FY2027 是大多数 CFO 第一次把 AI 当作需要经营管理的预算科目、而不是需要辩护的战略赌注——本手册讲的，就是如何做好这件事，同时不扼杀真正有效的项目。
为什么 FY2027 的 AI 预算规划与以往不同
过去两个预算周期，AI 支出生活在受保护的地带。董事会把它理解为战略性探索，CFO 用批 R&D 的方式批试点——明知多数会失败，但期权价值足以覆盖成本。这个时代正在终结，数字说明了原因：Gartner（2025）估计超过 40% 的智能体项目将在 2027 年底前被取消；被广泛引用的 MIT 研究（2025）把没有可衡量损益影响的生成式 AI 试点比例推到接近 95%。当这样的失败率成为公开知识，「相信探索」就不再是一个可持续的预算姿态。
因此 FY2027 的规划在性质上不同，而不只是程度不同。三个结构性变化定义了它：
- AI 从项目制经费转为可见的运行成本。 过去的一次性试点预算，现在包含了按月发生的模型、基础设施与平台成本——它们像软件订阅费，却又随用量而非席位伸缩。
- 财务在架构桌上获得一席。 请求路由到哪些模型、是否自建推理、内部用量如何计量——这些决策直接决定成本曲线，既是技术问题，也是财务问题。
- 分析单元从「AI 项目」转为「被改善的决策」。 FY2027 的立项标准不再是「是否创新」，而是「是否可度量地让某个具体决策更快、更省、更准——并且能否用事先约定的数字证明」。
麦肯锡（2025）发现，只有约四分之一的 AI 采用组织报告了企业级 EBIT 影响。对预算规划而言，这个含义令人不适但清晰：贵组织当前在 AI 上的大部分支出，按证据判断尚未产生回报。下面这本手册，就是关于找出哪一部分在产生回报、把它投足，并停掉其余部分。
结构划分：平台与试点怎么分
FY2027 AI 预算的第一个架构决策根本不是技术决策——而是多少预算给实验、多少给工业化。FY2025 与 FY2026 的多数 AI 预算在结构上就是倾斜的：70%–90% 的支出沉在试点里，每个试点自带工具链、自带数据管道、自带评估标准。这种结构产出的正是它被设计来产出的东西——很多实验，很少生产系统。
对 FY2027 而言，对已跨过探索期的组织，更健康的结构是把比例倒过来。一个可参考的框架：
| 预算成分 | FY2026 典型占比 | FY2027 建议占比 | 资助内容 |
|---|---|---|---|
| 实验与新试点 | 60%–80% | 15%–25% | 固定价、限定周期的新用例验证 |
| 生产平台与数据就绪 | 10%–20% | 35%–45% | 语义层、权限体系、连接器（如基于 MCP）、集成与可观测性 |
| 运营与治理 | 5%–10% | 20%–30% | 监控、评估框架、审计轨迹、模型成本管理 |
| 技能与变革采纳 | 5%–10% | 10%–15% | 让决策者与分析师会用 AI 交付的工作流 |
转向的逻辑：平台成本可在用例之间摊薄，试点不能。每个硬编码了自己那套数据集成的试点，都是对未来每个试点征的税。预算中的平台份额，正是让第十个用例的成本降到第一个用例两成的原因——而这条成本曲线，而不是任何单个用例，才是持久价值聚集之处。
要避免的失败模式恰恰是镜像：在任何一个试点证明价值之前就过度集中。如果贵组织尚未展示出哪怕一个有说服力单位经济的用例，就不要按 40% 投平台——先投两三个可证伪的试点，让证据来决定分配。上表的前提是探索期已经完成；若未完成，先便宜地把它做完。
新科目：如何为大模型与 token 运营成本建模
FY2027 的预算里出现了两年前完全没有对应物的成本科目，而多数组织仍在糟糕地为其建模。基于 token 的模型成本与任何传统 IT 成本都不同：它随对话量伸缩、对架构选择高度敏感，并且在第一张账单到来之前，就可能因为前置决策产生十倍波动。
把模型成本科目拆成四个组成部分：
- 按用例的推理支出。 不是一条笼统的「AI 成本」，而是每个生产用例一条、单独计量。客服摘要用例和分析师副驾的 token 画像天差地别，必须分开编列。
- 模型分层。 把简单查询路由到更便宜的模型，把旗舰模型留给真正需要的任务。实践中，架构得当的部署会把 60%–80% 的请求路由到中小型模型；与「全部走旗舰模型」相比，智能分层在同一负载上的成本差通常是 3–5 倍。
- 上下文与检索成本。 每个拖着大上下文窗口过模型的查询都在为窗口付费。优化检索——送进去更少、更相关的数据——既是质量杠杆，也是成本杠杆。
- 评估与护栏成本。 跑评测、做红队、上监控，本身也产生推理支出。相对生产流量它很小，但必须单列，否则会被默默吸收，然后被怨恨。
两条预算纪律可以让这一切可控。第一，要求每个 AI 科目都设用量封顶，并在用量达到 80% 时触发预算告警——真正损害财务与 AI 项目关系的，不是绝对金额，而是意外。第二，一旦某个用例的月度用量稳定，就谈判承诺用量价；2024 至 2026 年旗舰模型价格大幅下行，周期中途完成重谈的组织捕获了可观的节省。IDC（2024）支出预测中平台与服务增速快于裸模型 API，反映的正是这种成熟。
单位经济：CFO 的核心 AI 指标
FY2027 的每一个 AI 立项决策都应能还原为一个问题：这个工作负载一个单位的成本是多少，这个单位值多少钱？这套纪律借鉴自 SaaS 与平台业务，并且可以干净地迁移。
按用例定义「单位」。对话式 BI 的单位可以是「一次带权限、带来源的数据问答」；文档处理管线的单位是「一份被抽取并校验的合同」；客服副驾的单位是「一次被辅助的客户交互」。然后做出财务真正能治理的那张表：
| 用例 | 单位 | 单位成本（建模） | 同一单位的人工基线成本 | 月度用量 | 稳态月度净收益 |
|---|---|---|---|---|---|
| 对话式 BI（IM 原生） | 一次数据问答 | HKD 0.4–1.2 | HKD 15–30（分析师时间） | 40,000 | 显著，以人力时间为主 |
| 合同抽取 | 处理一份文档 | HKD 2–5 | HKD 60–120（审核时间） | 3,000 | 显著，以周期缩短为主 |
| 客服交互副驾 | 辅助一次交互 | HKD 0.8–2.0 | HKD 8–15（单次处理时长差） | 25,000 | 显著，质量+时长双驱动 |
以上数字是示意性的建模锚点，不是行业基准——但「形状」才是重点。注意两个性质。第一，单位成本是几毛几块，基线成本是几十块；AI 用例的经济性几乎总是由它替代或加速的人力时间主导，而不是由 token 价格主导。第二，用量决定一切：单位经济极好的用例在月 4 万次查询时有意义，在月 400 次时无关紧要——这也是为什么采用率（而非准确率）是 AI 项目错过商业论证的最常见原因。
把麦肯锡（2025）那个「仅约 25% 的采用组织报告企业级 EBIT 影响」放回单位经济的语言里，它更多是用量问题而非成本问题。因此 FY2027 的预算应当把「采用机制」——例如把 AI 嵌入工作已经发生的地方，如消息平台——与技术本身放在同等严肃的位置上资助。
清理僵尸试点：一次有原则的淘汰
手握超过五个 AI 项目的企业必然有僵尸项目：评估窗口早在数月前结束、不产出任何与决策相关的指标、只因没人负责喊停而存活的试点。Gartner（2024）曾预测约 30% 的生成式 AI 项目会在概念验证后被放弃；FY2027 预算周期，正是贵组织正式、有意执行这次放弃的时刻，而不是听任其自然耗散。
有原则的淘汰分三步。第一步：先公布标准，再开始审查。 建议的门槛：每个项目必须说出它的负责人、它改善的决策、月度运行成本、以及一个事先约定的可度量结果。四缺二即进入审查队列。第二步：一次性对标准完成审查。 审查是行政动作，不是政治动作——标准在做决定。第三步：限期关停，且透明地再分配。 释放出的预算应在本周期内流向上述平台与运营科目，让这次淘汰看起来是在为某些东西注资，而不只是删除某些东西。
两种失败模式值得点名。「沉没成本型僵尸」靠发起人汇报了一整年而存活；解法是要求可证伪的结果，而不是进展叙事。「隐身型僵尸」靠把运行成本藏进云账单或团队运营预算而存活；解法是完整盘点——每个 AI 项目、一页纸、四个字段。被广泛引用的 MIT 研究（2025）把无价值生成式试点的比例推到接近 95%；贵组织的数字会低一些，但不会是零，FY2027 预算应当按「这个数字不会太小」来编制。
采购管控点：买 AI 而不买意外
AI 采购有几个经典软件采购流程处理不好的特征：可能失控的按量计价、随供应商更新而变化的模型行为、以及跨越组织边界的数据流。把以下五个管控点写进 FY2027 的标准流程，就能堵住大部分缺口：
- 管控点一——数据流披露。 数据在哪里流转、存在哪里、是否被用于供应商模型训练、访问如何撤销？答案要写进合同附件，而不是停留在销售演示里。
- 管控点二——权限架构。 系统必须在查询时刻执行发起用户的数据权限。任何靠上帝权限服务账号作答的工具，凡涉及受监管数据一律出局——IBM（2025）发现遭遇 AI 相关泄露的组织中 97% 缺乏 AI 访问控制。
- 管控点三——可定价的用量模型。 供应商报价必须能表达为「每个工作负载单位的成本」（每次问答、每份文档），并带量档与封顶。供应商说不出单位经济，意外就归买方。
- 管控点四——评估权。 在合同中保留在续约前用自己的数据运行事先约定准确性测试的权利。模型更新会静默改变行为；续约决策需要证据。
- 管控点五——退出与可迁移。 定义终止时对话日志、向量与配置如何处置。这在签约时谈判很便宜，事后重谈几乎不可能。
对限定周期的采购——尤其是试点——财务应偏好的结构是：小额、有期限、可证伪。一个固定价格两周、HKD 25k 量级、针对特定工作流并对照事先约定指标验证的试点，是比十倍价格的六个月探索性合作更好的金融工具：下行有界，每块钱的信息产出更高。
价值闸门：让 AI 支出可被证伪
本手册的最后一块拼图，是让前面一切机制可被强制执行的装置：附加在每一笔 AI 支出上的、事先约定的价值闸门。价值闸门是部署之前写下的承诺——若指标在检查日未达标，下一笔资金不放行。它把 AI 预算从叙事练习变成受控实验，而后者是财务唯一能规模化治理的形式。
价值闸门的设计规则：
- 指标必须是决策级，而非模型级。 「95% 回答准确率」是模型指标；「店长每天使用，补货决策提前两天发生」是决策指标。资助后者。
- 基线靠测量，不靠声称。 在部署前两周测量目标决策的当前成本与周期时间。基线未测量的闸门等于可以重新协商的闸门——也就不再是闸门。
- 检查窗口要短。 30 到 60 天，对齐用量数据的累积速度。年度价值闸门是 AI 项目无声死去的所在。
- 后果必须为真。 未达标的闸门必须真的不放行——不是「可以有例外」，不是「再给一个计划」。一个被严格执行的闸门，为整个 AI 组合买来的信誉，超过十个被弯折的闸门。
麦肯锡（2025）与 IDC（2024）指向同一个方向：AI 价值正在向把度量工业化的组织集中。价值闸门机制，就是 CFO 在不必亲自评审检索架构的前提下引入这种纪律的方式——闸门自己会治理。
一份示意性的 FY2027 预算分配
下表为一家中型企业（年度 AI 预算约 HKD 1,200 万–1,800 万）勾勒参考分配，前提是已完成探索期、且有 2–3 个用例待工业化。它是谈判的起点，不是处方。
| 预算科目 | 占比 | 示例内容 | 治理用价值闸门 |
|---|---|---|---|
| 生产平台与数据就绪 | 40% | 语义层、带权限的连接器、IM 原生交付（企业微信/钉钉/飞书/WhatsApp/Teams）、可观测性 | 第十个用例的边际部署成本 ≤ 首个用例的 30% |
| 已工业化用例（运行） | 25% | 2–3 个生产负载：推理、集成、支持 | 每个工作负载单位成本逐月控制在建模预算 ±20% 内 |
| 治理、安全与评估 | 15% | 审计轨迹、访问控制、评估框架、监控 | 零关键审计发现；每用例每月跑评估 |
| 新实验 | 15% | 固定价、限定周期试点（如两周 HKD 25k 模式） | 每个试点在 30 天指标上通过或出局 |
| 技能与采纳 | 5% | 培训、工作流重设计、种子用户网络 | 第 60 天活跃使用率 ≥ 持证用户的 60% |
读这张表的三点说明。第一，实验线是有意设上限的——这正是对 FY2025、FY2026 试点泛滥的结构性防御。第二，采纳线的金额很小，杠杆却极大；麦肯锡（2025）那个 25% 在相当程度上是采纳失败，而花在流程重设计上的 5% 常常是全表回报率最高的一行。第三，每一行都有闸门——因为在 FY2027，CFO 的职责不再是决定组织「信不信 AI」，而是确保剩下的每一块钱 AI 支出都还在挣自己的位置。
