引言
围绕 AI 的热情，很容易掩盖一个最基本的问题: 我们凭什么说它真的创造了价值？
“更快了”本身不够，“同事们喜欢用”也不够。价值需要被衡量。
为什么这件事难以衡量？
因为 AI 很少替代整个流程。更多时候，它是在多个小环节上提供支持:
- 信息收集，
- 摘要整理，
- 草稿生成，
- 决策准备，
- 分类整理。
所以它带来的影响也往往是复合的。第一步也许更快了，但 review 时间可能变长；一致性也许提高了，但准确性可能下降。这些必须一起看。
四个核心 KPI
1. 节省时间
任务或流程快了多少？
2. 质量
最终结果是更好、更差，还是基本不变？
3. 返工量
AI 输出需要多少人工修正？
4. 采用率
用户是真的持续使用，还是只是试了一次？
其他值得看的指标
- 可复用性，
- 标准化程度，
- 错误类型分布，
- 异常处理率，
- 客户或内部满意度，
- throughput 变化。
应该避免什么？
虚荣指标
比如 prompt 数量或活跃用户数，单看意义不大。
只算节省了多少分钟
节省下来的时间，并不总是转化成真正释放的业务价值。
只测输出，不测决策质量
很多 use case 里，更好的决策比更快的草稿更重要。
一个简单的测量框架
Baseline
没有 AI 时，现在的流程是什么样？
Pilot measurement
引入 AI 支持后发生了什么变化？
Stabilisation
当团队学会更好地使用 AI 之后，又发生了什么变化？
Scaling benchmark
不同 use case 之间，哪些表现更好？
这个框架能帮助组织基于可学习的模式，而不是基于感觉来决策。
结语
AI 的价值，不在于它看起来多炫，而在于它是否以可衡量的方式改善了运营。
因此，成熟的组织不只是引入 AI，也会围绕它建立一套测量语言。
