问：工厂AI项目的常见失败原因里，投资回报到底该怎么评估？很多老板觉得AI项目算不清账，有没有什么避坑经验？

答：工厂AI项目投资回报算不清，九成不是财务模型的问题，而是项目从立项那天起就没把"评估口径"定死。等你上线后再回头算ROI，数据对不上、责任分不清，最后只能拍脑袋说"效果还行"。想把账算明白，得先避开几个常见误区。

一、把ROI当成一个数，而不是一条时间线

很多工厂在立项时只写一句"预计一年回本"，这基本等于没写。工业AI的回报是分阶段释放的：上线前三个月通常只有人工节省和少量效率提升，半年后才会出现良率改善、能耗下降这类滞后收益。你得按季度拆开算，比如某电子厂做AOI视觉复判，前两个季度主要省的是复判人力，第三季度才开始体现漏检率下降带来的客诉减少。如果只按"一年总账"评估，很容易在第六个月误判项目失败。

二、只算显性成本，漏掉隐性投入

真实的坑点在于：AI项目的成本远不止软件授权。数据标注、产线停机调试、IT与OT团队磨合、模型迭代维护，这些隐性成本往往占到总投入的四成以上。假设一家汽配企业上预测性维护，光是把老设备加装传感器、打通PLC数据，就可能花掉预算的三分之一。评估ROI时如果只算软件费，回报率会虚高，实际回本周期可能翻倍。

三、用错基准线，拿"理想状态"对比

常见错误是拿AI上线后的最好表现，去对比上线前的最差月份。正确的做法是取上线前6到12个月的稳定均值作为基准，并且剔除季节波动、订单结构变化等干扰因素。否则你算出来的良率提升，可能只是订单变简单了。

四、规避方法：立项就锁定三张表

一张是收益表，明确每个收益项由谁提供数据、多久统计一次；一张是成本表，把隐性投入按科目列全；一张是里程碑表，设定3个月、6个月、12个月的阶段性验收指标。三张表在项目启动会上就要签字确认，后续只做微调，不做重定义。

五、最佳实践：小场景先行，用"可验证收益"滚动扩项

别一上来就做全厂级AI平台。选一个边界清晰、数据可得、收益可量化的场景，比如注塑机参数优化或包装段视觉检测，先跑出可验证的回报，再拿这个结果去说服下一期投入。累计3200余家终端的经验看下来，能算清账的工厂，通常都是先做小闭环、再谈大平台。

总结一句：工厂AI的ROI不是财务事后算出来的，是立项时设计出来的。把口径定死、把隐性成本列全、把收益按时间线拆开，你才能真正判断一个AI项目是失败还是还没到收获期。