老板又问 AI 带来多少收入？这道题，得先报楼层

前几天，我陪一位老朋友吃饭。他在一家大公司管营销，位子不低，饭吃到一半，人却越来越蔫。

我问，怎么了。

他说，每个月最难受的不是加班，是给 CEO 汇报 AI 进展的那半小时。这半年，团队用 AI 干的活儿明摆着多了，出的东西肉眼可见地快了，可 CEO 每次只问一句：投了这么多，AI 到底带来多少收入？

他说，每次到这儿，我就开始把话往"效率""赋能""信号"上引。说着说着，自己都听出来心虚了。

我说，你不是没干活，你是用错了尺子。

**AI 的生产力，好证明；AI 的收入，难证明。**这两件事，不能塞进同一张答题卡。

先说好证明的那半。

生产力这半张卷子，早答完了

什么叫生产力收益？就是原来要干的活，现在更快、更省地干完了。

账是现成的。美国国家经济研究局（NBER）有个研究：给客服人员配上生成式 AI 助手，每人每小时解决的问题，平均多了 14%。GitHub 自己也统计过，用上 Copilot 的开发者，完成同一个编程任务，比没用的快 55%。斯坦福 2026 年发布的 AI Index 收了个总账：从客服的 14%，到软件开发的 26%，再到营销内容产出的 50%，生产力这条线一路都在涨。

强吧？强。

可为什么一换到收入，所有人就开始支支吾吾？

因为收入离 AI 太远，中间隔着太多人。

你想想看，营销人算了多少年的老账：一笔订单，到底是谁带来的？

用户第一次见到你，是刷到的那条广告，负责介绍；隔两天，又被一条再营销广告推了一下，负责提醒；要下单了，一封邮件把他拉回购物车；最后他搜了个词，点了条广告，成交。

介绍、提醒、召回、临门一脚。四个人，抬一顶轿子。

功劳记谁头上？归因模型吵了十几年，也没吵出一个让所有人服气的答案。

没错，AI 现在就在这支抬轿的队伍里。但大多数时候，它不是唯一抬轿的那个。你没法把整顶轿子，记在一个轿夫头上。

企业里的真实情况，到底怎么样？有几个数字，挺扎心。

MIT 在 2025 年出过一份《State of AI in Business》报告：大公司里的生成式 AI 试点，95% 在损益表上看不出任何回报。注意，这还是在采用率一路上涨的前提下。

麦肯锡 2025 年的调研：88% 的组织，已经在业务的某个环节用上了 AI。但只有 39%，能说出 AI 对利润表的可量化影响。能把超过 5% 的 EBIT（税前利润）归到 AI 头上的，只有 5.5%。

BCG 的研究更狠：75% 的 C 级高管，把 AI 列进前三优先级；可只有 25%，认为自己的组织真的从中拿到了可观价值。

大家都在用 AI。很少有人，能把 AI 换算成钱。

我在各种经营汇报里泡了这么多年，见过上百场 AI 进展汇报。明明白白把"生产力提升"和"收入归因"两笔账分开讲的 CMO，两只手数得过来。

问题出在哪？我的判断是：缺一套共同语言。能把 AI 干的事，分层说清楚的那种语言。

三层楼：地基、施工、受益

说白了，把一家公司的 AI 大楼，分成三层。

什么叫地基？

就是那些你平时看不见、但所有系统都踩在上面的东西：统一存放的数据，写清楚的品牌规范和政策，稳定的平台，还有一份"我们当时为什么这么决策"的记录。

举个例子。一条 offer 的条款，一份品牌手册，一段内容资产，它们应该待在一个所有人都去取的地方。而不是散落在五个项目文件夹、三版 PPT 和一堆邮件里，每一份都长得很像，每一份都不一样。

地基决定什么？决定你半年后盖上去的东西，还站不站得住。

跳过地基行不行？行，能跑很快。但那个你下个季度就要上线的 agent，演示的时候完美，第一次撞上真实业务，就开始一本正经地答错题。

什么叫施工层？

就是真正动工的地方：工作流，智能体，路由逻辑，自动化。比如一条人群细分的工作流，决定谁该收到哪封邮件；比如一个路由 agent，判断哪张工单必须转给真人处理。

施工层的汇报，只回答两个问题：这套东西，是不是越来越可靠？边界是不是守住了，没有越铺越大？

它不回答收入问题。但它是通向收入的那段路。

什么叫受益层？

就是业务真正感觉到变化的地方：周转短了，吞吐量高了，单件服务的成本降了。偶尔，还有一点增量收入。

只有站在受益层，你才有资格回答 ROI 问题。

三层怎么连？地基让施工成为可能，施工把受益的规模做大。而且这个循环不会停：平台在升级，数据在变好，预期在抬高。下一个项目，又从地基重新爬起。

这套语言最直接的用法，是给每一条进展先报楼层。

报地基的更新，说的是稳。数据口径统一了，事实源立住了。

报施工的更新，说的是可靠和克制。工作流更稳了，边界守住了。

报受益的更新，才说钱。周转短了多少，成本降了多少，收入多了多少。

汇报 AI 进展的语法，是先报你站在第几层，再说你值多少钱。

楼层报清楚了，你不心虚，老板也不会觉得你在绕。

资源怎么要？先摆出那些丑活儿

说到这儿，你可能会问：道理我懂，可地基这些活儿，怎么跟老板要预算？听起来像是要钱买空气。

要钱的姿势，就是把丑活儿一件件摆出来。它们不起眼，但决定生死。

第一件，先把核心文档和数据口径立起来。所有 agent 和工作流，将来都要从同一个地方喝水。这个唯一事实源，得先存在。

第二件，想清楚东西存在哪儿。只服务一个团队的信息，轻量检索就够了。凡是打算跨团队、跨应用用的，就得有共享上下文层。不然你会发现，同一个知识库，五个团队盖了五遍。

第三件，分清"先加载什么"和"谁说了算"。上下文有加载顺序，也有权威等级，这是两回事。还要留下一张 context graph，把每个决策当时为什么这么做，记下来。

第四件，立一条吵架规则：两个数据源打架的时候，听谁的？

这条规则不立，你会遇到一种最难救的病：输出看起来自信满满，行为前后不一致。防它，比治它便宜十倍。

地基之外，规模化的时候还有两件事。

一件，把 agent 当产品养。它得有责任人，有版本号，有"它退役了怎么办"的接班计划。它是软件，不是符咒。

另一件，管住上通用工具的手。一个只做一件事、但做得很好的窄 agent，几乎总能赢过一个什么都想干的大而全。

为什么？房子漏水，你叫水电工，不会叫什么都会一点的全能师傅。虽然师傅更便宜，上门也更快。

再算一笔账：一个在五个领域都对八成的通才，和一个在一件事上对九成八的专才，你敢把关键业务交给谁？

**通用，是信任的天敌。**窄，才可靠，才可解释，才敢托付。

实验室和工厂：节奏也要设计

用 AI 还有一个几乎人人都会撞上的两难：想马上拿出成果，又想慢慢造出对的那个东西。

这个死结，有个解法，叫实验室-工厂双轨。

什么叫实验室？实验室为"学得快"优化，产出不按产线标准要求，允许粗糙。

什么叫工厂？工厂为"跑得稳"优化，标准从严，马虎不得。

关键是，提前写清楚"毕业条件"：一个项目要满足什么，才能从实验室搬进工厂。可以是地基的稳定性到了某个阈值，可以是施工层验证过了某个模式，也可以是准确率在一段规定的时间里，一直扛住某个门槛。

没有这道闸，团队就只剩两个极端：要么一切永远"还在实验"；要么什么都急吼吼推上产线，没熟就摘。

两头的结果都一样：毁信任，砸 KPI。

还有一个反直觉的用法：实验室和工厂要并行，别串行。不是全公司先憋三年地基、再统一开工。是让实验室在一个项目上快跑，工厂在另一个项目上深耕。这样你手里始终有看得见的方向性胜利：一条上线的流程，一个带真实数字的试点。同时，那些看不见的地基工作，也一天没停。

空讲模型没意思。给你讲三个案例。

Adobe。过去几年，他们一直在做一件事：把品牌规范、元数据、审核流程，统一成一套智能体可以直接取用的系统。这是纯粹的地基工程。先立地基，再谈全公司范围的生成式工作流。

可口可乐。他们和 OpenAI、贝恩公司一起，做了个叫 Create Real Magic 的生成式平台，让外部创作者和内部团队，通过一条活着的管线，产出符合品牌调性的内容。这是一件标准的施工层作品。

多邻国。天呐，这个数字你看看：他们的公开说法是，AI 把课程内容产能，从每季度大约 7,100 个单位，拉到了超过 20,500 个。多邻国在自己的投资人沟通里，把这条加速，直接挂到了双位数的收入增长上。这是一条从地基到受益层的完整通路。

还有一笔总账。BCG 的《From Potential to Profit》研究：平均聚焦 3.5 个 AI 用例的公司，拿到的 ROI，是那些到处撒胡椒面的公司的 2.1 倍。

深度赢广度。而先地基、再施工、后受益的次序，就是让深度变得可能的那条路。

下次被问到，你就这么答

说回我那位朋友。

后来我告诉他：老板问 AI 带来多少收入，这个问题本身没有错，永远都会有老板问这个。要修的，是答题的姿势。别急着护数字，也别为还没有数字道歉。

下次进汇报间，你就老老实实说：这半年，我们的活儿在地基层。事实源立住了，数据口径统一了。下一步，施工层要上线三条工作流。再往后，受益层自然会有第一批能拿上桌的数。

你看，你没躲，也没飘。

老板要的，其实是一个他知道没被糊弄的判断。数字，反倒在其次。

能说清"现在在第几层、还差几步到钱"的人，才拿得到下一笔预算。

祝你下次汇报，不用再把话说飘。