企业 AI 支出与回报剪刀差：从“买工具”到“算回报”的转向
10 月中旬，两份报告把企业 AI 的真实账本摆到了台面上。一份是沃顿人机研究（Wharton Human-AI Research）与 GBK Collective 在 2026 年 10 月发布的《The Adaptive Advantage》，另一份是 Ramp 在 10 月 14 日发布的 AI 指数。它们合起来指向同一件事：企业花在 AI 上的钱还在涨，但能说清“赚回来了多少”的，并没有同步增加。
两份报告说了同一件事
沃顿那份报告显示，87% 的受访管理者与高管预计明年 AI 预算还会增加，其中 47% 预计涨幅超过 10%；但只有 28% 的人表示自家 AI 投资回报“明显为正”。Ramp 的数据补了一个更现实的注脚：企业 AI 采纳率到 9 月已达 55.9%，但头部 1% 重度使用企业的人均 AI 支出为 9568 美元，比 7 月峰值低约 3.1%，且 token 支出连续两个月几乎零增长——用量在涨，钱却没多花。
钱花出去了，回报为什么没跟上
原因并不神秘。34% 的受访者把工具、算力与许可证成本列为“更强回报”的障碍；更关键的是，多数企业还在用“员工省了多少小时”来衡量 AI，只有 27% 去追踪 AI 到底带来了多少新增营收。当度量口径停留在效率层，AI 很容易变成“大家都在用、但说不清赚没赚钱”的成本项，而不是利润项。
从省时间到赚收入的度量鸿沟
省时间是容易衡量的第一步，但它回答不了“AI 有没有让公司多卖货、多出新产品”。Ramp 提到，企业开始把更多使用量塞进不增加的预算里，靠的是模型降价和效率提升。这说明行业正从“要不要上车”转向“上车后怎么算账”——谁能把 AI 的产出接上营收、接上客户满意度，谁才真正跨过了回报门槛。
成本结构正在悄悄变化
另一重变化是成本从一次性采购，变成持续的算力与 API 账单。token 消耗随使用扩张而上升，让“跑起来之后的钱”变得难预测。对跨多个团队铺开 AI 的公司，控制这笔经常性支出，正成为投资决策里越来越重要的一环，而不是买完工具就结束。
把 AI 从采纳推进到问责
报告给出的方向很一致：成功不在于预算更大或工具更新，而在于把 AI 嵌进核心业务流程、重设计工作流、并建立清晰的财务度量。布鲁克菲尔德（Brookfield）设了一个三十多人的 AI 价值创造办公室、梳理出 800 多个用例，这种“有人对回报负责”的机制，比单纯采购更接近可复制的路径。
给决策者的三条务实建议
第一，把度量从“省时”扩到“营收、错误率、运营成本”等多维度，至少开始追踪新增收入；第二，给每个 AI 项目设一个对回报负责的岗位或小组，别让工具自生自灭；第三，对经常性算力与 API 成本单独建账、定期复盘。把“用了多少”和“值了多少”分开看，企业 AI 才走得出剪刀差。
