企業 AI 投資回報率新指標：每美元有用智慧（Useful Intelligence Per Dollar）

「多年來，軟體都是透過採用率來衡量：座位數、活躍用戶、續約率，」Friar 在 LinkedIn 的一篇貼文中表示。「AI 不同——它必須透過完成的工作來衡量」。該框架明確指出，最低的每 Token 成本並不一定能產生最低的每項成果成本，企業應優化總價值創造，而非單位價格 。

四大問題 AI 投資報酬率評分卡

Friar 的方法論取代了模糊的採用率指標，提出了 四大具體問題，形成 AI 投資報酬率的評分卡 ：

1. AI 是否在完成重要的工作？

衡量實際、基於成果的任務量——例如解決的客戶問題、交付的程式碼變更、審查的合約——而非單純的使用次數或提示次數 。Friar 寫道：「Token 只有在轉化為人們可用的工作時才創造價值」。這將焦點從活動指標（進行了多少次查詢）轉移到影響指標（完成了什麼事情）。

2. 每項成功任務的成本是多少？

計算每項符合品質標準的任務的總成本，包括 AI 推理、重試、人工審查和返工 。一個經常失敗的廉價模型，其每次成功成果的成本可能高於一次就能正確完成的高階模型 。這個問題迫使企業超越每 Token 價格，考慮錯誤與修正的隱藏成本。

3. AI 正確完成工作的頻率有多高？

追蹤可靠性——輸出結果「立即可用」而無需修正或升級的比例 。人工干預越少，表示總成本越低，信任度越高。這本質上是 AI 輸出的品質保證指標，認識到可靠性與原始能力同樣重要。

4. 隨著使用量成長，每一塊 AI 投入能否創造更多價值？

監控 AI 是否能在不導致成本指數級增長的情況下，隨著時間完成更多高品質工作——這個概念也稱為運算回報率（Return on Compute, ROC），借鑑自半導體和資料中心財務領域 。這個問題旨在探討 AI 投資是否具有複合回報，還是邊際價值遞減，這對於規模化決策至關重要。

如何實施該框架

該方法論設計為可透過現有工具進行審計 。團隊需為特定工作流程定義「完成」的意義，統計成功完成的次數，計算總成本（包括人力成本），並追蹤通過率與品質趨勢 。

Friar 的方法將 AI 視為生產性資產而非軟體授權，為財務長和技術領導者提供了一個結構化的方式，來回答她從同儕中最常聽到的問題：「我們如何從 AI 支出中獲得更多價值？」

為何此框架現在至關重要

這項提案的背景是企業 AI 支出急遽成長，OpenAI 自身已達到每月 10 億美元營收，並售出超過 5 億個企業座位 。然而，許多組織缺乏明確的 ROI 框架，導致「AI 的能力與企業實際捕捉到的價值之間存在落差」。Friar 先前將這種脫節描述為「能力過剩」（capability overhang）——即 AI 能做的事情與組織實際上能夠為商業價值所利用的能力之間的差距 。

透過將這四大問題建立在可審計的成本與品質數據基礎上，「每美元有用智慧」框架為企業提供了一個實用的工具，使其能夠從基於信仰的 AI 投資轉向基於證據的決策。