价值度量实战

“大家觉得更快了”是信号，不是商业案例。价值度量的目标不是给 AI 找漂亮数字，而是帮助团队决定：哪些场景值得扩大，哪些需要修正，哪些应当停止。可用的度量必须同时尊重效率、质量、风险和实施成本；只看节省时间，往往会把返工和审阅成本藏起来。

先选择一个可归因的最小场景

不要一开始统计“全公司 AI 效率”。选择边界稳定、任务量足够、结果可验收的单位，例如每周经营周报、会议纪要、合同条款抽取或客户拜访准备。为这个场景定义起点、终点、样本规则和责任人，再采集基线。

项目	基线期	试点期	备注
单任务总时长	过去 4 周的中位数	同口径记录	包含审阅和返工
一次通过率	按验收标准统计	同一标准	不能只看是否生成
人工步骤数	流程图或观察记录	同一流程	关注等待与切换
风险事件	漏发、错发、权限、数据错误	全量登记	严重度分级
成本	人力、订阅、积分、实施、培训	全量登记	明确估算假设

基线不是为了证明过去做得差，而是为了避免试点前后口径变化。若业务季节性很强，用同比周期或同类任务做对照；若样本很少，明确写“方向性观察”，不要伪装成统计结论。

四层指标与一张场景账

使用、效率、质量、业务结果之间不是替代关系。采用率低，通常说明入口或模板有问题；效率提升但质量下降，说明把工作转移给了审阅者；质量提升而任务量太小，也未必值得大规模投入。

场景：__________________     统计周期：__________________
任务量：______              样本规则：____________________

效率：基线中位数 ______ 分钟；试点中位数 ______ 分钟；差值 ______。
质量：一次通过率 ______；返工次数 ______；关键错误数 ______。
业务：交付提前 ______；等待缩短 ______；已确认的业务影响 ______。
风险：事件数 ______；最高严重度 ______；是否触发停用条件 ______。
成本：订阅/积分 ______；实施 ______；培训 ______；审阅 ______；维护 ______。
结论：扩大 / 优化后再测 / 保持试点 / 停止。负责人：______。

计算时要把人审算进去

一个常用但不应机械套用的估算框架是：

净收益 =
（基线人工时长 − 试点总时长）× 有效任务量 × 人力小时成本
+ 已确认的质量损失避免额
+ 已确认的交付加速增量
− 订阅与使用成本
− 实施、培训、审阅、维护与治理成本

“试点总时长”包括准备输入、核验输出、修正、沟通和异常处理。不要把节省的员工时间直接等同于现金收入；除非团队确实减少了外包、避免了招聘或增加了可确认的产出，否则将其表述为“可重新分配的能力”。质量损失避免额也应有保守依据，例如历史返工成本、已记录的错误单或明确的风险事件。

用对照减少自我感动

最简单的对照方法有三种：同一人前后对照、相同任务的 A/B 对照、试点团队与非试点团队的同期对照。它们都有局限：前后对照会受熟练度影响，A/B 需要随机或规则分配，团队对照会受任务难度不同影响。因此报告中应同时写出样本数、选择规则、排除条件和无法控制的因素。

情况	推荐比较方式	需要披露的局限
高频标准任务	随机抽取同类任务 A/B	任务难度是否相等
周期性报告	前后对照 + 同期历史	季节性、数据量变化
少量复杂项目	案例时间线 + 专家评分	不可泛化为平均收益
跨团队推广	分批上线的同期比较	团队能力与管理差异

决策阈值：什么时候扩大，什么时候停

在试点前就写出阈值。例如：连续 4 周一次通过率不低于基线；关键错误为零；总时长中位数下降至少 20%；使用者愿意持续使用；没有未解决的权限问题。达到阈值才扩大到下一批；低于阈值时先定位是输入、模板、数据、培训还是任务不适配，而不是简单要求更多使用。

结果	建议动作
效率上升、质量稳定、风险可控	扩大样本，固化模板与培训
效率上升、质量下降	增加质量门，缩小自动化范围
使用低、满意度低	访谈用户，重做入口或停止场景
风险事件出现	立即按严重度暂停，完成复盘后再决定
价值不明显	保持小试点或把资源转向更高价值场景

月度价值复盘模板

本月最有价值的三个场景：各自的任务量、效率、质量、业务证据。
本月最大成本：审阅、维护、培训、权限处理分别是多少，是否在预算内。
本月失败或险情：是否已经修复，是否需要更新验收标准或停用开关。
下月实验：只改变一个关键因素（模板、输入、流程或人群），说明预期和判定规则。
需要管理层决定：扩大范围、继续投入、调整目标或终止试点。

真正有说服力的价值报告不追求一个夸张的 ROI，而是让读者能沿着任务样本、时间记录、验收证据和成本假设复算结论。可复算，才可持续；可持续，才值得规模化。