AI项目的成本不能只看采购合同或模型调用费用。真正需要核算的是从立项、建设、上线到运营、扩展和退出的全生命周期支出，并将这些支出与可确认的业务收益、风险处置成本放在同一账本中比较。否则，试点阶段看似投入很小，规模化后却可能因数据治理、系统改造和持续运营而失控。
先建立全生命周期成本账本
成本至少应拆分为五类。第一类是规划与建设成本，包括业务调研、产品设计、流程梳理、数据清洗、知识库整理、接口开发和系统改造。第二类是基础使用成本，包括软件许可、云资源、模型调用和存储等持续性支出。第三类是上线保障成本，包括安全评估、测试、迁移、权限配置、培训和用户支持。第四类是运营优化成本，包括监控、模型评估、版本升级、异常处理和人工复核。第五类是退出成本，包括数据迁移、供应商替换、系统下线和历史资料保留。
AI项目还应单独核算“隐性人工成本”。如果模型输出需要业务人员反复校验、修订或补录，节省的自动化成本可能被人工复核抵消。若项目依赖供应商现场配置，后续每次流程调整都要重新付费，也应计入持续运营成本，而不能归入一次性建设费用。
用单位成本判断是否值得扩展
预算核算不能停留在年度总额，还要按部门、场景、用户或业务量拆分，观察单位任务成本、单位用户成本和单位业务价值。规模扩大后，应重点检查三件事：使用量增加是否带来成本快速上升，数据和接口改造是否需要重复投入，人工复核比例是否随着业务复杂度同步增加。
可采用一个简化判断式：
净价值 = 可确认收益 − 全生命周期成本 − 风险处置成本
其中，收益应对应明确的业务基准线，例如处理时长缩短、重复录入减少、错误和返工下降，或管理信息更加及时可靠；不能只用“模型效果好”“用户觉得方便”替代经营结果。
把成本核算嵌入阶段决策
试点阶段不应追求功能大而全，而应验证成本结构能否复制。进入受控生产前，要确认数据是否稳定供应、人工复核是否可接受、系统是否能够接入现有流程，以及异常是否可回滚。跨团队复制时，还要重新估算培训、配置、集成和支持成本；如果每推广一个团队都需要大量定制，说明项目尚未形成标准化能力。
最终，AI项目是否值得扩大投入，不取决于一次成功演示，而取决于价值能否被持续度量、成本能否被分摊追踪、风险能否被控制，以及规模增长后单位成本是否仍然可接受。
