一项由Metric Sherpa与Sprinklr联合发布的最新调研显示，在常态化使用面向客户AI的企业中，92％表示AI达到或超出预期，但仅有27％能够提供相应数据证明。该调研揭示了企业在AI投资回报验证环节存在的普遍性测量缺口。
调研数据呈现出更为具体的矛盾：67％的受访者认为AI加快了工作速度，同时也认为AI降低了成本，但在这一群体中，仅32％表示在AI上线前追踪过成本数据。这意味着多数成本改善结论缺乏可对比的基线依据。研究指出，测量工作需要在AI部署之前启动，而大多数团队虽然清楚希望AI改善什么，却很少定义具体指标、记录起始数据或设定明确的成功阈值。
从目标设定到指标落地之间存在明显断层。调研显示，99％的受访者能说出使用AI的预期成果，但只有26％定义了成功指标，仅10％在定义指标的同时记录了基线数据。缺少后两项，AI的投资回报率便无法被有效证明。研究以具体场景说明：若目标是降低获客成本，团队需要在AI开始做出媒体投放或营销活动决策之前建立成本基线；若目标是提升客户服务，仅看问题拦截率并不足够，还需要解决率、重复联系、升级转接等维度的数据。这些测量机制必须在AI上线前嵌入工作流程。
当企业未预先建立测量体系时，团队往往只能依赖平台自身提供的数字。研究指出，付费媒体平台可以优化转化率，服务平台可以优化拦截率，内容系统可以优化互动率，三者都能在各自的后台面板中展示指标改善，而业务结果可能保持不变。85％的受访者报告称，在至少一个此前未追踪的指标类别上出现了改善，但研究者无法判断这些团队是后续补充了测量，还是依赖了其他数据来源。这一数据脱节现象难以忽视。研究建议，营销运营团队需要将平台活动数据与CRM、财务、客户或实验数据打通，否则执行工作的工具同时也在决定工作是否成功。
即便指标设置到位，仍需明确责任归属。调研中，仅17％的受访者表示其组织为AI业务成果指定了负责人，这是研究衡量的八项实践中最不常见的一项。该角色不同于平台负责人或工作流负责人：平台负责人确保工具可用，工作流负责人确保流程运转，而成果负责人对AI是否产生预期结果负责。数据显示，指定成果负责人的组织中有46％能够量化结果，而未指定的组织该比例仅为23％。前者也更频繁地使用对照测试和财务报告。研究未确认责任归属与更好测量之间存在因果关系，但两者的关联性显著。
研究同时提示，更完善的测量体系可能让AI的表现看起来更差。当团队开始以业务结果而非平台指标衡量AI时，部分此前被后台数据掩盖的平淡表现将更直接地暴露出来。对于正在扩大AI部署的企业而言，这一测量缺口意味着投资决策可能建立在未经充分验证的乐观判断之上。随着AI应用从试点走向规模化，建立上线前基线、定义可量化指标并明确成果责任人，正在成为企业AI治理中不可回避的基础工作。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
