首席信息官需要更好的方式来核算 IT 中的 AI 工作

在过去的两年里，首席信息官对 IT 中的 AI 有一个简单的目标：将其引入组织，让团队进行实验，看看它能在哪些方面提升服务交付。

IT 组织购买了许可证，开展了试点，并在已经臃肿的软件堆栈中添加了 AI 功能。虽然团队仍在摸索 AI 能做什么时，这样做是有道理的。现在这些支出已经进入真实预算，且 首席财务官想要了解公司花钱得到了什么.

问题在于，首席信息官用来衡量 AI 的许多数字并不能回答该问题。首席信息官可以展示有多少员工使用 AI、使用频率以及他们声称节省了多少时间。财务部门想要知道公司是否花了更少的钱、完成了更多工作或避免了新增招聘。

每周为员工节省五小时听起来很有价值，但公司仍需了解这五小时的去向。如果员工承担了更多工作，或团队能够在不新增人员的情况下支持不断增长的工作负荷，公司就能看到财务结果。 如果其他条件不变，时间节省可能永远不会体现在预算中.

随着公司在 AI 上的投入增加，首席信息官需要更加具体地了解 AI 所完成的工作以及这些工作的成本。

节省的时间并不一定等同于节省的费用

许多 AI 投资回报率的计算以时间为标准——例如，如果 AI 每天为一名员工节省 30 分钟，公司可以将这些分钟乘以数千名员工，从而得到一个非常大的数字。

但业务流程很少如此整齐。工作在不同人员之间流转，需要等待审批并排队。如果 AI 在流程的某一环节节省了十分钟，而随后工作又等待了六小时才由其他人处理，公司并未获得十分钟的有效产能。

对首席信息官而言，更有价值的问题是 AI 是否改变了服务本身的性能。如果访问请求在队列中流转更快，需人工处理的工单更少，或每个请求的成本下降，IT 可以使用已有的运营基准来衡量结果。

Aviva 是一个很好的例子。该保险公司在其理赔运营的变革中使用了超过 80 个 AI 模型，并报告称将责任评估时间缩短了 23 天，投诉率下降了 65%。这些数据向管理层说明了运营的变化，并为财务提供了可衡量的指标。

首席信息官需要将同样的思考方式应用于 AI 投资。在扩大试点之前，他们应明确希望改变业务的哪个部分，以及 AI 为实现此目标需要承担多少工作。

AI 完成的工作是更好的起点

以常见的 IT 访问请求为例。协助工具可能会对工单进行摘要并草拟回复，而 IT 专员则会检查公司政策、验证请求者、获取批准、修改权限并关闭请求。

协助工具可能为员工节省几分钟，但大部分工作仍由员工完成。

再设想一个能够根据公司政策检查请求、收集缺失信息、将请求路由审批并在获得批准后完成更改的 AI 系统。IT 可以看到该 AI 系统完成了多少请求、员工需要介入的频率以及每个请求仍需多少人工工作。

这为首席信息官提供了更清晰的 AI 核算方式。与其估算技术节省了多少分钟，他们可以衡量 AI 完成了多少工作以及完成这些工作所产生的成本。

同样的方法也可适用于 员工入职、内部支持和事件响应。重要的是让 AI 负责公司已经了解并且知道如何衡量的工作。

但你也需要计入人工工作

一个 AI 系统可能会启动 1,000 个入职请求，其中有 600 需要员工介入。如果把全部 1,000 个都称为自动化，会让管理层对 AI 实际处理的工作量产生误判。

这些干预是有成本的。如果客服在请求上工作了几分钟，然后交给员工再花二十分钟完成，那么这二十分钟应计入流程成本。

这意味着 IT 需要 对每项工作的发生情况的记录。它需要了解 AI 做了什么、访问了哪些系统、何时需要审批、员工何时介入以及工作是否真正完成。这些记录可以用于传统的服务台指标，如平均解决时间，同时加入专门针对 AI 的指标，包括干预率和每个完成任务的成本。

安全团队在出现问题时也需要大部分相同的信息。如果 AI 系统更改了错误的权限或采取了本不该采取的操作，他们需要重建事发过程并弄清原因。

保留这些记录为 CIO 提供了一种衡量投资两方面的方法。他们可以看到运行 AI 的成本以及仍需监督和完成工作的人力成本。

AI 获得的责任程度影响经济效益

CIO 还必须决定愿意赋予 AI 多少权限。

权限受限的 AI 系统可能需要员工批准其多数操作。这虽能让人参与其中，但也意味着公司仍需为更多人工付费。

赋予系统更高的权限可能让它自行完成更多工作，但这也让 IT 必须管理更大的风险。能够创建账户或更改权限的系统在出错时可能造成的损害，要远大于只能向员工提供建议的系统。当代理陷入循环、重复同一任务或因指令过于模糊而消耗大量计算资源时，成本也可能意外上升。这些失败同样需要计入经济核算。

不同公司会根据具体工作内容划定不同的界限。对 ROI 计算而言，关键是了解界限所在以及它会产生多少人工参与。

如果 AI 系统能够安全完成 90% 的流程，其经济效益可能与需要每隔一步就有人介入的系统截然不同。

从已有成本的工作入手

CIO 在规划下一轮 AI 投资时，应从已经消耗大量时间或人力的工作开始。

访问请求、员工入职、事件响应和内部支持都为 IT 提供了可量化的对象。公司大致了解自己处理的请求数量、所需的员工时间以及工作常出现瓶颈的环节。

基于此，IT 能确定 AI 能安全处理的环节以及仍需员工介入的部分，并进一步决定对投资的预期成果。

也许团队希望在不增加招聘的情况下处理多 30% 的工单；也许希望降低每个访问请求的成本；也许希望员工在例行支持上花费更少时间，从而有精力处理当前积压的工作。IT 只要了解使用 AI 完成任务的全部成本（包括人工干预），就能为该任务设定目标成本，并判断自动化是否真正值得投入。

AI 开始承担工作后，CIO 可以将预期与实际结果进行对比，了解 AI 完成了多少工作、人员介入的频率以及整个流程的成本。

这为 CIO 与财务部门讨论 AI 投资提供了更简洁的方式。与其为数千分钟的预计节省时间贴上美元标签，不如直接展示 AI 处理的工作量、仍需的人力以及公司是否以更低成本完成了这些工作。