AI营销预算与
投资组合指南

本报告面向企业董事长、CEO、CFO、CMO、CIO/CDO、业务单元负责人、营销运营负责人、采购与财务 BP、AI 项目负责人。报告提供预算账户、总拥有成本、资金池、单位经济性、投资组合、证据门、分摊与治理方法，用于设计企业自己的资本配置制度。由于企业完整预算、合同条款与内部成本通常不公开，本报告不提供虚构的市场均值、统一预算比例或行业通用 ROI；涉及企业案例时，均标明结果披露主体、测量边界与不可外推之处。

版权归竹势 AI 营销智库所有。公开引用请注明报告名称、出品方与版本时间。本文档不构成会计、税务、法律或证券投资意见。

判断一：AI 营销预算的对象不是工具，而是一组尚待验证的经营假设。预算应随着证据成熟度释放；一次性购买多年许可，会把技术不确定性、采用不确定性和业务不确定性提前固化成沉没成本。

判断二：模型调用费通常只是可见成本。数据清理、系统集成、人工复核、质量评测、日志监控、流程变更和退出迁移，往往决定真实总拥有成本。

判断三：探索、共享能力和规模化运营应使用不同资金池。探索资金追求学习速度与损失上限；共享能力资金追求复用和治理；规模化资金追求稳定单位经济性和运营责任。

判断四：单位经济性必须落到一次合格任务、一个客户或一个端到端闭环。只看每千字成本或单次调用价格，会把低质量、返工、人工接管和转化损失排除在外。

判断五：高价值场景不一定优先。投资仓位由经营贡献、证据成熟度、复用性与风险共同决定；依赖未满足的高价值项目，应先投资底座或缩小范围。

判断六：加仓、持有、重构和退出必须由证据触发。战略必做项目也需要重构路径、限制损失和明确接管责任，不能以“战略”名义豁免审查。

判断七：中央平台承担可复用底座与治理，业务单元承担采用和经营结果。早期先 showback 建立透明度，待计量稳定与可控性成熟后再 chargeback。

判断八：低首价可能隐藏最低消费、专有工作流、数据迁移、人工服务、评测、监控和退出成本。采购比较必须使用同一工作负载、同一质量门和同一退出情景。

判断九：评测、日志、人工复核、合规和事故响应不是纯粹管理费用，而是压缩损失分布尾部的控制投资；控制强度应与场景风险等级匹配。

判断十：年度预算负责承诺边界，季度组合会负责调仓，月度观察负责识别异常。三者必须连接采购、绩效、风险与运营接管，形成持续运行的资本配置机制。

资本配置驾驶舱的核心仪表

驾驶舱不是一张财务看板，而是一套决议系统。它把九类账户、五段 TCO、三层资金池、单位经济性、组合仓位、依赖图、证据门、风险准备金和治理节奏连接起来。任何场景只有同时回答“为谁创造什么经营结果、证据有多成熟、共享能力能复用多少、损失如何封顶、谁接管运营”五个问题，才有资格进入组合。

1.1 工具采购清单掩盖了真正的资本承诺

传统预算把软件许可、云资源、外包服务和培训分散在不同科目，管理层看到的是一组供应商和合同，却看不到这些支出共同支持哪一个经营假设。AI 营销尤其容易出现这种错位：内容团队购买生成工具，数据团队采购模型平台，IT 建设知识库，业务单元再购买代理商服务。每笔支出看似合理，合并后却可能服务同一个低价值任务，也可能没有任何一方对最终经营结果负责。

董事会应把每项投入重写为可证伪命题，例如：“在品牌合规率不低于现状、人工复核时间下降 40% 的前提下，销售线索培育闭环的单位成本可在两个季度内下降，并且知识资产可由三个业务单元复用。”命题必须包含对象、基线、质量门、时间窗、结果指标和边界。预算不是对技术能力的信任票，而是对该命题的分阶段承诺。

1.2 资源配置、交易成本与实物期权的连接

Drucker 将管理者的核心责任之一放在资源配置与机会选择上。对 AI 营销而言，稀缺资源不仅是现金，还包括业务专家时间、数据授权、变更承受力和管理注意力。Coase 与 Williamson 的交易成本和资产专用性提醒管理层：低价外购并不自动优于自建，合同谈判、接口适配、监督、数据迁移和专有流程会形成持续成本；自建同样可能形成对少数工程人员和内部架构的锁定。

实物期权提供了更合适的早期投资逻辑：先购买有限损失的学习权，而不是一次性购买全面规模化。小额试验的价值不只来自直接收益，还来自减少不确定性、发现依赖、验证采用和保留未来选择。修正点在于，企业并非所有投入都可自由等待。强监管控制、数据安全和基础审计可能是不可选投入；此时仍可优化路径和节奏，但不能以短期回报不足为由取消。

1.3 案例：P&G 与哈佛商学院的随机现场实验

主体与时间：Harvard Business School、Wharton 等研究者与 P&G 开展的“The Cybernetic Teammate”现场实验，研究于 2024 年形成工作论文并持续公开讨论。业务情境：791 名 P&G 专业人员执行真实的新产品创新任务。具体动作：随机分配个人或团队、使用或不使用生成式 AI，比较输出质量、时间与跨职能协作。作用机制：AI 提供知识补充与快速方案生成，使个人在部分任务上达到团队式能力。可核验结果：研究报告显示，使用 AI 的个人可在更短时间内产出更高质量方案，且跨职能差异缩小。归因限制：实验任务有明确边界，结果不能直接外推到持续运营、品牌安全、系统集成或真实收入。管理启示：探索预算应购买“任务证据”，不能把单次实验效率直接资本化为年度经营收益。[S1]

九类账户是管理视图，不要求与法定会计科目一一对应。其目标是把分散支出重新归集到场景、能力和责任中心，并允许同一张发票拆分到多个管理账户。每个账户至少记录：场景、资金池、成本阶段、固定/变动属性、可复用范围、责任人、合同期限和退出条件。

2.1 Activity-Based Costing 的当代应用

Kaplan 与 Cooper 的作业成本思想适合解决“共享资源如何落到真实活动”的问题。模型、数据平台和运营团队常被平均分摊，导致高消耗场景获得隐性补贴，低消耗场景承担不合理成本。企业应识别成本动因：模型以合格任务、有效上下文长度和重试次数为动因；人工复核以风险等级、异常率和复杂度为动因；数据治理以数据域、变更频率和质量缺陷为动因。管理账户可以服务决策，即使财务报表仍按软件、服务或人工分类。

2.2 案例：腾讯营销服务的 AI 投入与成本边界

主体与时间：腾讯控股 2025 年年度业绩及 2026 年第一季度业绩。业务情境：微信生态广告推荐、闭环营销和广告创作。具体动作：升级 AI 驱动的广告推荐模型，扩展闭环营销能力，并增加 AI 相关设备投入。可核验结果：腾讯披露 2025 年营销服务收入同比增长 19% 至人民币 1450 亿元；2026 年第一季度营销服务收入同比增长 20% 至人民币 382 亿元，并说明广告表现和定价改善。同期营销服务毛利率受到 AI 设备折旧和相关运营成本影响。归因限制：收入增长同时受用户参与、广告负载、行业广告需求等因素影响，不能全部归因于 AI；披露的是平台经营结果，不是广告主单位经济性。管理启示：AI 预算必须同时追踪收入贡献和设备折旧、运营成本，避免只记录模型费用。[S2][S3]

五段 TCO 把采购价格扩展为生命周期承诺。企业应在立项时估算区间，在试点后更新实测，在规模化前签署运营和退出责任。任何只报建设费或年度许可费的方案，都不能进入组合比较。

3.1 TCO 公式与情景法

建议使用三种情景：基准、压力与退出。基准情景反映预期使用量和质量；压力情景加入调用增长、人工接管率上升、接口频繁变化和监管要求；退出情景模拟供应商不可用、价格调整或战略切换。TCO 不是单一精确数，而是一个随证据收窄的区间。早期最大的价值在于识别成本驱动因素，而不是追求小数点后的准确。

推荐公式：五段 TCO = 建设一次性成本 + 运行期固定成本 + 单位变动成本×业务量 + 控制成本 + 预期变更成本 + 退出准备与迁移成本。对于低概率高影响事件，除期望值外还要单列最大合理损失和恢复时间，因为均值无法表示尾部风险。

3.2 FinOps 对 AI 成本的修正

FinOps Foundation 2025 年报告显示，管理 AI/机器学习支出与获得单位经济性显著上升为实践重点；其 AI 成本估算指南强调从开发、试点到生产阶段使用不同估算方法。AI 工作负载与传统云资源不同：请求成本受上下文、输出长度、推理深度、重试、代理循环、缓存和模型路由共同影响；质量不足会把节省的调用费转化为返工和业务损失。因而成本优化必须在质量门之后进行。[S4][S5]

3.3 案例：Klarna 客服自动化的收益与反转

主体与时间：Klarna 于 2024 年披露其 AI 客服助手上线后的运行结果，随后在 2025 年公开强调将恢复更多人工服务选择。业务情境：高频消费者服务与交易支持。具体动作：让 AI 助手处理多语言客服会话，并将部分工作从外包和人工团队转移。可核验结果：公司曾披露助手处理约三分之二客服对话、平均解决时间下降，并估计年度利润改善；这些数据由公司测量。后续管理层承认过度强调成本可能影响服务质量，提出增加人工服务。归因限制：利润估计不是审计后的单场景净现金流，且客户体验、长期留存和复杂问题成本难以完全计入。管理启示：规模化决策必须把质量、人工接管和品牌影响纳入运行与控制成本，不能只把自动化率视为成功。[S6][S7]

4.1 March 的探索与利用：不同资金池不能用同一回报要求

March 区分探索与利用：探索产生新知识但回报不确定，利用把已有能力转化为稳定产出。若财务部门要求所有探索项目立即达到规模化回报，企业会只选择容易测量的局部自动化；若共享能力没有复用责任，则会形成昂贵平台。三层资金池的关键不是预算标签，而是不同的决策权、证据标准、损失上限和停止条件。

4.2 防止搭便车、重复建设与预算藏匿

共享能力最容易出现两种问题：业务单元希望中央承担全部成本，却不承诺采用；中央平台以“战略底座”名义持续扩张，却不证明复用。治理上应采用能力赞助人制度：每项共享能力至少有两个真实场景承诺使用，明确首批消费者、服务目录、成本动因、SLA 与退役条件。重复建设通过架构例外机制处理：业务可申请例外，但必须披露增量价值、兼容与退出成本。预算藏匿则通过九类账户和合同拆分识别，例如顾问费中隐藏长期人工运营，云合同中隐藏最低消费。

4.3 案例：中国工商银行等金融机构的不可选控制投入

主体与时间：招商银行在《2025年中期报告》中披露，截至2025年6月末，已在零售金融、公司金融、风险管理、运营管理等领域上线AI智能助手。业务情境：大型商业银行需要同时服务个人与企业客户，并在高监管环境中处理大量知识检索、业务办理、客户沟通和内部运营任务；单点工具容易形成重复采购、口径不一致和治理成本分散。具体动作：招商银行以企业级共享能力方式建设并推广多领域AI助手，把模型能力接入岗位流程和业务知识，覆盖一线服务与中后台运营，而不是只采购面向个人的通用对话工具。作用机制：共享模型、知识、权限和运营能力降低不同部门重复建设成本；岗位助手把检索、生成与流程提示嵌入真实任务，使技术支出能够按使用场景、节省工时和服务质量进行观察。公开结果：该行披露AI智能助手累计节省475万小时工作量；该数字由招商银行自行测量和披露，报告未公开完整预算、计算口径明细、对照组、质量变化、客户经营增量或现金兑现比例。归因限制：节省工时不自动等于费用下降或收入增加，结果可能同时受到流程改造、数据治理、员工采用和其他数字化投入影响，不能据此倒推出统一ROI。适用边界：适合已有较成熟数据、知识、权限和运营体系的大型机构；中小企业不应照搬平台规模，而应先选择高频任务建立基线。预算管理启示：具备跨部门复用条件的模型、知识、评测和权限能力应进入共享能力资金池；业务部门仍需对采用、质量和工时兑现负责。共享底座的拨款证据应同时包括活跃消费者、合格任务量、单位成本、质量尾部与可兑现结果，而不能只报告累计调用或理论节省。[S31]

5.1 先定义“合格单位”，再谈成本下降

单位可以是一次合格任务、一个被有效服务的客户、一个合格线索、一项完成的营销战役或一个端到端闭环。选择原则是：单位必须与业务需求驱动因素对应、可重复计量、包含质量门，并能连接到价值。内容生成以“被批准并发布、达到品牌和合规门槛的资产”为单位，而不是草稿数量；线索培育以“在时限内完成规定触达并产生可验证下一步”的客户为单位，而不是发送消息数。

5.2 单位经济性树的推荐公式

单位净贡献 = 可兑现成本节约 + 保守归因的增量毛利 + 质量改善的经济价值 + 资产复用摊销 + 学习期权价值 - 单位运行成本 - 单位控制成本 - 预期风险损失。对于品牌、知识和组织能力等长期资产，不建议强行货币化到虚假精度，可采用“货币结果 + 资产指标 + 风险指标”的三栏报告，并设置明确的后续验证时间。

5.3 场景级成本卡

5.4 案例：营销知识工作实验的单位选择

多项受控实验显示，生成式 AI 可在写作、分析和创意任务上缩短时间并改善部分质量，但能力边界依任务而变。若企业把“每份初稿成本”作为单位，会忽略事实核查、品牌调整和审批；若改为“通过质量门并进入下一业务环节的成果”，模型优势可能缩小，也可能因标准化而更稳定。管理启示：试点第一周最重要的工作不是部署工具，而是定义合格单位、基线和失败类型。

6.1 四维组合矩阵

组合评分不能机械相乘后自动决策。四维用于结构化讨论，最终仓位还需考虑相关性、依赖和集中度。多个场景可能共享同一模型、数据源或供应商，表面分散但实际具有共同故障点；一个底座项目自身没有直接收入，却可能解锁多个高价值场景。

6.2 组合仓位卡

6.3 依赖关系图的读法

依赖图以场景为右侧节点，以数据、集成、身份权限、评测、知识、运营团队和供应商为左侧能力节点。边表示“缺失即不能稳定运行”的关系。优先级由“解锁价值总量÷建设与风险成本”决定，而不是由提出需求的部门级别决定。依赖图还能识别集中风险：若十个场景都依赖同一不可替代模型或一位工程师，组合并未真正分散。

6.4 案例：摩根士丹利财富管理的共享知识底座

主体与时间：Morgan Stanley Wealth Management 自 2023 年起公开部署面向顾问的 AI 知识助手。业务情境：大量内部研究与政策资料，顾问需要快速获得受控答案。具体动作：建设检索、权限、评测和受控发布机制，并逐步扩大顾问使用。可核验结果：公司与技术供应商披露了高采用和知识检索效率，但未公开完整预算与净财务回报。结果主要由企业与供应商共同披露。归因限制：财富管理的知识治理、合规和高价值人工服务与一般营销内容不同。管理启示：共享知识、权限与评测属于底座仓，价值来自多个任务复用；若只要求单一助手项目承担全部底座成本，会低估组合价值。[S10]

7.1 证据层级

证据从弱到强可分为：演示可行、受控任务、真实流程试点、稳定生产运行、跨场景复用。演示证明“能做”，不能证明“值得做”；真实流程试点必须包括异常、人工复核、权限与数据；稳定生产至少覆盖一个有代表性的业务周期。每次拨款只要求与下一阶段相匹配的证据，避免早期过度证明，也避免用演示跳过生产证据。

7.2 战略必做项目的特殊处理

战略必做不等于无条件加仓。对于监管要求、关键平台迁移或竞争防御，退出业务目标可能不可接受，但仍可在路径、技术、供应商、范围和时间上重构。董事会应将“目标不可退出”和“当前方案不可退出”严格区分。

7.3 案例：IBM Watson for Oncology 的受限与退场启示

主体与时间：IBM 与多家医疗机构在 2010 年代推进 Watson for Oncology，后续业务收缩并出售相关资产。业务情境：将医学知识与患者信息结合，辅助肿瘤治疗建议。具体动作：投入知识工程、合作医院和产品化。可核验结果：部分研究报告一致性或可用性，但也出现适用性、数据本地化和建议质量争议；没有形成普遍可验证的经营成功。归因限制：医疗决策高度复杂，且不同国家指南、数据与临床流程差异大。管理启示：高价值和高战略叙事不能替代本地任务证据；当知识更新、流程适配和责任边界不成立时，应重构或退出，而不是因沉没成本继续加仓。[S11][S12]

8.1 分摊原则：可复用底座中央承担，使用与结果业务承担

中央平台通常承担统一身份权限、基础模型接入、日志、评测框架、数据标准、连接器目录和供应商治理；业务单元承担场景配置、内容与流程运营、采用、业务数据质量和经营结果。共享能力可采用分层分摊：基础公共能力由中央预算；可计量增量资源按使用量；专属需求由提出方承担；合规强制能力可按风险暴露或受益范围分摊。

8.2 先 showback，后 chargeback

AWS 的云财务管理指南把 showback 定义为向业务展示可归属成本，chargeback 则进一步形成内部计费。AI 能力早期数据标签、计量稳定性和可控性不足，立即收费会诱发规避使用、隐藏账户或局部自购。建议先用 1-2 个季度 showback，公开消费、质量和价值；当服务目录、用量归属、预算可控和争议处理成熟后，再对可变资源或专属服务 chargeback。[S13]

8.3 Ostrom 的共同资源治理修正

Ostrom 对共同资源的研究提示，共享能力不能只靠中央命令或完全自由使用。有效制度需要明确边界、参与者规则、监测、渐进式约束和争议解决。AI 营销共享底座应有服务目录、消费规则、容量上限、例外审批、消费者委员会和退役机制。完全免费会导致过度消费，过早全额收费则会破坏采用与学习。

9.1 低首价的十类隐藏负债

9.2 同一工作负载比较法

供应商比较必须固定业务任务、数据规模、质量门、峰值业务量、人工复核规则和退出情景。报价表至少包含三年 TCO 区间、每合格单位成本、控制成本、合同弹性和集中风险。最低单价不等于最低经济成本：低质量导致的重试和人工修正可能远高于模型差价；专有工作流提高初期速度，也可能提高退出成本。

9.3 自建也会锁定

内部锁定来自专有架构、缺乏文档、关键人依赖、无法替换的数据管道和长期维护负担。自建决策应同样提交退出卡：关键组件替代路径、人员备份、开源或标准接口、数据导出、灾备与运维预算。采购部门不能把“自建”视为无合同风险，IT 也不能把“外购”视为无架构责任。

9.4 案例：Adobe Figma 收购终止与平台集中风险

主体与时间：Adobe 于 2022 年宣布收购 Figma，2023 年因监管阻力终止交易并支付约 10 亿美元终止费。该事件不是 AI 营销项目，但清楚展示了平台战略、监管和退出条款如何形成巨额或有成本。业务情境：设计与创意工作流高度集中。具体动作：签署大型并购协议并设置终止安排。可核验结果：交易终止和费用由公司公告披露。归因限制：并购与 SaaS 采购规模不同。管理启示：企业在将创意、品牌资产与协作流程集中到单一平台时，应模拟监管、所有权变化、产品策略变化和退出成本；合同弹性具有真实经济价值。[S14]

10.1 风险分级

10.2 准备金不是平均事故率乘以损失

Knight 区分可计算风险与真正不确定性。AI 场景的尾部事件常缺乏稳定频率，准备金不能只用历史平均。建议由三部分构成：已知可估损失准备、压力情景缓冲、运营接管与迁移资金。准备金可以是现金额度、未承诺预算、备用供应商、人工接管容量或技术冗余。

10.3 Deming 的质量成本：控制投入可降低总损失

Deming 的质量管理思想提醒管理层，检验不能替代过程设计，但预防、评测和改进能够减少返工与外部失败。AI 营销的控制投资应优先放在数据、规则、质量门、可观测性和反馈闭环，而不是在流程末端堆叠审批。低风险场景采用轻量抽检，高风险场景使用持续评测、限额和人工接管。

10.4 案例：Air Canada 聊天机器人责任判决

主体与时间：加拿大不列颠哥伦比亚省民事解决法庭于 2024 年就 Air Canada 网站聊天机器人向客户提供错误票价政策信息作出裁决。业务情境：面向客户的自动服务。具体动作：公司使用聊天机器人回答票务问题。可核验结果：法庭认定航空公司对网站所提供信息负责，并判令赔偿。归因限制：案件金额有限，法律环境具有地区性。管理启示：供应商或自动化系统不能吸收企业对客户承诺的责任；对外自动触达应配置知识更新、引用、升级人工、日志和纠错机制，控制成本应进入场景 TCO。[S15]

11.1 三个节奏解决不同问题

11.2 Beyond Budgeting 与双环学习

Beyond Budgeting 强调滚动预测、相对目标和分散决策，适合技术价格与需求快速变化的环境。AI 营销不能把全年用量、模型和场景锁死在一次预算中；但基础设施、人才和长期采购仍需要年度承诺。解决办法是“双层承诺”：年度确定总风险边界、共享能力和最低容量，季度根据证据调仓，月度通过异常管理调整运行。

Argyris 与 Schön 的双环学习进一步要求：复盘不仅问“执行是否符合计划”，还要问“原假设和评价规则是否正确”。当项目反复无法达到 ROI，可能不是执行差，而是单位定义、质量门、目标客户或流程边界错误。季度调仓会应允许修改假设，而非只要求团队继续优化同一方案。

11.3 案例：Google 对生成式搜索与广告的渐进式扩展

主体与时间：Google 自 2023 年起逐步扩展生成式搜索体验，并在 2024-2026 年持续调整 AI Overviews、广告呈现与 Gemini 相关产品。业务情境：搜索体验、广告收入和高计算成本之间的平衡。具体动作：分市场、分查询类型和分产品逐步上线，持续调整界面和商业化。可核验结果：Alphabet 财报披露搜索与广告业务持续增长，并持续增加技术基础设施投资，但没有公开单一 AI 搜索功能的完整单位经济性。归因限制：广告业务受宏观需求、产品组合和市场份额影响。管理启示：高流量核心业务应采用滚动扩展和容量管理，而不是一次性全量切换；年度基础设施承诺与季度产品调仓可以并存。[S16][S17]

12.1 前 30 天：先建立账户与基线

第一周完成合同、云、供应商、人力与外包盘点，并映射九类账户；第二周选择 3-5 个真实场景定义合格单位和基线；第三周估算五段 TCO 与风险等级；第四周成立三层资金池和初次组合评审。不要等待完美数据，先用区间和置信等级开始，但必须标出未知项及其决策影响。

12.2 90 天：让预算随证据释放

每个探索场景至少完成一次真实流程试点，包含数据、权限、异常、人工复核和业务结果。共享能力必须出现真实消费者，不接受只建平台不接场景。季度末形成第一版加仓、持有、重构、退出决议，并把未满足依赖转化为能力投资或范围收缩。

12.3 180 天：把组合治理接入日常经营

将场景成本卡接入财务 BP 月报，将供应商 TCO 与退出条款接入采购评审，将单位经济性和采用接入业务绩效，将风险分级与准备金接入风险委员会。成熟的标志不是报表更多，而是管理层能够在一个季度内停止低证据投入、把资金转向高价值场景，并保证退出过程不伤害客户、数据和运营。

董事会

□ 是否把 AI 营销定义为资本配置组合，而非年度工具清单？

□ 总损失上限、集中风险与退出能力是否明确？

□ 战略必做项目是否仍有路径重构和阶段证据门？

□ 共享能力是否有真实消费者、维护责任和退役条件？

CFO 与财务 BP

□ 九类管理账户能否穿透会计科目与合同？

□ 五段 TCO 是否覆盖人工复核、控制、变更和退出？

□ 单位经济性是否使用合格单位和保守归因？

□ 季度调仓能否实际释放或转移预算？

CMO 与业务 owner

□ 场景是否连接到经营结果和真实流程？

□ 质量门、采用责任和运营接管是否明确？

□ 释放工时是否能转为现金、产能或增长？

□ 品牌、知识和客户资产是否有可治理的沉淀指标？

CIO/CDO 与平台负责人

□ 共享数据、连接器、权限、评测是否按复用价值排序？

□ 是否识别模型、供应商、关键人和数据源集中风险？

□ 可观测性、容量、回滚和替换路径是否进入预算？

□ 平台服务目录和成本动因是否可解释？

采购与风险

□ 供应商比较是否固定同一工作负载和质量门？

□ 最低消费、数据权利、价格调整和自动续约是否清楚？

□ 退出支持、数据导出和并行迁移是否写入合同？

□ 风险等级是否决定控制强度，而非一刀切？

[S1] Dell’Acqua, Fabrizio 等，The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise，Harvard Business School Working Paper，2024；对象为 791 名 P&G 专业人员及真实创新任务。

[S2] 腾讯控股，2025 年年度业绩公告与年度报告，2026-03/04；营销服务收入、AI 广告推荐与业务表现披露。

[S3] 腾讯控股，2026 年第一季度业绩公告，2026-05-13；营销服务收入、AI 推荐模型、设备折旧与运营成本披露。

[S4] FinOps Foundation，State of FinOps 2025 Report，2025；样本为 FinOps 社区调查，管理 AI/ML 支出和单位经济性为上升重点。

[S5] FinOps Foundation，Cost Estimation of AI Workloads，2025-09-15；覆盖开发、试点、生产阶段的 AI 成本估算。

[S6] Klarna，AI Assistant Handles Two-Thirds of Customer Service Chats，2024-02；结果由公司测量。

[S7] Klarna 管理层关于恢复更多人工客户服务选择的公开访谈与公司沟通，2025；用于说明质量与成本权衡。

[S8] 国家金融监督管理总局，《银行保险机构数据安全管理办法》，2024-12-27发布，2025-03-01施行，部门规章/监管规范；本报告仅用于银行保险机构数据治理、分类分级、技术保护、个人信息保护与风险处置的不可选控制边界，不作为一般行业预算比例依据。

[S9] 中国人民银行，《金融科技发展规划（2022—2025年）》，2021-12-31印发、2022-01-04公布，行业发展规划；本报告用于说明金融机构需把数据、技术、治理与人才作为持续能力建设，不将规划目标解释为单一AI项目回报。

[S10] Morgan Stanley Wealth Management 与 OpenAI，AI @ Morgan Stanley Assistant 公开案例，2023-2024；采用与效率由企业和供应商披露，未披露完整预算。

[S11] IBM Watson Health 与 Watson for Oncology 的企业公告、合作资料及后续资产处置披露。

[S12] 同行评审研究与医学机构对 Watson for Oncology 一致性、适用性和本地化限制的评估。

[S13] Amazon Web Services，Guidance for Cloud Financial Management on AWS；showback、chargeback 与成本归属方法。

[S14] Adobe，Termination of Figma Merger Agreement，2023-12；交易终止与约 10 亿美元终止费披露。

[S15] Moffatt v. Air Canada，British Columbia Civil Resolution Tribunal，2024；聊天机器人错误信息责任裁决。

[S16] Alphabet，2024-2025 年年度报告及季度业绩；搜索、广告与技术基础设施投资披露。

[S17] Google，AI Overviews、Search Generative Experience 与广告产品的正式产品公告，2023-2026。

[S18] NIST，Artificial Intelligence Risk Management Framework 1.0，2023；治理、映射、测量和管理框架。

[S19] Drucker, Peter F.，The Practice of Management，1954；资源配置与管理责任。

[S20] Coase, Ronald H.，The Nature of the Firm，1937；Williamson, Oliver E.，Markets and Hierarchies，1975；交易成本与资产专用性。

[S21] March, James G.，Exploration and Exploitation in Organizational Learning，Organization Science，1991。

[S22] Kaplan, Robert S. 与 Cooper, Robin，Cost & Effect，1998；作业成本与成本动因。

[S23] Ostrom, Elinor，Governing the Commons，1990；共同资源治理。

[S24] Deming, W. Edwards，Out of the Crisis，1986；质量管理与过程改进。

[S25] Hope, Jeremy 与 Fraser, Robin，Beyond Budgeting，2003；滚动管理与适应性预算。

[S26] Knight, Frank H.，Risk, Uncertainty and Profit，1921；风险与不确定性。

[S27] McGrath, Rita Gunther；MacMillan, Ian C.，Discovery-Driven Growth: A Breakthrough Process to Reduce Risk and Seize Opportunity，Harvard Business Press，2009，管理著作；本报告仅借鉴假设显性化、阶段承诺和里程碑方法，不以其替代生产项目的财务纪律。

[S28] Brynjolfsson, Erik；Li, Danielle；Raymond, Lindsey R.，Generative AI at Work，Quarterly Journal of Economics，2025（研究前身为NBER Working Paper 31161，2023），现场研究；对象为客户支持人员，本报告仅用于说明任务、经验与组织条件影响生产率，不外推为所有营销岗位的统一收益。

[S29] 百度集团，2025 年年度及季度业绩材料；智能云、生成式 AI 与在线营销相关披露，平台归因不等于广告主独立 ROI。

[S30] European Union，Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence（Artificial Intelligence Act），2024-06-13通过、2024-07-12公布，法规；国家互联网信息办公室等七部门，《生成式人工智能服务管理暂行办法》，2023-07-13公布、2023-08-15施行，部门规章；本报告仅用于说明地区、服务对象与风险等级会改变合规成本，不将其作为所有内部应用的统一控制模板。

[S31] 招商银行股份有限公司，《2025年中期报告》，2025-08-29，上市公司中期报告；披露在零售金融、公司金融、风险管理、运营管理等领域上线AI智能助手并累计节省475万小时。结果由企业自行测量，未披露完整预算、对照组、质量变化、客户增量或现金兑现比例。

[S32] Edmondson, Amy C.，Psychological Safety and Learning Behavior in Work Teams，Administrative Science Quarterly，1999，同行评审论文；本报告用于说明错误上报、异议与团队学习的组织条件，不把心理安全解释为降低质量或风险标准。

[S33] Brynjolfsson, Erik；Rock, Daniel；Syverson, Chad，Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics，NBER Working Paper 24001，2017，研究论文；本报告用于说明通用技术收益依赖无形资本与组织互补投入，不用于估算单一企业ROI。

[S34] Agrawal, Ajay；Gans, Joshua；Goldfarb, Avi，Prediction Machines: The Simple Economics of Artificial Intelligence，Harvard Business Review Press，2018，经济管理著作；本报告使用“预测成本下降会提高判断、行动和数据等互补要素价值”的分析框架，不把模型能力等同于自动经营结果。

[S35] Iansiti, Marco；Lakhani, Karim R.，Competing in the Age of AI: Strategy and Leadership When Algorithms and Networks Run the World，Harvard Business Review Press，2020，管理著作；本报告用于共享数字核心、运营模式和规模化边界，不主张所有能力无条件集中。

[S36] Acemoglu, Daron，The Simple Macroeconomics of AI，Economic Policy，2025（早期版本发表于2024），学术论文；本报告仅用于提醒AI收益受可可靠改进任务范围约束，不将宏观估算作为企业预算基准。

[S37] 全国金融标准化技术委员会，《金融数据安全 数据生命周期安全规范》（JR/T 0223—2021），2021-04-08发布并实施，推荐性金融行业标准，中国人民银行主管；本报告用于金融数据采集、传输、存储、使用、删除、销毁及运维保障的生命周期成本边界。

D.1 软件账户：许可并不等于能力被采用

软件账户需要同时管理“购买权利”和“实际使用”。席位制产品常见的失真是：部门为了获得折扣一次性购买大量许可，后续仅少数员工活跃；平台制产品则可能基础价低，但高级权限、审计、连接器和测试环境另行收费。建议把软件账户拆成基础许可、增量模块、环境、支持与闲置五个子项。月度观察不只看登录人数，还要看关键任务采用率、产出进入真实流程的比例和功能重叠。对重复能力，应设置整合期限，而不是因为合同尚未到期继续分散运行。

采购折扣必须与弹性共同评价。多年预付可降低名义单价，却会减少技术替换和需求收缩时的选择权。只有当工作负载稳定、质量经过生产验证、退出路径明确且最低容量确实需要时，才适合长期承诺。探索期宜使用可取消或小容量合同，即使单价较高，其期权价值也可能更大。

D.2 模型账户：把重试、代理循环和质量失败纳入成本

模型账户不能仅按输入输出量归集。一次业务任务可能触发检索、规划、多轮调用、工具执行、错误恢复和最终复核；表面单次价格很低，完整任务成本却由循环次数与失败率决定。应记录每合格任务的调用链长度、缓存命中、模型路由、重试原因、人工修正和失败退出。对高频任务，优先优化上下文、检索质量、结构化输出和停止条件，而不是简单换成更便宜的模型。

模型质量也具有非线性经济后果。对于内部低风险摘要，轻微质量差异可能只增加少量复核；对于客户报价、合规内容或广告预算建议，少数严重错误可能抵消大量日常节约。因此模型选择应通过任务级评测集、严重缺陷率和压力情景，而不是只比较平均分。

D.3 算力账户：容量承诺要和需求驱动因素绑定

自托管或专用算力可带来数据控制、性能和稳定性，但也引入利用率、折旧、运维和升级风险。容量计划应由实际需求驱动因素建立，例如每日合格任务量、峰值并发、上下文规模、响应时限和可接受排队时间。不能以“未来都要用 AI”为由提前购买难以利用的容量。对于波动较大的营销战役，弹性资源可能更经济；对于稳定高频且有严格数据要求的任务，承诺容量可能更合适。

D.4 数据账户：低质量数据会在每次调用中重复收费

数据成本具有前置与持续两种形态。前置包括清理、映射、标注、版权和授权；持续成本包括更新、质量监控、删除请求、保留、版本和主数据维护。企业常把一次性数据项目视为完成，忽略业务规则与产品信息持续变化。应为每个数据域设立 owner、质量 SLA、更新频率和退役规则。知识库中大量过期、冲突或不可授权内容，会通过错误检索、重试和人工核查反复放大成本。

D.5 内容账户：产量不是资产，经过治理的复用才是资产

内容账户既包括原创与素材采购，也包括版权、翻译、剪辑、渠道适配、审校和下架。生成速度提高后，企业可能产出更多低价值内容并增加审核负担。内容资产只有满足可检索、权利清楚、版本明确、效果可追踪和可再次调用，才具有资产属性。建议用“合格发布资产成本、跨渠道复用率、有效生命周期、返工率、严重品牌缺陷率”共同评价。

D.6 集成账户：连接成功只是开始，异常处理决定运行成本

连接器开发的初始费用通常易见，长期成本来自认证变化、字段变化、接口限流、错误重放、数据一致性和第三方平台政策。每个接口必须有服务 owner、监控、故障降级、测试环境和变更预算。若供应商声称“已连接”，采购应验证真实读写范围、权限粒度、失败状态、回滚和审计，而不是只看演示。

D.7 培训账户：从课程人数转向关键任务胜任度

培训不应以参加人数、课时和满意度为主要产出。真正目标是让角色在真实任务中达到质量、时效和风险标准。预算应覆盖管理者如何设定任务、员工如何复核和接管、运营团队如何处理异常、财务如何看单位成本。新流程上线后需要现场辅导和绩效规则调整，否则课程结束即回到旧流程。

D.8 运维账户：没有运营接管，试点只是临时演示

运维包括监控、事件、知识更新、容量、版本、支持和人工接管。试点团队往往由最熟悉技术的人临时值守，规模化后这些隐性劳动无法持续。进入核心仓前必须指定运营 owner、服务时段、事件等级、恢复目标、人工接管容量和变更窗口。若没有持续预算和人员，项目应停留在验证仓，不能以“上线”名义进入生产。

D.9 顾问账户：以能力转移和可独立运营作为验收

顾问能够加快诊断、架构、实施和治理，但也可能形成长期依赖。合同应区分一次性设计、实施交付、代运营和持续优化，避免低价项目通过后续人工服务回收。验收除文档外，应包括内部团队能否独立运行、关键配置和评测是否可访问、问题处理是否有知识转移、供应商退出后是否可以维持最低服务。

E.1 项目收益不是独立随机变量

经典投资组合理论假设可以用收益、波动和相关性描述资产，但 AI 营销项目存在三项重要差异。第一，收益往往由同一底座驱动，项目之间高度相关；第二，损失分布可能有厚尾，例如错误自动触达在短时间内扩大；第三，收益可被组织采用和流程变更共同决定，历史序列很短。因而本报告借用“分散、相关和仓位”的思想，却不机械使用均值方差优化。

组合评审至少建立四张相关性表：共同供应商、共同模型、共同数据源、共同关键人员。任何单点同时支撑多个核心仓，都应纳入集中风险。缓解方式包括替代模型、标准接口、离线降级、人员备份、数据快照、容量冗余和合同保障。并非所有集中都应消除；集中可降低集成与治理成本，但必须与故障影响和替换时间匹配。

E.2 共享底座的“解锁价值”

底座价值不能简单等于消费者项目收益之和，否则容易重复计算。建议分三层报告：直接服务价值，指底座本身减少的重复建设和运维成本；解锁价值，指因底座存在才可能进入验证或核心仓的场景贡献；选择权价值，指未来新增场景的边际进入成本下降。财务决议以直接价值和已承诺解锁价值为主，选择权价值作为战略补充，不强行货币化。

E.3 示例组合：一家多品牌消费企业

假设企业同时推进商品详情页生成、广告创意变体、会员触达、舆情摘要和活动复盘。商品详情页与广告创意共享品牌知识、素材权利和评测；会员触达依赖客户数据、同意管理和人工接管；舆情摘要风险较低，可作为早期验证场景；活动复盘需要渠道数据连接。若只按单个项目 ROI 排序，企业可能先扩张广告创意，却没有品牌评测和素材权利底座。更稳健的组合是：用舆情摘要验证运营流程；把品牌知识与评测列为底座仓；广告创意进入验证仓；会员触达在同意与接管能力完成前保持观察仓；活动复盘与渠道连接器共同立项。

F.1 加仓会议

加仓不是对团队努力的奖励，而是对证据的资本回应。材料必须包括基线、合格单位、至少一个完整业务周期的单位经济性、质量尾部、采用、风险事件、容量和运营接管。会议先检查是否存在选择性样本或把人工支持排除；再判断新增规模是否改变成本结构，例如进入更高价格阶梯、需要全天候运维或提高监管等级。加仓决议必须写明新增范围、预算上限、下一证据门和可逆性。

F.2 持有会议

持有适用于价值假设仍合理，但关键证据尚未到达的情形。持有必须有明确等待事件，例如完成一个销售周期、获得接口授权、监管规则落地或供应商发布替代能力。没有事件和日期的持有等于拖延。持有期间只保留获取下一证据所需的最小能力，停止功能扩张和长期合同。

F.3 重构会议

重构首先定位失败机制：任务定义错误、数据不足、质量不稳定、流程未改变、员工不采用、供应商不匹配、控制成本过高或责任不清。每次只重构少数关键变量，保持可比较性。若价值假设本身已经失效，不应以重构名义继续消耗；若战略目标必须实现，则应比较替代路径，而不是默认沿用现有技术。

F.4 退出会议

退出应在立项时设计，在决议时执行。退出清单包括停止新增数据和新用户、冻结配置、导出数据与评测集、迁移工作流、通知相关角色、安排客户连续性、终止合同、释放容量、保留审计记录和完成知识转移。退出后的复盘重点是更新组合规则和供应商条款，而不是寻找责任替罪羊。

建议至少每年对核心供应商执行一次桌面退出演练，对关键场景执行一次技术演练。桌面演练验证合同、联系人、资产清单和责任；技术演练选择一小段真实数据和工作流，验证导出、重建、质量和切换时间。退出能力并不表示企业准备频繁更换，而是形成议价权、降低集中风险并防止关键知识流失。

情景一：模型单价下降 60%，总成本却上升

原因可能是业务量增加、上下文变长、代理循环增多、更多任务进入生产，或低价诱发无价值消费。管理层不应要求简单压低单价，而应检查每合格单位模型成本、任务价值密度和用量预算。若单位成本下降且经营贡献增加，总支出上升可能合理；若任务质量和价值没有增长，则需要限额、路由和停止低价值任务。

情景二：试点节省大量工时，但财务结果未变化

释放工时可能没有转化为减少外包、避免招聘、增加有效产能或加快收入。业务 owner 需要在加仓前提交工时兑现计划：取消哪些工作、减少何种采购、把人员转向哪些高价值活动、如何测量新增产出。无法兑现的时间仍可作为员工体验或韧性价值，但不能全部计作现金回报。

情景三：共享平台投入超支，业务采用不足

先区分平台能力是否被真实场景需要、服务体验是否阻碍采用、业务是否承担采用责任。若消费者承诺从未存在，应冻结扩张并将平台降为最小底座；若采用受成本归属或接入复杂度影响，先简化服务目录和 showback；若业务选择外部工具，应比较重复建设与例外价值。平台不能用未来想象继续获得预算。

情景四：高价值自动触达场景发生严重错误

立即执行限额、暂停自动执行和人工接管，同时保留日志、识别受影响客户和完成纠正。季度决议不应只问是否退出，而要判断错误来自知识、权限、流程、模型还是监控。若控制可重构且业务价值仍高，可降仓后重新验证；若责任、数据或合规无法控制，应退出。准备金应覆盖客户补救、人工接管和迁移。

情景五：供应商提出更低单价换取三年承诺

董事会应比较折扣现值与失去的选择权。需要压力测试需求下降、技术替换、质量变化、价格阶梯、最低消费和退出费。若工作负载已稳定、替代成本低、合同允许缩容和数据可移植，长期承诺可能合理；若仍处于验证仓，折扣通常不足以补偿锁定风险。

I.1 管理账户不替代会计判断

九类账户服务经营决策，并不直接决定费用化或资本化。相同的集成、数据整理或软件配置，在不同合同、控制权、可辨认资产和会计政策下可能有不同处理。财务团队应保留从管理账户到总账科目、成本中心、项目号和合同的映射，但不得为了会计便利牺牲经营可见性。董事会需要看到的是全生命周期承诺、现金流时间、可取消性和或有负债；会计确认则由适用准则和专业判断决定。

尤其应区分四类概念：费用预算反映当期资源消耗；资本性承诺反映跨期、难取消或形成长期能力的合同与投入；共享能力投资反映可被多个场景消费的底座；或有风险反映事故、迁移、最低消费和合同变化可能造成的额外现金流。四者可能交叉，但在决议材料中必须分别展示。

I.2 与绩效管理连接，避免局部最优

若业务团队只对收入负责，可能无节制消费共享资源；若平台团队只对单位技术成本负责，可能通过降低质量或限制使用实现表面优化；若采购只对折扣负责，可能增加长期锁定。绩效应采用共同结果与角色责任相结合的方式：业务 owner 对采用、质量和经营结果负责；平台 owner 对服务成本、稳定性、复用和替换能力负责；财务 BP 对归属、预测和调仓执行负责；采购对合同弹性、数据权利和退出条款负责；风险团队对控制设计与剩余风险透明负责。

共同指标不宜过多。建议组合层只保留六项：经质量调整的单位成本、保守归因的经营贡献、关键任务采用率、严重缺陷率、共享能力复用率、退出准备度。各团队可在下层增加诊断指标，但不能用大量活动指标遮蔽这六项结果。

I.3 预算争议的处理顺序

发生分摊争议时，先判断成本是否可控：业务无法控制的统一安全要求不应完全按使用量收费；平台无法控制的业务内容返工不应由中央吸收。其次判断是否可计量：计量不稳定时先 showback，不急于内部结算。再次判断是否可替代：业务有合理替代方案时，可通过架构例外和全成本比较，而不是行政禁止。最后判断行为影响：任何分摊规则都要观察其是否诱发隐藏账户、规避平台、过度消费或抑制合理探索。

I.4 决议记录的最低标准

每次组合决议应形成一页记录：决议对象、当前仓位、关键证据、不同意见、预算动作、损失上限、责任人、下一证据门和复审日期。记录的目的不是增加文书，而是防止市场环境变化后无法还原当时假设。退出项目同样应记录释放的资金、保留的资产、未解决风险和对组合规则的修正，使失败转化为可复用学习。

实施时应坚持一个底线：任何新增预算都必须能追溯到场景、证据门、责任人和退出安排；任何已承诺预算也都应允许在证据变化后被重构、转移或终止。

竹势 AI 营销智库关注企业增长、营销组织变革、智能体运营与 AI 治理，帮助企业老板、CEO、CMO 和数字化管理者把复杂技术议题转化为可讨论、可比较、可执行的经营决策。

本报告的判断框架、责任边界和实施工具，旨在帮助管理团队把 AI 营销支出转化为可比较的经营承诺，并在加仓前建立必要的证据、单位经济性、风险边界与退出责任。