因为人工智能就像开车一样，实际体验会有所不同。