Apollo经济学家：AI对多数企业财务回报为零

巨额投入与零回报的悖论

据Apollo首席经济学家Torsten Slok的观点，尽管企业在人工智能领域投入了巨额资金，且围绕AI的炒作持续升温，但这项技术对美国企业界（科技行业以外）的财务回报几乎为零。这一判断直接挑战了当前市场对AI生产力革命的普遍预期。

Slok的评论并非孤立的声音。过去一年，关于AI投资回报的质疑逐渐从边缘讨论走向主流。企业在GPU集群、云服务合同和AI人才上动辄投入数亿甚至数十亿美元，但在财报中很难找到与之匹配的利润增长或成本节约证据。

为什么科技行业之外难以兑现价值

Slok所指的“科技行业之外”是关键限定。科技巨头本身既是AI基础设施的卖方，也是早期采用者，其云业务和广告推荐系统确实从AI中获得了可量化的收入增长。但对于制造业、零售、金融、医疗等传统行业，AI的落地路径要复杂得多。

一个核心矛盾在于：AI的价值释放需要配套的数据治理、流程重构和组织变革，而这些工作的周期远超资本市场对季度财报的耐心。许多企业购买了AI工具，却缺乏将其嵌入核心业务的能力和意愿，导致投入停留在试点阶段。

“Despite massive investments and widespread hype around artificial intelligence, the technology has delivered zero financial payoff to corporate America outside of tech.” — Apollo首席经济学家

**总拥有成本（TCO）**是评估AI项目经济性的关键框架。它不仅包括GPU算力采购或云服务订阅的直接费用，还涵盖数据清洗与标注、模型微调与维护、系统集成、员工培训、安全合规审计以及因模型输出错误导致的纠错成本。许多企业在立项时只计算了显性的软件许可费，却低估了隐性投入。当推理成本随使用量线性增长、而收益仍停留在个别岗位的效率提升时，TCO往往超出预算数倍，这正是部分AI试点被叫停的直接原因。

**试点困境（Pilot Purgatory）**指企业大量启动AI概念验证项目却难以推进到规模化生产的现象。成因包括：缺乏统一的数据底座导致模型无法跨部门复用；业务流程未重构，AI仅作为外挂工具存在；以及组织内缺乏对模型输出的信任机制。MIT等机构的研究多次指出，多数企业AI试点从未进入生产环境，投入最终沉没。这一概念解释了为何支出高企与财务回报之间出现断层。

企业AI采用的真实图景

从公开调研数据来看，多数企业的AI成熟度仍处于早期。大量项目集中在客服聊天机器人、文档摘要、代码辅助等相对边缘的场景，这些应用虽然能提升个体效率，但难以在损益表上形成显著影响。

另一边，AI基础设施的成本正在上升。推理成本、数据存储和合规支出构成了持续的财务负担。当企业发现AI项目的总拥有成本高于预期收益时，砍预算成为理性选择——这也解释了为何部分企业的AI试点在初期热情消退后陷入停滞。

Slok的观点提醒我们，AI的生产力红利不会自动兑现，它需要时间、试错和组织学习。将AI投资等同于即时回报，本身就是一种误判。

推理成本指模型在每次实际调用（而非训练）时消耗的算力费用，通常按token或请求数计费。与大模型训练的一次性巨额投入不同，推理成本随业务量持续发生，属于运营支出。当企业将AI嵌入客服、搜索或内容生成等高频率场景时，推理账单可能迅速超过预期，尤其在模型参数规模较大或响应延迟要求较高的情形下。这构成了AI项目从试点走向规模化时最容易被低估的财务负担，也是企业重新评估AI预算的重要触发因素。

对投资逻辑的启示

对投资者而言，这一判断意味着需要更审慎地区分“AI叙事”与“AI现金流”。那些仅靠AI概念推高估值、却无法展示具体财务改善的企业，可能面临估值回调压力。相反，真正能将AI嵌入运营并量化其效益的公司——即便节奏缓慢——才具备可持续的竞争力。

Slok的警示并非否定AI的长期价值，而是对短期预期的纠偏。技术革命的历史反复表明，基础设施投资与生产力回报之间存在显著的时间差。当前阶段更需要的，是对AI落地节奏的理性认知，而非对炒作的盲目追随。