我审计过不少备受赞誉的技术部署项目，逐渐注意到一个被整个行业悄然忽略的问题：当试点结束、软件进入日常生产环境后，单位经济效益究竟会发生什么变化?几乎没有人认真讨论这个问题。

出于保密考虑，我对公司名称和可识别信息进行了匿名化处理，但下文涉及的运营经济状况和工作流行为，均直接取自实施后的审计结果。

大约六个月前，一家中型企业邀请我审查其一套文档工作流系统，这套系统刚刚获得一项行业创新大奖。平台供应商发布了案例研究，重点介绍了此次部署;行业媒体也对此进行了简短报道。在公司内部，业务部门的项目负责人则反复强调，供应商入驻协议的处理周期缩短了90%，他们以这一醒目的指标为依据，成功争取到下一财年更大范围的运营管理权限。

然而，又过了两个季度，财务团队带着一个令人尴尬的问题找到了我：文档处理量始终没有变化，但处理这些协议所产生的月度运营费用，却在每一个计费周期中持续攀升。

他们要求我沿着系统中的资金流向追查支出，并将运营数据与总账进行核对。

在此前的人工工作流中，一名运营文员打开收到的合同，对照内部准则检查五六项关键条款，核实供应商信息，然后将文件归档，整个审核过程大约需要4至5分钟，按照该部门的完全成本人工费率计算，包括员工福利和分摊的间接成本在内，每份文档的处理成本约为0.8美元。

而自动化流水线处理完全相同的文件，每份成本却高达12至14美元。

从技术角度看，这套系统运行稳定，它每月处理数千份文件，没有出现连接中断或服务器崩溃，运营仪表盘上的各项指标也始终显示正常，但实际上，企业如今要花12至14美元才能完成一项过去只需约0.8美元就能完成的工作。

企业颁奖活动总是在庆祝速度和吞吐量，却很少有人审计完成单个工作单元究竟需要多少成本。

最初为期三个月的试点期间，没有人发现这一成本差异，因为计算资源费用、数据查询费用以及第三方模型调用费用，都记在了中央创新基金的账上，部门预算从未收到相关账单。对于运营团队而言，这款工具几乎就相当于一款免费的软件，却能大幅缩短新收到请求的处理周期。

试点一结束，系统转入全面日常生产环境，核算方式便发生了变化。公司财务部门关闭了创新项目的专用核算代码，开始将实际基础设施账单直接分摊回业务部门。运营层面的真实情况也由此浮出水面：在该部门预算承担全部交易量运行成本后的60天内，这套系统的单位经济效益便转为负值。

传统企业软件的成本曲线通常相对可预测，基础平台投入运行后，再处理500条记录，通常不需要像自动化流水线那样，额外消耗同等规模的计算资源和外部模型调用量。

而在这类工作流中，每一次客户交互、每一份收到的合同，或每一次自动化数据提取，都可能触发额外的计算步骤。系统必须先理解文档内容，再依据内部规则进行检查，将结果与参考数据进行比对，并在完成交易前验证答案。

如果一条自动化流水线需要多次调用模型、执行多项后台检查，才能完成一项经验丰富的员工原本只需5分钟就能处理的任务，那么你并没有消除运营成本，而是将一项可预测的人工薪酬支出，换成了随工作量直接增长、按实际用量计费的成本。

模型价格下降，不代表工作流成本也会下降

一种常见的反驳观点是：计算能力正变得越来越便宜，这一点确实属实。斯坦福大学以人为本人工智能研究院(Stanford HAI)发布的《AI指数报告》显示，2022年底至2024年底，查询基准测试所用基础模型的成本下降了280多倍。

人们很容易因此认为，自动化业务流程也会享受到同等幅度的成本下降。

但在实际生产环境中，即使单个Token的费率大幅下降，也不意味着运营账单一定会减少。如果一条工作流为了完成一项业务任务，执行了明显更多的检索步骤、文档解析轮次和验证检查，那么最终的运营成本仍可能更高。

Gartner最新的预测也指出了同样的矛盾，其预计，到2028年，随着工作流日益复杂，复杂度带来的额外开销将抵消模型价格下降的部分收益，智能体工作流的推理成本将增长至原来的五倍以上。

这两种情况完全可能同时发生：基础模型的价格不断下降，但完成一笔业务交易的总成本却持续上升。

模型便宜，不代表业务流程就便宜。

自动化系统的经济效益取决于整个工作流的成本，而不仅仅是基础模型的价格。

真正推高账单的是生产环境中的复杂性

在此次审计中，当真实世界的文档不再像供应商销售演示中那些整洁、规范的样本时，运营问题便立即暴露了出来。

演示文件都是数字生成的PDF，字体统一、版式一致，合同用语也符合标准。可实际生产队列中，充斥着低分辨率扫描件、横向旋转的复印表格、带有手写边注的文档，以及付款条款彼此矛盾的协议。

人类运营专员往往能够结合组织内部的背景信息，迅速作出判断，消除这类歧义，但当文档超出了工作流预设的适用范围时，自动化系统便难以应对。

当系统遇到混乱的排版或相互矛盾的条款时，就会触发额外的处理流程。它会多次执行信息提取，查询内部参考数据库，并开展二次核验，以消除歧义。每增加一个步骤，云服务账单就会随之上涨，但即便如此，系统仍然难以达到可接受的置信度。

当置信度低于规定阈值时，系统就会停止处理，并将文件转入异常处理队列，这种情况约占每日交易量的40%。

由此产生了原始商业论证中完全没有纳入预算的额外人工成本。

当一份协议进入异常处理队列后，运营专员必须登录系统，阅读系统生成的不完整信息提取记录，判断软件为何卡住，然后手动将正确的数据录入核心数据库。由于专员既要检查原始文档，又要审查系统生成的混乱结果，处理一项异常任务需要10分钟，是原先纯人工处理时间的两倍。

最终，这家公司发现自己实际上为同一项工作付了两次钱：一方面，它必须支付自动化软件的全部月度云服务账单，另一方面，它还得继续承担运营团队的薪酬成本，因为这些员工仍然需要监督和处理系统无法解决的异常情况。

Goldman Sachs提出过一个更宏观的经济问题：企业在AI基础设施上投入的巨额资金，能否带来足够的生产力回报，从而证明这笔投资物有所值?

我们的审计揭示了这一问题在单个部门内部的具体表现：原本只需0.8美元就能完成的文书处理任务，如今被一条成本高达14美元的自动化流水线取代，而每10笔交易中，仍有4笔需要人工介入。

问题很少出在采购订单上列出的单个用户席位价格，而在于系统为了完成工作，究竟消耗了多少资源。

供应商可以按照使用量为平台定价，但商业论证的责任在客户自己。如果一条自动化流水线必须对一份歪斜的文档扫描件进行多轮处理才能理解内容，那么无论最终输出是否可用，这些资源消耗所产生的费用，仍然要由客户承担。

扩大人工运营团队时，新增成本相对容易预测。再增加一名专员，需要多少工资、员工福利、设备投入和管理时间，通常都能估算出来，但对于这类工作流，自动化成本却可能随着输入内容的模糊程度和复杂程度不断攀升。

当一个财季结束时，这就会造成一种组织层面的脱节：每个部门都宣称自己取得了胜利，企业的利润率却在不断下滑。

• 工程团队报告称，系统正常运行时间达到99%，基础设施运行状况良好。

• 运营管理层报告称，对于格式规范的文件，处理周期已从48小时缩短至不到1分钟。

• 软件供应商在营销材料中将这家客户列为企业数字化转型成功的案例。

• 财务团队却只能苦苦追查：为什么收入保持不变，销售成本却上升了?

当管理层追问为什么自动化项目取得了里程碑式进展，却没有改善营业利润时，工程团队强调平台的正常运行时间，产品负责人强调系统的采用率，软件供应商则强调成功处理的交易数量。

每个部门都完成了自己的绩效目标，然而，整个业务流程的运行成本，却比项目启动之前高出了不少。

在这次部署中，团队试图通过增加二次过滤脚本、优化提示词指令来解决问题，但这些改动不仅没有解决核心的单位成本问题，反而增加了系统复杂性和云资源消耗。

自动化工作流即使在技术上零错误运行，也仍然可能侵蚀部门利润率。

将AI项目认定为成功之前，先问三个问题

在批准系统投入生产、全面推广，或扩大自动化试点规模之前，财务和技术负责人应该直接向团队提出以下三个问题：

• 每完成一笔交易，实际成本究竟是多少?与原有人工处理方式相比，是否已经计入全部基础设施计算费用、数据库查询费用和第三方模型调用费用?

• 仍有多大比例的任务需要人工介入?这些审核所耗费的人工时间，按照包含福利和间接成本在内的完全成本薪酬计算，究竟需要多少钱?

• 在真实生产规模下，这套系统的经济效益是否依然成立?还是说，企业只不过是把原本计入工资支出的运营成本，转移到了一个难以预测、按资源消耗计费的成本项目中?

如果这套系统只有在试点期间才能实现经济效益，那么它就没有真正创造运营杠杆，而是在制造一项试点阶段从未被准确衡量过的运营费用。

企业网D1net(www.d1net.com)：

国内头部to B IT门户，旗下运营国内头部的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)。

版权声明：本文为企业网D1Net编译，转载需在文章开头注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。