業務報了3萬塊AI採購預算該不該批？4個財務把關要點拆解隱形成本

上週一家工業閥門製造公司的財務總監找我倒苦水。業務部門提交了一份AI採購預算申請，計劃採購一套AI營銷系統，號稱能大幅提升產品文案和獲客資料的產出效率。這位財務總監多問了兩句：“後續如果調用量超標，超出部分的費用誰來出？裏面的技術參數庫誰來整理維護？”業務負責人當場拉下臉，私下跟老闆抱怨財務思想僵化、不懂業務創新，阻礙技術落地。

財務總監很苦惱，跑來問我：“是不是我太保守了？三萬多塊錢也不算鉅款，難道我真的該閉着眼睛簽字？”

我的回答很乾脆：卡得對，這不是你的問題。

在企業AI核算的真實場景裏，很多初次涉足智能化的企業往往容易踩進一個誤區：以為合同上的標價就是全部支出，甚至把業務方隨手估算的“工時節省”直接當成財務賬面上能落袋的真金白銀。MIT Project NANDA 在2025年的研究報告《The GenAI Divide》中指出，全球生成式AI投入規模達數百億美元，但高達95%的企業沒有拿到可衡量的業務回報，僅有5%的定製試點真正進入生產環境。

項目之所以拿不到回報，根源往往就在立項審批的第一天——大家只盯住了軟件本身的年費，漏算了水面之下的真實開銷。一份3萬元左右的採購合同，背後往往拖着幾萬元的內部隱性支出。做AI預算把關，財務人員需要盯緊4個核心要點。

---

做好AI預算把關：軟件訂閲費與動態Token消耗費的真實配比測算

絕大多數單價在幾千到幾萬元的企業級工具，合同裏寫的一般只是平台軟件的基礎訂閲年費，或者附帶極少量的初始算力額度。大模型處理文本和生成內容是按Token（語言模型處理文本的基本單位，通常1000個Token約等於700到800個漢字）計費的。業務部門寫申請時很少會把後續的動態消耗放進預算單。

一旦銷售團隊或者內容人員開始高頻調用，配套額度往往在兩三個月內見底。此時擺在財務面前的只有兩條路：要麼中途追加算力充值包，要麼眼睜睜看着這套三萬多塊錢買來的軟件停擺。

面對這類AI採購預算，財務審核的第一步就是拆解費用結構：合同報價裏到底包不包含全年足額的Token用量？超出套餐後的單價怎麼算？

這裏給財務把關人一個動態消耗測算公式：

$$ \text{年度Token預期支出} = \text{單日調用次數} \times \text{單次交互平均Token數} \times 250\text{個工作日} \times \text{模型調用單價} \times (1 + \text{冗餘係數 } 20\%) $$

如果業務部門連自己的單日預估調用次數和交互長度都答不上來，説明他們根本沒有測算過業務併發量。這時候直接簽字，後續大概率要為無休止的賬單補丁買單。

---

提示詞與業務知識庫初始搭建的內部工時折算

買來一套系統並不等於立刻能產生生產力。通用模型不懂你公司的產品參數、不知道你們閥門的耐壓極限，更不清楚銷售面對特定客戶時的報價底線。要讓系統吐出能用的內容，必須先把內部文檔整理成結構化數據庫，這在技術上叫知識庫搭建（RAG）。

這部分工作誰來做？軟件供應商通常只提供後台上傳入口，真正幹活的是企業的業務骨幹。

以這家工業閥門公司為例，要讓AI寫出準確的技術推廣方案，必須把過去5年的產品白皮書、30套非標解決方案、200個客戶常見疑難問答清洗出來，去掉錯漏，統一專有名詞格式。

業務部門往往把這部分支出視作“零成本”，因為沒有產生對外的現金流。但在財務賬本上，核心骨幹的時間就是真金白銀的人力成本。

$$ \text{知識庫冷啓動人力成本} = \text{投入業務人員日薪} \times \text{數據清洗與標註天數} \times \text{參與人數} $$

假設一位月薪1.5萬元的資深技術支持和一位月薪1.2萬元的資深文案，脱產2周專門給系統“喂資料”、調試提示詞，單是這部分內部人力折算就超過1.3萬元。如果合同標價假設只有3萬元左右，前期搭建成本就已經佔到了合同標價的三分之一以上。這項成本不提前計入項目總盤子，企業AI核算從一開始就是失真的。

---

多輪交互返工對業務人效的隱性損耗核對

業務部門在提交AI採購預算時，最常用的立項理由是“提效”：原來寫一份行業報告要3天，現在輸入指令幾秒鐘出稿，所以效率提升好幾倍。

但在實際作業中，AI直接生成的第一版結果通常伴隨着明顯的機器味、空話甚至事實幻覺，根本無法直接對外發送。員工需要不斷修改提示詞、重新生成、人工校對關鍵數據、人工二次潤色。

如果業務人員原本花4個小時能寫完一份嚴謹的方案，現在變成：花30分鐘調試提示詞、等系統生成多份草稿、花2個小時核對裏面的技術參數有沒有編造、再花1.5個小時重寫不通順的段落。最終總耗時同樣是4個小時，人效並沒有任何提升，反而平白增加了軟件採購的攤銷。

財務怎麼核算企業AI投入的隱形成本？不能聽業務部門説“能省多少時間”，而要看“最終交付物的採納率”。

在做AI財務審核時，建議財務要求業務方明確一個核心質檢指標：AI生成內容的直接可用率（人工修改量低於20%的產出佔比）。如果這個指標在試運行期間達不到40%，所謂的人效提升就是偽命題，省下的時間全部被多輪交互和糾錯返工消耗掉了。

---

數據所有權與本地導出的退出改造成本

很多企業在簽約時只看怎麼進場，從來不想怎麼退場。

市面上不少幾萬塊錢的基礎軟件，為了把客戶鎖在自己的生態裏，會故意在數據底層設置障礙：企業辛辛苦苦上傳、清洗並持續校對的上萬條產品問答與銷售話術，全部保存在供應商的私有云伺服器上。合同到期時，如果企業決定不再續費，供應商可能只提供不可檢索的PDF或者截圖導出，甚至直接銷燬。

這就意味着，企業前期投入大量內部工時沉澱出來的數字化資產，一旦停止付費就瞬間清零；如果要換下一家系統，所有清洗工作必須從頭再來一遍。

因此，財務審核必須協同技術人員盯緊合同裏的退出條款： 1. 知識庫與調試資產的數據所有權是否完全歸屬採購方？ 2. 服務終止後，服務商是否承諾在約定期限內提供標準結構化格式（如JSON、CSV）的全量原樣導出？ 3. 導出的數據是否包含歷史人工標註和反饋記錄？

如果合同對數據遷出閉口不談，甚至在細則裏寫着“沉澱數據歸平台共有”，這就不是一筆簡單的採購，而是一項具有高昂資產沉沒風險的隱性負債。

---

識別AI隱形成本：中小企業AI採購4維全成本核對表

為了讓財務把關人和成本審核人員有一套可落地的工具，我把上述4個維度的隱形成本梳理成了這份核對清單。在審核數萬元的輕量化AI項目時，可以讓業務部門逐項填寫對照。

成本維度	常見顯性報價（合同面額）	容易被忽略的隱形成本	財務核算參考公式或標準	達標放行底線
算力與調用	基礎平台賬號年費	動態Token超額消耗費、併發接口調用溢價	預期年耗 = 日均交互量 × 單次Token × 250天 × 單價	合同寫死超出額度後的單價，或提供保底封頂套餐
初始冷啓動	供應商基礎安裝費（常標為0元）	內部員工文檔整理、專有名詞標註、知識庫搭建工時	啓動成本 = 核心人員日薪 × 清洗天數 × 人數	內部人力成本不得高於軟件採購合同面額的50%
過程協同損耗	宣稱“單人提效X倍”	幻覺核對、人工多輪重寫返工、流程斷點等待	淨工時收益 = 節省工時 − (核對重寫工時 + 維護工時)	交付物直出採納率測算不低於40%，返工時間可控
資產與退出	標準SaaS開戶費	切換供應商時的數據遷移費、格式重構費、資產沉沒	退出成本 = 重新標註人天成本 + 格式轉換技術開發費	合同必須明確約定支持結構化格式免費完整導出

---

第一次審業務部門的AI採購預算怎麼看：先小後大與階段放行

回到最開始的問題：業務部門報上來的這3萬多塊錢預算，到底該不該批？

我的判斷依據很簡單：如果業務方只能給出軟件合同，算不清算力用量，也沒有規劃內部誰來維護數據，一律暫緩審批；只有當全生命週期成本核算清晰，且具備低成本退出的驗證機制時，才能放行。

但在實際管理中，財務如果一味生硬拒絕，容易被扣上“阻礙創新”的帽子。更穩妥的做法是改變付費與立項機制，推行“階梯式放行”：

第一階段，不批全年採購，只批小額測試或按季度採購。業務部門如果真覺得軟件好用，可以先申請幾千元的短期試用額度，或者要求供應商提供為期1到2個月的付費驗證期。在這個週期內，業務團隊必須跑出真實數據：每天到底消耗多少Token？知識庫到底花了多少人工搭起來？AI寫出的東西到底能不能直接用？

第二階段，拿着實測數據再來談全額預算。如果試運行期間，淨節省工時明顯大於維護和返工工時，且算力消耗在可控模型內，這筆3萬元的預算不僅該批，後續追加預算財務也應該全力支持。

不過，在一種特殊情況下，上述嚴格卡控的判斷標準可以反過來：如果這套3萬元的方案採購的是已經高度成熟的單點標準化工具（例如單純用於發票自動識別驗真、固定模版合同文本比對等規則明確的場景），本身不涉及複雜的知識庫清洗，算力按年買斷且不涉及數據資產遷移問題。這種確定性極高的工具，財務可以適當簡化審核流程，快速放行，不需要用複雜的全生命週期框架過度設卡。

---