roi

KPMG调查发现，49%的大型组织因运营成本超过价值而缩小、推迟或暂停了AI代理部署，尽管采用率和信心上升，但只有7%实现了既定的投资回报率（ROI）。

一个被称为“tokenomics”的新领域已经出现，用于衡量企业在人工智能上投入的巨额资金的投资回报。

一项大型丹麦研究发现，AI 可为工人节省约 2.8% 的工作时间，但这些收益并未转化为可衡量的商业价值，因为组织未能有意重新分配释放出的产能。

谷歌在AI基础设施上加大投入的信号，将争论焦点从企业是否会投资AI转向哪些企业能从中获利，投资者开始关注投资回报率。

一个讨论帖，询问企业专业人士：与依赖云LLM内置记忆功能相比，构建自定义内部智能体记忆（RAG、知识图谱等）是否值得投资，并探讨投资回报率、数据风险和复杂性。

企业财务团队在AI实施中面临挑战，但专门的背景代理可以自动化发票匹配和银行对账等重复性任务，带来可量化的投资回报率。Varick Agents声称已帮助客户将月末结账时间从12天缩短至5天，每年节省4500万美元。

对2026年AI代理采用情况的分析，引用Gartner、McKinsey和Deloitte的数据显示：预计到2027年超过40%的智能代理AI项目将被取消，不到10%的企业已将其规模化以产生实际价值；编码代理已成为默认实践，部署率超过90%。文章发现，预期的“惊艳”用例分布不均，主要集中在编码辅助和文档检索，而治理机制仍不成熟。

一篇分析文章指出，在科技行业之外，AI的投资回报可能需要更长时间才能实现，因为非科技行业面临采用挑战。

一项分析对比了大语言模型推理中的预填充与解码阶段，探讨在本地大语言模型部署中，预填充在投资回报率方面是否未被充分重视。

Palantir CEO Alex Karp批评了OpenAI和Anthropic等商业AI实验室的API令牌定价模式，认为其回报率极低，并且随着企业寻求对数据和计算的控制，开源权重模型正在胜出。

本文论证了大多数企业需要的是用于自动化重复性工作流程的AI代理，而不仅仅是聊天机器人，并提供了实现更高投资回报率的实施框架。

一个讨论帖，询问AI智能体工作流在实际场景中的ROI，涵盖软件开发、研究、客户支持、运营、销售和数据分析等领域，寻求架构细节、指标及经验教训。

一篇讨论使人工智能盈利的策略和商业计划的文章。

公司们意识到，将非确定性人工智能强行应用于零错误商业环境会适得其反，导致预算削减和试点项目失败，因为投资回报率始终难以实现。

Scott Galloway与Ed Nelson探讨了AI采用成本不断上升的问题，Uber、Microsoft和Salesforce等公司报告称AI支出超出预算且尚未带来明确的ROI，暗示可能出现市场修正。

企业因AI能力而裁减初级岗位，同时承认无法证明AI的投资回报率，这危及了未来高级人才的储备。文中以Uber、Microsoft和Duolingo为例。

一份案例研究表明，使用AI代理为200名创作者生成内容，花费$2,352获得了25,638次下载和$6,635 MRR，每安装成本$0.09，ROI达2.82倍，优于传统TikTok广告。