AI实施投资回报率测算

解决什么问题

企业在引入AI能力时，常面临一个核心难题：如何量化预期收益与实际投入的关系？如果仅凭经验估算，很容易低估或高估成本，导致项目半途而废或错过最佳窗口期。AI实施投资回报率测算 专为解决这一问题而设计——通过结构化的输入收集与财务模型，把模糊的“AI可能有效”转化为可审计、可对比的财务数据，帮助决策者用工程思维而非直觉判断AI投资的可行性。

技能如何工作

该技能的核心是 “输入→计算→输出”的闭环流程，分为四个关键步骤：

1. 输入采集：根据 references/inputs.md 定义的必填项（如当前人力成本、流程耗时、AI工具采购费用）和可选项（如折现率、生产率提升系数），通过一次分类询问补全缺失信息，避免零散提问。
2. 保守默认值：对于用户未提供的可选项，自动采用预设的保守值（如“生产率提升保守取10%”），并明确标注“已应用默认值”，确保结果可追溯。
3. 指标计算：基于 references/methodology.md 中的公式，计算月度净节省（扣除实施成本）、回本周期（payback period）、12个月ROI、NPV（净现值）和生产率增益，形成完整的财务视图。
4. 场景对比：生成保守/基准/乐观三种场景，并提供至少三种对比方案（如“仅引入AI工具”“AI+流程再造”“分阶段实施”），通过横向对比暴露关键变量对结果的影响。

最终，技能会输出一份符合 references/output-template.md 结构的 roi-analysis.md 报告，包含数据源、计算假设、敏感性分析（如“人力成本波动±20%时回本周期的变化”）和明确建议（如“建议分阶段实施，优先在XX环节试点”）。

适用边界与注意点

• 数据依赖性：结果准确性高度依赖输入数据的质量。若用户提供的成本或工时数据存在偏差，报告结论需结合实地验证使用。
• 保守性原则：默认值设计为“不夸大收益、不忽略潜在成本”，但用户若提供乐观参数（如“AI减少80%工时”），结果将直接反映该假设，需自行承担决策风险。
• 外部操作限制：技能仅生成分析报告，不会自动执行安装、付款或部署操作。涉及外部写入（如“将报告发送至财务部”）时，需用户明确确认目标与影响。
• 安全边界：凭据仅用于用户指定的官方服务，不记录、不回显；命令和代码默认作为参考，仅在用户明确要求且范围清晰时执行。