AI 到底赚不赚钱？我把十几家公司的账，摊开算给你看

前段时间，一位做传统生意的朋友问我：AI 这东西，到底是真金白银，还是皇帝的新衣？你别跟我讲概念，讲钱。

好。今天我把账本摊开。

这半年，我翻了一遍十来家公司的公开成绩单。有北欧的金融科技公司，有美国的银行，有医疗机构，也有泰国街边的一家小餐馆。结论先给你：AI 确实在赚钱。但赚钱的方式，跟大多数人想的，不太一样。

哪里不一样？别急，我先给你讲几个故事。

一个机器人，干了 700 个人的活

瑞典有家做「先买后付」的公司，叫 Klarna。全球 1.5 亿用户，客服压力可想而知。

他们用 OpenAI 的模型做了一个 AI 客服。成绩单贴出来的时候，不少人不信：

一个月处理 230 万个对话，相当于 700 个全职客服的工作量。一个问题，以前平均 11 分钟解决，现在 2 分钟。客户满意度没掉，还略微升了。一年省下来的成本，估算有 4000 万美元。

700 个人。

你想想看，700 个客服岗位的工作量，就这么被一个模型接走了。

先别急着焦虑，我看中的是它的打法。它没有一上来就啃硬骨头，纠纷仲裁、赔偿谈判这种最难的活，它碰都没碰。它先挑的是每天被问一万遍的高频问题：订单到哪了，退款到账没，额度怎么查。

最重复的活，最先交给机器。搞不定的，转人工。

无独有偶。美国银行有个虚拟助手叫 Erica，上线以来处理了 20 亿次交互，完成请求的满意度 98%，20% 以上本来要打进呼叫中心的电话，被它消化在了手机里。而且它是一年一年慢慢加功能的，不是一口气吃成胖子。

所以这件事的规律是：AI 接管客服，赢在耐心，不在聪明。先干重复的，难的留给人。

Netflix 的雪球，滚了二十年

再看赚钱这一侧。

Spotify 的广告销售团队，用 Salesforce 的 Einstein 给线索打分：线索转化准确率提升了 40%，销售效率涨了 25%，耗在烂线索上的时间少了 30%。

数字很漂亮。但你得看到漂亮数字前面的那个前提：人家先把客户数据收拾干净了。

AI 放大好的流程，救不了烂的流程。 你家销售连客户信息都懒得录，再强的模型也是巧妇难为无米之炊。

Netflix 是另一个级别的故事。80% 的观看来自 AI 推荐而非用户主动搜索。因为推荐得准、用户走得慢，每年少流失的订阅收入，粗算超过 10 亿美元。

什么叫复利？推荐越准，用户看得越多；看得越多，数据越厚；数据越厚，推荐越准。雪球就这样滚了二十年，越滚越大。

36 万小时，变成了几秒

摩根大通有套系统叫 COIN，专门审商业贷款合同。以前律师一年要花 36 万小时干这件事，现在几秒钟。

为什么这么快？因为贷款合同格式高度统一，量大，规则清楚。格式统一、量大、有标准的文档活，就是 AI 的金矿。

零售这条战线，沃尔玛用预测模型管库存，库存成本降了 10% 到 15%，缺货少了，浪费也少了。但注意，节假日、大促销这种没有规律的事件，还是得人来拨一下方向盘。AI 预测规律很在行，预测意外不行。

工厂里，西门子给设备装满传感器做预测性维护：计划外停机少了一半，设备寿命延长 10% 到 20%，维护成本降了两三成。特斯拉更直接，产线上装摄像头，机器视觉盯瑕疵，检出准确率 90% 以上。

这就像体检。平时花小钱做筛查，总好过机器半夜罢工、全厂停产抢修。只不过体检的前提，是你先舍得买体检卡。传感器，就是那张卡。

医生的好帮手，和 200 亿美元的守门员

梅奥诊所做了个心电图 AI，识别「低射血分数」这类心脏隐患，灵敏度 93.2%，平均比临床确诊早 7 年发出提醒。

注意它怎么给自己定位：不替医生下诊断，只提醒医生，这位病人，麻烦再看一眼。

医疗 AI 的正确姿势，是当副驾驶，不是抢方向盘。

凯撒医疗集团则把行政活交给系统：预授权审批时间砍了一半，文书工作减下来，医护人员终于能回到病床边。

金融这边更热闹。万事达卡的模型，每年拦下 20 亿次以上的欺诈尝试，挡住 200 多亿美元的损失，误伤的正常交易还少了一半。但这事没有一劳永逸：骗子天天换手法，模型就得天天跟着学。这是一盘永远在下、永远下不完的棋。

最有意思的是蚂蚁。它用消费、支付这些另类数据，给没有传统征信记录的人做信用评分：80% 的用户此前从没借过银行的钱，3 分钟内出审批结果，坏账率和传统评分方式打平。

科技最动人的地方，不在让有钱人更方便，而在让原来借不到钱的人，借到了钱。

一家泰国餐馆，一个月丢了 3200 美元

说完巨头，说点离你近的。

餐饮业有个老大难：高峰期电话接不过来。波特兰一家泰国餐馆算了笔账，每个月光漏接的外卖电话，就丢 3200 美元。

装了个语音 AI 接电话之后，这些单子被接住了，前台同事也解放了。别小看小店这门生意，Loman AI 的调研给出的数字是：高峰期漏单能少 30%，食材浪费降 20% 到 40%，用 AI 排班能省 15% 到 20% 的人力成本，语音点单的准确率有 91%。

最关键的一条：这类项目回本通常只要 4 到 8 周。

小店用 AI 的心法就一个字：别贪。一次只解一个最疼的问题，疼止住了，再解下一个。

五条规律

十来本账翻完，你会发现有些东西反复出现。

第一，从量大、重复的活干起。Klarna 挑高频问题，摩根大通挑标准合同，没谁一上来就啃最难的骨头。

第二，数据是地基。Netflix 推荐靠多年积累的观看数据，万事达反欺诈靠海量实时交易。没数据的 AI，是个漂亮的空壳子。

第三，人留在环里。梅奥的 AI 提醒医生，不替医生拍板。Erica 身后，永远站着人工客服。

第四，算账，算到底。解决时长、准确率、省下的钱，全部量出来。模糊的「数字化转型」叙事，撑不过一场董事会的质询。

第五，模型会老。欺诈在进化，商品在更替，用户在变化。AI 是持续的投入，不是一次性的装修。

轮到你算账了

怎么把别人的账，变成你的预算？

找一个跟自己最像的案例对标，然后把人家公布的数字，按六七折来预期。查清前提：数据干不干净，系统能不能打通，团队愿不愿意换流程。然后分阶段上，先小赢，再扩大，指标在动手之前就定死。

时间上给个锚：多数成功案例，12 到 24 个月见到正回报。高频流程自动化最快，6 到 12 个月。投入上，中型企业第一轮常见在 50 万到 200 万美元，小切口项目 10 万到 30 万美元也能跑起来。哪个行业回本最快？金融和制造，量大、数据全、指标硬。医疗临床效果亮眼，但监管这道关，慢。

顺便看看失败项目的样子：目标糊涂，数据脏，没人愿意改流程。上面那五条规律，它们一条都没占。

回到那位朋友

后来我又碰见那位朋友。他说，其实我想问的是，我该从哪儿下手。

答案就在那五条规律里：找一个重复到让员工麻木的环节，一个能把账算清的环节，从那里开始。

你的第一个案例，未必有 700 个人那么夸张。但账，要一笔一笔自己算。

AI 从不制造奇迹。奇迹，是纪律换来的。

祝你早日算出自己的第一笔 AI 明账。