AI投资预算怎么做才不虚？4个步骤定好回报预测的假设

AI投资预算的假设，到底在定什么？

说白了，AI投资预算里的假设，就是那几个决定整个回报测算结果的输入数字：用多少人、每人多少钱、每天跑多少次、每次多少钱。核心就三件事——量、价、人。

我接触过的测算表，动辄七八十个单元格，真正影响结论的只有五六个。剩下的都是装饰。这五六个数字定准了，粗糙的模型也能得出靠谱结论；定不准，精细到小数点后两位也没意义。

最常被动手脚的三项

• 调用量。表里写「日活一万、人均三次」，实际上线后日活可能只有八百。这一项一错，后面的成本全错。
• 单价。拿今天的 API 报价去算三年的账。模型价格通常往下走，你的用量却在往上走，两个方向叠在一起，不能想当然。
• 人力。只算算法工程师，不算标注、审核、运营。有个做客服机器人的团队，上线后才发现要养六个人的语料维护组。

为什么假设比模型本身更重要

财务模型的本质是算术，算术不会骗人，骗人的是输入。你在课程里看到的所有「回报率 300%」的结论，追到最底层，都是某个假设在撑着。

我不是说课程没用。课程能给你框架，框架里的数字得你自己填。

为什么课程里的回报预测看起来都那么漂亮？

很多 AI投资预算课程是倒推的：先定一个好看的结论，再回头调假设，直到数字对得上。这套做法在行业里不算秘密，只是没人写在海报上。

倒推法的典型套路

常见的三步。靠前，把「三年节省人力成本」写成主收益，因为这项更稳妥估。第二，模型调用成本按较低档单价算，理由是「以后会更便宜」。第三，一次性投入摊到三十六个月里。三步走完，任何一个项目都能算出漂亮回报。

我不否认这些做法在个别情况下成立。问题在于，它们被当成了默认设置。

一个你可以自己算的算术例子

假设客服场景，每天一万次对话，每次输入加输出大约两千个 token。按每百万 token 十块钱算，一天两百块，一年七万多。数字不大，很多人到这一步就放心了。

换成文档解析场景就不一样了。一次要喂进去五万 token，同样一万次，一天五千块，一年一百八十万。差了二十多倍。所以单价这个假设必须绑着单次用量一起定，单看单价没有意义。

怎么判断一套预算假设靠不靠谱？

三个动作：查口径、查颗粒度、做压力测试。加起来不超过半天，但能筛掉大部分注水的测算表。

查口径：同一个词是不是同一个意思

「日活用户」在产品口中和市场口中经常不是一回事。产品说的是打开过页面的，市场说的是注册过的。口径不统一，你的量就可能是三倍误差。

压力测试：把最乐观的假设砍一半

拿那张表，把调用量砍一半、单价涨一倍、上线时间推后三个月，再看回报率。如果结论从「一年回本」变成「永远回不了本」，说明这套假设脆得很，只能算愿望清单。

我的经验是，能扛住这三次打击还站得住的方案，通常值得往下做。

预算假设具体怎么定？四步走

方法不复杂：拆单位、找责任人、给区间、设复核点。顺序别乱，尤其第一步。

第一步：把成本拆成可计量的单位

别写「AI 平台年费五十万」，要写「每次调用 X 元 × 每天 Y 次 × 365 天」。拆到能被单独验证的最小单位，你才有机会发现哪个数最不靠谱。

第二步：给每个假设标上「谁知道这个数」

关键假设后面写一个名字。调用量问运营，单价问技术，人力成本问 HR。写不出名字的假设，就是没人负责的假设，它大概率是编出来的。

第三步：给区间，不给点估计

与其写「日活一万」，不如写「悲观三千、中性八千、乐观一万五」，然后算三遍。你会发现真正影响决策的往往不是中位数，而是悲观情形下你还扛不扛得住。

第四步：设复核触发条件

提前说好什么时候重算。比如「上线三个月实际调用量低于预测的六成，就重做测算」。没有触发条件的预算，做完就进抽屉了。

有哪些坑最容易踩？

两个：把一次性投入摊成月度成本，以及默认推理成本不随用量涨。前者让项目看起来轻，后者让增长看起来免费。

摊薄只改账面，不改现金流

数据治理、系统对接、员工培训这些钱摊到三十六个月，每个月看着不多。可现金是一次性掏出去的，账面好看并不代表你手头宽松。

用量增长不是线性的

第一年一千次调用、第二年一万次，成本是十倍不是两倍。很多表里用量是平的，现实里从来不平。

如果你手上正有一张测算表，先别急着改结论。把 AI投资预算里那五六个关键假设挑出来，一个个问：这个数谁给的、能不能验证、错了会怎样。问完你会发现，要改的地方可能根本不在模型里。