如果说过去几年我在董事会会议上听到的问题是：“我们可以用人工智能做什么？”，那么今天这个问题就简单多了：“钱在哪里？”
这种关注点的转变不仅仅是市场认知，更是一种财务警示。Forrester 的最新数据显示，大多数押注人工智能快速投资回报的公司今年都将缩减投资规模。
原因何在？他们惨痛地发现，创建一个漂亮的“试点”项目和在不超出预算或违反合规规定的前提下，在公司遗留系统中实施人工智能之间有着巨大的差别。
巴西的现状加剧了这种困境。由于Selic利率承压，资本成本居高不下，“犯错的代价”已变得难以承受。创新再也不能被视为一种爱好。
要么这项技术会影响最终利润，要么它会在第二季度之前从预算中削减。
我承认，作为一名从单色显示器时代就开始从事科技创业的企业家，我对这一转变感到欣慰。人工智能从来都不是推高股价的灵丹妙药，尽管许多人试图用它来达到这个目的。
本质上，它是一款工作流程重组工具。正如麻省理工学院和沃顿商学院的最新数据显示，只有那些敢于重新设计端到端流程的组织才能获得真正且可持续的价值。
对于其他人来说，仍然存在着司机永远无法晋升的挫败感，以及在资本成本高昂的情况下资金的浪费。
为什么人工智能会“摧毁”你的资产负债表，但你仍然应该投资。
很多管理者仍然问我，为什么他们的AI项目无法成功。答案往往在于缺乏坚实的基础。
试图在缺乏系统数据的情况下实现高级人工智能，就像试图用掺假燃料参加一级方程式赛车一样。赛车或许动力强劲，但第一圈就会熄火。
“拥有人工智能”和“利用人工智能赚钱或提高效率”之间存在着明显的区别。麻省理工学院去年发表了一篇论文，该论文广为流传。
这篇文章表明，尽管投资额在 300 亿美元到 400 亿美元之间，但 95% 的组织并没有从其人工智能项目中获得可衡量的投资回报 (ROI)。
为了了解这些成功者与其他人之间的区别，我决定分析那 5% 的成功者。
他们不仅仅利用人工智能来加快撰写电子邮件的速度。他们利用这项技术来改变公司的运作方式；他们不只是将旧任务自动化，而是质疑这些任务是否还应该存在。
但如果这项技术具有革命性意义，为什么缺乏明确的衡量标准，利润空间又为何受到挤压？答案不在于技术本身，而在于人工智能经济、社交媒体造成的预期膨胀、企业缺乏衡量标准以及传统会计制度之间存在的结构性错配。
第一个误区是认为人工智能的价值仅仅体现在新增收入或成本降低上；实际上，人工智能的大部分投资回报率在传统的损益表中是“隐形的”，因为它体现为成本规避。而作为一名服务型企业从业者，我可以肯定地说，“成本规避”是长期提升利润率的唯一途径。
以客户服务部门为例，这是人工智能在现实世界中最早取得重大成功案例之一。通过使用聊天机器人，现有团队无需招聘新员工即可处理多 20% 的请求；其真正的价值在于“无需招聘员工”的策略。
然而，会计账目并不记录“未付工资”，而且人工智能工具、代币和技术的成本有时甚至高于新员工的成本，这主要是由于汇率差异造成的。结果看似矛盾：公司运营效率提高了，但短期财务指标却恶化了。
过去，投资技术意味着购买服务器和永久许可证（资本支出——资本扩张）。这笔资金虽然离开了现金流，但却作为一项缓慢折旧的资产进入了资产负债表，从而保障了净利润。
人工智能经济颠覆了这一逻辑；基础设施如今在云端租赁，且使用是持续性的。每次与模型交互都会产生运营支出（Opex）。从会计角度来看，这会立即降低息税折旧摊销前利润（EBITDA）和净利润，而资产基础却保持不变。从数学角度来看，这会在短期内严重影响净资产收益率（ROE），使公司在构建未来竞争优势的关键时期显得效率低下。
不存在所谓的“未进行的招聘”或“未避免的错误”。
如何在不被炒作所迷惑的情况下摆脱陷阱？
如果问题不在于技术本身，而在于我们如何决定、衡量和管理人工智能，那么正确的问题就不再是“这能带来多少回报？”，而是“这在什么情况下有意义？”
哈佛商学院的文章《组织机构的人工智能行动指南》正是在这方面，通过提供清晰的选择标准来帮助组织高管的思维。
正如我们一直以来衡量事物的方式存在偏差一样，大多数公司也试图在错误的地方使用人工智能。与其从技术本身的功能出发，不如从任务的性质以及与之相关的错误成本出发。
这就创建了一个战略矩阵（如下图所示） ，可以去伪存真，保护您的现金流：
并非所有工作都相同；有些任务高度依赖于隐性知识、人的判断、背景信息、经验积累以及对环境的政治意识。而另一些任务则基于明确的数据、清晰的规则、重复的模式以及大量的工作。
1. “零后悔区”：低错误成本、结构化数据。这里可以快速提高效率，降低运营成本，例如：初步简历筛选、撰写运营邮件、会议总结等任务。
我主导的第一个运用生成式人工智能的大型项目是一个有超过4800名申请者的选拔流程。我们使用人工智能进行初步筛选，并根据人力资源部的标准，选出前200名，给他们打分并解释分数背后的原因。
联合利华最近宣布，借助类似的工具，其招聘时间从 4 个月缩短至 4 周！
因此，在第一象限，计划是直接实现完全自动化！人工智能可以搞定一切，无需人工审核每个逗号，投资回报立竿见影且简单易得，因为它解放了团队的时间。
2. 辅助驾驶模式：高错误成本，结构化数据。例如编程或法律合同。人工智能可以在几秒钟内生成代码或草拟，但任何错误都可能导致软件停止运行或引发诉讼。
律师事务所已经开始看到，使用从他们自己的数据库训练的合同生成器，采用他们的写作风格，并具备 SLM（小型语言模型，传统 LLM 的紧凑和特定版本）的所有安全性，取得了成效。
这个象限的方案是让AI负责生成，人类负责审核！这样既能提高速度，又能保证安全性，技术生产力也将大幅提升。
3. 替代方案的创造者：犯错成本低，拥有隐性知识。营销头脑风暴、设计理念、标语……这里的“错误”仅仅是指可以舍弃的糟糕想法。
如今，在2025年圣诞节，可口可乐公司携手OpenAI和贝恩公司推出了“创造真实魔法”（Create Real Magic）平台。结果显示，来自43个市场的超过100万用户与该工具进行了互动，生成了数千种创意十足的变体方案。
在这种情况下，人工智能可以很好地生成交易量和选项，然后由人来选择最佳方案。这既能提高创造力，又不会带来财务风险。
4. “人为指令”领域：错误成本高昂，依赖隐性知识。近年来，许多公司正是在这个领域损失了数亿美元，因为他们将战略决策、裁员、复杂的医疗诊断或高风险投资等工作交给人工智能，而这绝对不应该发生。
在这种情况下，人工智能仅仅是研究助手；它的存在是为了将无关紧要的工作从组织中那些杰出的人才手中解放出来。最终的决策权始终掌握在人手中。试图用人工智能取代这方面的人才来“改善财务报表”，是摧毁公司长期价值的最快途径。
解决方案也不会涉及技术方面。
人工智能项目失败更多是由于指标选择不当而非技术故障。仅仅依靠直接且短期的投资回报率来评估人工智能，很容易扼杀一些有前景的项目；管理良好的项目会使用清晰的中间指标：周期时间、处理量、实际采用率、异常减少率以及系统随时间推移的学习情况。
投资回报率成为早期生存的结果，而不是标准。
对领导者而言，挑战有两方面：首先，要接受传统会计（损益表）无法涵盖所有相关信息；其次，要有足够的自律性，将人工智能应用于上述矩阵中正确的领域。我们必须停止问“人工智能能带来多少回报”，而应该开始关注：“它应用于哪种类型的任务？出错的真正成本是多少？”
挑战依然巨大，但我看到了一些积极的迹象。试图将策略自动化会进入哈佛矩阵中的高风险象限；另一方面，忽视基础环节的自动化则可能因效率低下而导致失败。
秘诀不在于停止投资，而在于懂得如何引导企业，因为人工智能不会摧毁资产负债表，它只会暴露（而且往往是无情地暴露）结构不良的决策。
*Henrique de Castro 是 New Rizon 的首席执行官，他是一位来自麻省理工学院的人工智能数据科学家，拥有 Insper 的高级工商管理硕士学位，目前正在 FGV 攻读竞争力管理硕士学位。
