AI军备竞赛下，科技公司如何算清投入与回报的账？

阿斯沃斯·达摩达兰Aswath Damodaran在近期关于AI的讨论中抛出了一个很刺眼的判断大型科技公司对自己要在AI上花多少钱心里是有数的但对自己怎么把这些投入变成回报其实没有清晰答案。Big Tech Has No Idea How AI Pays Off翻译得直白一点就是——巨头们正在为AI的可能性买单至于这门生意到底怎么赚钱目前还停留在叙事阶段。这句话一出来很容易被人误解成“达摩达兰看空AI”。实际上不是。这位长期做企业估值和资本配置研究的金融学教授真正质疑的不是AI的价值而是很多公司的算账能力。AI是不是真的有用这是一件事AI能不能给公司带来可验证的收入和利润这是另一件事。中间隔着的是成本结构、商业模式、竞争格局和财务评测能力。这篇文章不预测泡沫会不会破也不替哪家公司站台。我更想拆清楚的是为什么达摩达兰会说出这么重的判断AI投入在财务上发生了什么你自己判断一个AI项目值不值得投的时候该用什么顺序去想。如果你在科技公司做投资分析、产品规划或者项目立项这篇文章可以直接当成一套检查框架用。1. 达摩达兰这句话不是在说AI没用而是在说算账体系失灵1.1 一个估值专家的敏感点钱花了未来赚回来多少达摩达兰是纽约大学斯特恩商学院的金融学教授长期研究企业估值和资本配置创业圈和投资圈里很多人把他看作“估值教父”级的人物。他平时做的大量工作都是把一家公司的未来预期换算成今天的价值。这种人最关注的不是模型的参数、排行榜的分数而是一笔投入最终能不能变成现金流。AI军备竞赛正好踩在他的敏感点上。过去一年多主流科技公司普遍在扩建数据中心、采购计算资源、扩大AI研发团队。这些动作有几大财务特征花了真金白银报表上却看不到即时的收入资本开支很高折旧摊销却要在未来几年慢慢释放项目复制成本很高不像传统软件那样“写好一次卖一万份”。换句话说AI让很多科技公司的利润表现变得比过去更难预测了。达摩达兰的质疑本质上是提醒当资本开支大幅上升、回报路径却说不清楚的时候公司的估值基础就很容易从“现金流”滑向“信仰”。他见过太多行业在技术狂热期重复这种节奏AI只是最新的一轮。1.2 技术有效性和商业回报之间隔着一条完整的转化链想把这句话看透必须先区分两个问题AI有没有用和AI能不能赚钱。“有用”是技术判断。AI辅助编程确实能提升开发速度智能客服确实能降低一部分重复咨询压力内容生成工具确实能减少素材制作时间。这些在单一指标上都是成立的。“赚钱”则是商业判断。它要求你回答效率提升省下来的时间最终价值多少模型上线后新增的收入能不能覆盖训练、推理、数据、人力、维护的完整成本用户愿意为AI功能多付费还是只是觉得“挺好用但不值钱”。很多公司会不自觉地把过程指标当成结果指标。比如API调用量增长了多少、模型跑通了多少个场景、AI功能覆盖了多少用户。这些数字能证明技术被采用但证明不了钱赚回来了。达摩达兰说“no idea”说的恰恰就是这种混乱叙事很强链路很弱。我经常看到一种现象项目复盘时所有增长都归因于AI所有下滑都解释成转型阵痛。这种归因方式放到资本市场里就是非常危险的估值叙事。真正健康的方式是把AI投入对应到具体的财务科目变化多赚的钱在哪少花的钱在哪保住的市场份额在哪。如果三个问题都回答不了项目基本还停留在成本阶段。2. AI军备竞赛正在把科技公司变成重资产公司2.1 轻资产软件公司为什么要背上“重资产包袱”过去几十年美股科技公司的估值逻辑之所以诱人很大程度上因为轻资产、高毛利、边际成本极低。一套软件写出来服务一万个用户和服务十万个用户总成本增加并不多。用户量上来之后毛利率可以做到很高自由现金流非常充沛。AI大模型改变了这种成本结构。要做训练就要买GPU要上线服务就要建推理集群GPU跑起来就要吃电、要散热、要运维。再加上数据中心建设周期长、采购协议金额大整个公司的资产负债结构会明显变重。一个过去靠代码和品牌赚钱的公司开始像电信运营商一样每年要拿出巨额现金去维护基础设施。这不是说AI没有价值而是说价值实现的方式变了。过去软件公司可以“先上产品再自然增长”现在很多AI公司必须先支付高昂的“入场费”才能站在技术前沿。入场费一旦付出去利润率、现金流、投资回收期都会发生变化。2.2 财务上的时间错配会让利润表先难受起来对于关注科技公司的人来说我建议建立一套最基本的财务观察顺序先看资本开支再看折旧摊销最后看自由现金流。资本开支代表公司愿意为AI付出多少真金白银。折旧摊销代表往年投入正在转化成多少当期成本。自由现金流则说明公司有没有因为AI投入而逐渐失去造血能力。三个指标放在一起才能看出公司到底是在投资增长还是在燃烧现金。这里特别容易犯的错是只看“AI收入增长”不看折旧压力。很多基础设施投入是早期就完成的折旧压力会在后续几年慢慢释放。也就是说当市场终于看到AI收入开始增长时成本和折旧可能同时变得更高。利润表会不会真改善取决于收入增速能否跑赢成本增速。还有一个微妙点折旧是非现金支出公司的现金可能没少那么多但利润表会变得难看。于是有些公司喜欢强调“经调整利润”。调整口径是否合理必须仔细看注释。市场并不笨当你越强调“剔除某项费用后利润很好”的时候大家越会想知道不剔除的真实收益到底是多少。2.3 固定成本刚性化投入上去容易下来很难AI基础设施支出还有一个被低估的特性就是刚性化。GPU采购合同、数据中心租赁协议、电力与散热系统的长期维护成本这些支出不会因为你收入不及预期就自动消失。项目可以砍但协议不一定能终止人可以裁但设备和场地的投入已经沉淀。这种刚性支出会在企业内部制造一种特殊心态成本已经投入这么大了如果公开承认回报不清就等于承认当初的判断有问题。为了维持叙事完整公司会继续加码期待下一个版本、下一个产品能扭转局面。“沉没成本加面子成本”叠加在一起就会形成越亏越投、越投越看不清楚的循环。这在技术史上发生过很多次AI不是第一次也不会是最后一次。3. 不管AI故事讲得多大回报路径只有三条3.1 增收、降本、防御没有第四条路达摩达兰的估值课程里反复出现一个原则一项投资的最终价值取决于它能不能改善未来现金流。按照这个框架AI的所有商业故事最后只能归入三类增加收入、降低成本、防御性地保住原有业务。别信那些“生态建设”“平台价值”一类绕来绕去的说法拆到最后都会落到这三条路径上。第一类是收入账。AI作为一个新功能让产品可以卖得更贵或者让用户更愿意付费。典型的例子包括办公软件里的AI助手、云服务平台上的智能分析能力、面向特定行业的Agent应用。这条路径要验证的指标很直接付费转化率有没有提升客单价有没有提高用户留存有没有变化。没有这些变化产品再好也赚不到钱。第二类是成本账。AI可以帮助企业减少重复劳动优化供应链降低欺诈损失。成本账看起来最稳但也最容易被人为美化。省掉了三个客服人员但多招了一个AI运营工程师库存周转快了一点但数据处理和模型迭代费用涨了不少。真正有价值的是净成本节约也就是总成本减少值减去总成本增加值。不把两边都算进去所谓节约不过是一张安慰自己的报表。第三类是防御账。这个最容易被忽略。如果所有同行都在用AI改善产品体验、降低售价、提高交付速度你不跟进就会丢掉市场份额、广告主和开发者生态。防御性价值不体现在增量收入上而是体现在“现有现金流不会加速流失”上。对大型科技公司来说这可能是投入AI最真实的动机但也是向华尔街最难讲清的内容。3.2 一张“翻译表”把AI能力描述转成财务指标针对AIGC、Agent、大模型应用这类项目我建议项目负责人做一张翻译表把所有“AI能力强不强”的描述强行翻译成财务指标再讨论。可以参考这个结构AI能力描述对应财务指标验证方式智能客服提升解决率客服人力成本、客户投诉率、退货率对照组 月度成本报表代码助手提升开发效率功能上线周期、研发人力释放量工时记录、版本发布频率AI推荐提升点击转化率订单量、客单价、复购率A/B实验、转化漏斗AIGC生成营销素材素材制作成本、投放ROI制作成本对比、投放数据垂直行业Agent替代人工流程单笔交易处理成本、交付周期业务流程耗时、单位成本核算这张表的核心作用是逼着团队回答一个问题这个AI能力最终落到哪个财务科目上如果落不上去项目就不该立项如果落上去了但连续几个季度验证不了就要认真考虑止损。别把“部署了多少模型”当成“创造了多少价值”那不是同一件事。4. 巨头“不知道回报在哪”的三个实锤表现4.1 收入归因混乱所有增长都算AI所有回落都算阵痛现在很多公司的AI汇报越来越像公关稿AI是增长核心驱动力AI功能上线后用户活跃度显著提升公司在AI产品上取得突破。但细看时往往拿不出一个经得起推敲的数字。典型错误是只做正向归因。某家公司这个季度新增了一部分用户管理层把所有增长都归因于AI忽略了渠道投放、价格调整、市场周期和竞品失误。这种归因方式对内对外都有害。判断AI的真实贡献至少要建立一个反事实推断如果这个季度不投入AI收入和利润大概是多少虽然不可能精确但用历史趋势和行业对比能估出大致区间。没有这种对比所有“AI带来了增长”都只是叙事。4.2 成本节约被高估只算局部省出来的不算全局多花的成本节约类项目最容易高估收益。你看到客服团队从50人降到30人高兴地宣布AI省了20个人力。但你没算的是为了上线这套系统公司买了新的GPU招了算法工程师买了标注数据还要持续付维护费用。把这些成本按年摊下来很可能已经把省掉的20个人的工资吃回去了。还有更隐蔽的隐性成本。AI系统的决策经常需要人工兜底决策出错时兜底成本比没有系统时更高。数据治理、安全合规、权限管理、模型迭代每一项都会带来新增支出。所以成本账一定要算净额。不要看表面“效率提升多少”要看总成本是不是真的降了。4.3 跟投心理投AI不是算了账而是怕掉队最后这种“不知道”最普遍也最不愿被承认。一家公司决定在AI上大规模投入很多时候不是财务模型算出了好的回收期而是竞争对手在投。董事会问别人都在组建大模型团队你怎么还没有动作管理层被推着往前走目标函数自然变成“看起来没有落后”而不是“创造超额回报”。达摩达兰点名Big Tech是因为大厂最有能力承担这种跟随型投入。但对行业整体来说这不是好消息。当所有公司为了避免落后而同时加码总资本开支会迅速膨胀供给侧会变得冗余最终资本回报率就会被摊薄。这个机制在电信、航空、光伏等产业反复出现过技术本身是真的但因为所有人都同时投了很多钱最后谁也赚不到超额收益。5. 落到自己公司五步判断AI项目该不该继续投5.1 先分清这是哪一种账拿到一个AI项目第一件事不是谈技术选型而是分清它属于哪种账收入账、成本账还是防御账。收入账的目标是新增收入可以忍受较长周期因为新功能需要时间培育用户习惯成本账的目标是净成本下降应当在较短时间内看到财务改善防御账更复杂它要求你同时判断“不投入的损失”和“投入的机会成本”。把账认错后面所有评估都会跟着错。一个明明该算成本账的项目你按收入账给了三年回收期最后大概率得到一个好看但没用的故事。5.2 建立对照组哪怕很粗糙没有对照组的AI项目评估基本等于没有评估。常见做法是挑两个业务线或两个区域一个用AI一个不用AI在同一周期内对比关键指标。客服、推荐、定价、风控这类高频场景A/B实验已经很成熟。研发、供应链这类偏流程的场景可以用历史数据做时间对照但要尽量排除季节性因素和外部环境变化。如果对照组做不到完全严谨也不要放弃。用“上一季度数据对比”“同期另一个产品线对比”哪怕只有比较粗略的参照也比空口说“效果很好”强得多。5.3 把过程指标翻成增量现金流评审AI项目时最容易出现鸡同鸭讲。技术负责人说回答准确率提升了20%。财务负责人问转化率提升了吗单位成本下降了吗两边各说各话。解决办法是把过程指标强制翻译成现金流指标。准确率提升20%如果最终没有带来订单量上升、客单价上升或客诉成本下降那它对公司利润的贡献就趋近于零。反过来转化率提升3%哪怕模型准确率只是小幅提高财务价值也可能很高。翻译时建议保守归因不知道其他因素影响多大时宁可少算归因也不要全算给自己。5.4 算回收期也算机会成本回收期的算法不复杂一次性投入加年度运营投入除以年度预计净收益。净收益指扣税、扣折旧、扣维护之后的部分。回收期在两到三年内通常是比较健康的项目。如果超过四五年就要非常谨慎因为AI技术迭代太快四五年后这套方案很可能已经不好用了。机会成本更不能忽略。把钱投向一个AI客服项目就意味着资金不能用于优化现有核心产品。对增长期公司来说把大量现金押在回报周期过长的项目上风险不只是项目失败还包括错过更确定的市场机会。5.5 设定止损点按时回头复盘复盘节奏建议按季度。每个季度末重新检查关键指标有没有变化收入账有没有出现收入趋势成本账有没有体现在毛利率上如果连续两三个季度没有实质改善就认真评估是缩小范围、调整场景还是直接停掉。止损不是认错而是避免继续为沉没成本买单。真正健康的管理者应该把“停掉一个验证失败的AI项目”视为正常产出。公司精力是有限资源用一个无效项目占住就意味着另一条更可能成功的道路被占掉了。这一点比是否拥抱AI更重要。6. 复盘时最常踩的坑以及从收入倒推的排查顺序6.1 把研发投入高当成竞争力强许多公司喜欢对外展示自己在AI上投了多少钱、买了多少卡、建了多少人的团队。但投入规模只能说明“公司愿意花钱”不能说明“钱花得值”。资金投向、团队执行力、数据质量、场景匹配度才是决定回报的关键。把“花了很多钱”当成护城河是讲给资本市场听的叙事不是经营判断。6.2 把局部效率提升当成利润提升AI让某个部门效率提升20%听起来很厉害。但如果这个部门的成本只占公司总成本的5%那它对整体利润的影响大约只有1%。局部效率提升必须放到公司全局里看才能判断它到底是增长引擎还是锦上添花。反过来如果效率提升发生在客服、生产、物流这类高成本部门哪怕幅度只有10%价值也可能非常大。所以看AI项目时不要只看“提升了百分之多少”还要看它是在哪个盘子里面提升的。盘子太小故事再漂亮也是小生意。6.3 忽视维护、安全和升级成本AI系统上线不是终点而是起点。模型要定期更新数据要清洗治理系统要防攻击用户隐私要合规还要持续做评测、监控、回滚演练。这些成本在立项阶段经常被压到最低但运行阶段会持续增长。如果一个AI项目的价值在扣除维护成本后仍然为正才值得长期运营如果只能靠“上线第一年红利”撑住账目后面会逐渐失血。6.4 排查顺序从收入形成链路倒推如果AI项目上线后预期收益迟迟没有出现建议按下面的链路排查不要一上来就怀疑模型能力先看收入。用户量有没有变付费率有没有变客单价有没有变。收入不动就说明产品价值没有被市场确认。再看转化链路。用户有没有真正接触到AI功能接触之后有没有完成你预期的动作。很多时候用户根本不知道新产品上线了或者看到了但觉得不值得用。再看成本。收入没有起色时容易忽略成本是否改善。人力有没有真的省下来营销费用有没有下降供应链有没有变得更顺。再看基础设施。算力成本、数据成本、运维成本有没有失控。有时候项目看起来是亏损的但亏损来自底层资源浪费而不是功能本身没价值。最后看战略。如果所有指标都有改善公司利润还是不好问题大概不在AI项目本身而在整体商业模式的结构。这个排查顺序和调试一个服务是一样的先看请求是否到达再看处理是否超时最后看资源瓶颈。商业项目也一样从结果往前一层层倒推才能找到真正的卡点。7. 投资者、创业者和普通开发者分别该从这句话里拿走什么7.1 投资者别把“AI投入规模”当成估值依据看一家公司是否值得投资AI投入规模本身不是护城河。我更建议关注三个问题AI投入有没有形成可重复的收入而不是停留在叙事层面毛利率和自由现金流有没有因为投入而明显恶化管理层在投入竞速中是否还保留止损的理性。市场喜欢讲未来增长但未来增长必须在财务报表里得到初步验证。如果验证长期缺席估值迟早会被修正只是时间问题。7.2 创业者和产品负责人先找窄场景再谈平台不要一上来就做“AI平台”。平台意味着你要服务很多不同人群、很多不同诉求这往往意味着投入巨大、验证周期很长、数据分散。更好的做法是先找到一个人群、一个高频痛点、一个愿意付费的场景把资源集中进去快速验证投入产出。AI的前端部署和后端维护都不便宜窄场景的最大优势是需求明确、结果容易测量、失败成本低。验证成功后再扩展方向错就换代价可以接受。7.3 普通开发者和职场人用工具提效和把工具变成收入是两件事现在很多开发者、内容创作者都用AI工具提升效率这本身是件好事。但要注意区分两种收获一种是节省了时间提高了个人产出另一种是有人愿意为你的AI辅助成果付费。前者是个人效率后者才是商业价值。如果你想靠AI赚钱不能只说“我用了AI”而要想清楚你的产出通过什么渠道、什么产品形态、什么付费模式被别人买单。你用AI生成的文章、代码、设计、视频如果找不到付费出口它的价值就会停留在“省时间”这一层。达摩达兰那句“Big Tech has no idea how AI pays off”看起来是在敲打巨头实际上也适用于每一个正在投入AI的个人和团队。AI本身没有收入只有当你把效率、产品和需求连接起来它才可能变成现金流。真正的回报不在技术排行榜上也不在发布会幻灯片上而在每一笔可以重复、可以验证、可以持续的收入里。