FY2027 是大多數 CFO 第一次把 AI 當作需要經營管理的預算科目、而不是需要辯護的戰略賭注——本手冊講的，就是如何做好這件事，同時不扼殺真正有效的專案。
為什麼 FY2027 的 AI 預算規劃與以往不同
過去兩個預算週期，AI 支出生活在受保護的地帶。董事會把它理解為戰略性探索，CFO 用批 R&D 的方式批試點——明知多數會失敗，但期權價值足以覆蓋成本。這個時代正在終結，數字說明了原因：Gartner（2025）估計超過 40% 的智慧體專案將在 2027 年底前被取消；被廣泛引用的 MIT 研究（2025）把沒有可衡量損益影響的生成式 AI 試點比例推到接近 95%。當這樣的失敗率成為公開知識，「相信探索」就不再是一個可持續的預算姿態。
因此 FY2027 的規劃在性質上不同，而不只是程度不同。三個結構性變化定義了它：
- AI 從專案制經費轉為可見的執行成本。 過去的一次性試點預算，現在包含了按月發生的模型、基礎設施與平臺成本——它們像軟體訂閱費，卻又隨用量而非席位伸縮。
- 財務在架構桌上獲得一席。 請求路由到哪些模型、是否自建推理、內部用量如何計量——這些決策直接決定成本曲線，既是技術問題，也是財務問題。
- 分析單元從「AI 專案」轉為「被改善的決策」。 FY2027 的立項標準不再是「是否創新」，而是「是否可度量地讓某個具體決策更快、更省、更準——並且能否用事先約定的數字證明」。
麥肯錫（2025）發現，只有約四分之一的 AI 採用組織報告了企業級 EBIT 影響。對預算規劃而言，這個含義令人不適但清晰：貴組織當前在 AI 上的大部分支出，按證據判斷尚未產生回報。下面這本手冊，就是關於找出哪一部分在產生回報、把它投足，並停掉其餘部分。
結構劃分：平臺與試點怎麼分
FY2027 AI 預算的第一個架構決策根本不是技術決策——而是多少預算給實驗、多少給工業化。FY2025 與 FY2026 的多數 AI 預算在結構上就是傾斜的：70%–90% 的支出沉在試點裡，每個試點自帶工具鏈、自帶資料管道、自帶評估標準。這種結構產出的正是它被設計來產出的東西——很多實驗，很少生產系統。
對 FY2027 而言，對已跨過探索期的組織，更健康的結構是把比例倒過來。一個可參考的框架：
| 預算成分 | FY2026 典型佔比 | FY2027 建議佔比 | 資助內容 |
|---|---|---|---|
| 實驗與新試點 | 60%–80% | 15%–25% | 固定價、限定週期的新用例驗證 |
| 生產平臺與資料就緒 | 10%–20% | 35%–45% | 語義層、許可權體系、聯結器（如基於 MCP）、整合與可觀測性 |
| 運營與治理 | 5%–10% | 20%–30% | 監控、評估框架、審計軌跡、模型成本管理 |
| 技能與變革採納 | 5%–10% | 10%–15% | 讓決策者與分析師會用 AI 交付的工作流 |
轉向的邏輯：平臺成本可在用例之間攤薄，試點不能。每個硬編碼了自己那套資料整合的試點，都是對未來每個試點徵的稅。預算中的平臺份額，正是讓第十個用例的成本降到第一個用例兩成的原因——而這條成本曲線，而不是任何單個用例，才是持久價值聚集之處。
要避免的失敗模式恰恰是映象：在任何一個試點證明價值之前就過度集中。如果貴組織尚未展示出哪怕一個有說服力單位經濟的用例，就不要按 40% 投平臺——先投兩三個可證偽的試點，讓證據來決定分配。上表的前提是探索期已經完成；若未完成，先便宜地把它做完。
新科目：如何為大模型與 token 運營成本建模
FY2027 的預算裡出現了兩年前完全沒有對應物的成本科目，而多陣列織仍在糟糕地為其建模。基於 token 的模型成本與任何傳統 IT 成本都不同：它隨對話量伸縮、對架構選擇高度敏感，並且在第一張賬單到來之前，就可能因為前置決策產生十倍波動。
把模型成本科目拆成四個組成部分：
- 按用例的推理支出。 不是一條籠統的「AI 成本」，而是每個生產用例一條、單獨計量。客服摘要用例和分析師副駕的 token 畫像天差地別，必須分開編列。
- 模型分層。 把簡單查詢路由到更便宜的模型，把旗艦模型留給真正需要的任務。實踐中，架構得當的部署會把 60%–80% 的請求路由到中小型模型；與「全部走旗艦模型」相比，智慧分層在同一負載上的成本差通常是 3–5 倍。
- 上下文與檢索成本。 每個拖著大上下文視窗過模型的查詢都在為視窗付費。最佳化檢索——送進去更少、更相關的資料——既是質量槓桿，也是成本槓桿。
- 評估與護欄成本。 跑評測、做紅隊、上監控，本身也產生推理支出。相對生產流量它很小，但必須單列，否則會被默默吸收，然後被怨恨。
兩條預算紀律可以讓這一切可控。第一，要求每個 AI 科目都設用量封頂，並在用量達到 80% 時觸發預算告警——真正損害財務與 AI 專案關係的，不是絕對金額，而是意外。第二，一旦某個用例的月度用量穩定，就談判承諾用量價；2024 至 2026 年旗艦模型價格大幅下行，週期中途完成重談的組織捕獲了可觀的節省。IDC（2024）支出預測中平臺與服務增速快於裸模型 API，反映的正是這種成熟。
單位經濟：CFO 的核心 AI 指標
FY2027 的每一個 AI 立項決策都應能還原為一個問題：這個工作負載一個單位的成本是多少，這個單位值多少錢？這套紀律借鑑自 SaaS 與平臺業務，並且可以乾淨地遷移。
按用例定義「單位」。對話式 BI 的單位可以是「一次帶許可權、帶來源的資料問答」；文件處理管線的單位是「一份被抽取並校驗的合同」；客服副駕的單位是「一次被輔助的客戶互動」。然後做出財務真正能治理的那張表：
| 用例 | 單位 | 單位成本（建模） | 同一單位的人工基線成本 | 月度用量 | 穩態月度淨收益 |
|---|---|---|---|---|---|
| 對話式 BI（IM 原生） | 一次資料問答 | HKD 0.4–1.2 | HKD 15–30（分析師時間） | 40,000 | 顯著，以人力時間為主 |
| 合同抽取 | 處理一份文件 | HKD 2–5 | HKD 60–120（稽核時間） | 3,000 | 顯著，以週期縮短為主 |
| 客服互動副駕 | 輔助一次互動 | HKD 0.8–2.0 | HKD 8–15（單次處理時長差） | 25,000 | 顯著，質量+時長雙驅動 |
以上數字是示意性的建模錨點，不是行業基準——但「形狀」才是重點。注意兩個性質。第一，單位成本是幾毛幾塊，基線成本是幾十塊；AI 用例的經濟性幾乎總是由它替代或加速的人力時間主導，而不是由 token 價格主導。第二，用量決定一切：單位經濟極好的用例在月 4 萬次查詢時有意義，在月 400 次時無關緊要——這也是為什麼採用率（而非準確率）是 AI 專案錯過商業論證的最常見原因。
把麥肯錫（2025）那個「僅約 25% 的採用組織報告企業級 EBIT 影響」放回單位經濟的語言裡，它更多是用量問題而非成本問題。因此 FY2027 的預算應當把「採用機制」——例如把 AI 嵌入工作已經發生的地方，如訊息平臺——與技術本身放在同等嚴肅的位置上資助。
清理殭屍試點：一次有原則的淘汰
手握超過五個 AI 專案的企業必然有殭屍專案：評估視窗早在數月前結束、不產出任何與決策相關的指標、只因沒人負責喊停而存活的試點。Gartner（2024）曾預測約 30% 的生成式 AI 專案會在概念驗證後被放棄；FY2027 預算週期，正是貴組織正式、有意執行這次放棄的時刻，而不是聽任其自然耗散。
有原則的淘汰分三步。第一步：先公佈標準，再開始審查。 建議的門檻：每個專案必須說出它的負責人、它改善的決策、月度執行成本、以及一個事先約定的可度量結果。四缺二即進入審查佇列。第二步：一次性對標準完成審查。 審查是行政動作，不是政治動作——標準在做決定。第三步：限期關停，且透明地再分配。 釋放出的預算應在本週期內流向上述平臺與運營科目，讓這次淘汰看起來是在為某些東西注資，而不只是刪除某些東西。
兩種失敗模式值得點名。「沉沒成本型殭屍」靠發起人彙報了一整年而存活；解法是要求可證偽的結果，而不是進展敘事。「隱身型殭屍」靠把執行成本藏進雲賬單或團隊運營預算而存活；解法是完整盤點——每個 AI 專案、一頁紙、四個欄位。被廣泛引用的 MIT 研究（2025）把無價值生成式試點的比例推到接近 95%；貴組織的數字會低一些，但不會是零，FY2027 預算應當按「這個數字不會太小」來編制。
採購管控點：買 AI 而不買意外
AI 採購有幾個經典軟體採購流程處理不好的特徵：可能失控的按量計價、隨供應商更新而變化的模型行為、以及跨越組織邊界的資料流。把以下五個管控點寫進 FY2027 的標準流程，就能堵住大部分缺口：
- 管控點一——資料流披露。 資料在哪裡流轉、存在哪裡、是否被用於供應商模型訓練、訪問如何撤銷？答案要寫進合同附件，而不是停留在銷售演示裡。
- 管控點二——許可權架構。 系統必須在查詢時刻執行發起使用者的資料許可權。任何靠上帝許可權服務賬號作答的工具，凡涉及受監管資料一律出局——IBM（2025）發現遭遇 AI 相關洩露的組織中 97% 缺乏 AI 訪問控制。
- 管控點三——可定價的用量模型。 供應商報價必須能表達為「每個工作負載單位的成本」（每次問答、每份文件），並帶量檔與封頂。供應商說不出單位經濟，意外就歸買方。
- 管控點四——評估權。 在合同中保留在續約前用自己的資料執行事先約定準確性測試的權利。模型更新會靜默改變行為；續約決策需要證據。
- 管控點五——退出與可遷移。 定義終止時對話日誌、向量與配置如何處置。這在簽約時談判很便宜，事後重談幾乎不可能。
對限定週期的採購——尤其是試點——財務應偏好的結構是：小額、有期限、可證偽。一個固定價格兩週、HKD 25k 量級、針對特定工作流並對照事先約定指標驗證的試點，是比十倍價格的六個月探索性合作更好的金融工具：下行有界，每塊錢的資訊產出更高。
價值閘門：讓 AI 支出可被證偽
本手冊的最後一塊拼圖，是讓前面一切機制可被強制執行的裝置：附加在每一筆 AI 支出上的、事先約定的價值閘門。價值閘門是部署之前寫下的承諾——若指標在檢查日未達標，下一筆資金不放行。它把 AI 預算從敘事練習變成受控實驗，而後者是財務唯一能規模化治理的形式。
價值閘門的設計規則：
- 指標必須是決策級，而非模型級。 「95% 回答準確率」是模型指標；「店長每天使用，補貨決策提前兩天發生」是決策指標。資助後者。
- 基線靠測量，不靠聲稱。 在部署前兩週測量目標決策的當前成本與週期時間。基線未測量的閘門等於可以重新協商的閘門——也就不再是閘門。
- 檢查視窗要短。 30 到 60 天，對齊用量資料的累積速度。年度價值閘門是 AI 專案無聲死去的所在。
- 後果必須為真。 未達標的閘門必須真的不放行——不是「可以有例外」，不是「再給一個計劃」。一個被嚴格執行的閘門，為整個 AI 組合買來的信譽，超過十個被彎折的閘門。
麥肯錫（2025）與 IDC（2024）指向同一個方向：AI 價值正在向把度量工業化的組織集中。價值閘門機制，就是 CFO 在不必親自評審檢索架構的前提下引入這種紀律的方式——閘門自己會治理。
一份示意性的 FY2027 預算分配
下表為一家中型企業（年度 AI 預算約 HKD 1,200 萬–1,800 萬）勾勒參考分配，前提是已完成探索期、且有 2–3 個用例待工業化。它是談判的起點，不是處方。
| 預算科目 | 佔比 | 示例內容 | 治理用價值閘門 |
|---|---|---|---|
| 生產平臺與資料就緒 | 40% | 語義層、帶許可權的聯結器、IM 原生交付（企業微信/釘釘/飛書/WhatsApp/Teams）、可觀測性 | 第十個用例的邊際部署成本 ≤ 首個用例的 30% |
| 已工業化用例（執行） | 25% | 2–3 個生產負載：推理、整合、支援 | 每個工作負載單位成本逐月控制在建模預算 ±20% 內 |
| 治理、安全與評估 | 15% | 審計軌跡、訪問控制、評估框架、監控 | 零關鍵審計發現；每用例每月跑評估 |
| 新實驗 | 15% | 固定價、限定週期試點（如兩週 HKD 25k 模式） | 每個試點在 30 天指標上透過或出局 |
| 技能與採納 | 5% | 培訓、工作流重設計、種子使用者網路 | 第 60 天活躍使用率 ≥ 持證使用者的 60% |
讀這張表的三點說明。第一，實驗線是有意設上限的——這正是對 FY2025、FY2026 試點氾濫的結構性防禦。第二，採納線的金額很小，槓桿卻極大；麥肯錫（2025）那個 25% 在相當程度上是採納失敗，而花在流程重設計上的 5% 常常是全表回報率最高的一行。第三，每一行都有閘門——因為在 FY2027，CFO 的職責不再是決定組織「信不信 AI」，而是確保剩下的每一塊錢 AI 支出都還在掙自己的位置。
