您的2027年人工智能商业论证是否遗漏了这一项？

在本预算季，首席财务官们正面临复杂的人工智能投资决策。

在不同模型间做出选择，或为图形处理单元制定折旧计划，这些都相对直接。但估算投资回报率却是一个动态变化的目标，Gartner于2026年4月的一项调查便证明了这一点，该调查发现只有28%的人工智能用例达到了预期。

而将实现回报所需的组织能力投资纳入考量，则更为棘手。

标准的人工智能商业论证通常会假设，公司里有某位经验丰富的高管，具备监督机器并在其出错时予以纠正的能力。

即使这样的人确实存在，他们的能力也是通过多年积累领域专业知识获得的，或许是从一名起草备忘录、为学习不惜做任何事情的初级分析师开始的。

然而，过去由初级员工完成的任务如今正被转交给人工智能，这侵蚀了培养未来管理者所需的学徒制度，而这些管理者需要具备评估人工智能产出和设计工作流程的能力。

专业知识培养渠道的中断给资产本身带来了减值风险。

为防范此风险，需要在组织再造方面进行配套投资。这笔投资应被纳入人工智能商业论证中，而非作为间接成本入账。

这项投资应以资本支出的严谨性进行规划，包含更新计划，从一开始就获得资金，并与资产的整个运营周期保持同步。

这种组织再造在账目上可以作为费用处理，但在决策层面应作为资本配置进行管理，就像公司为研发（R&D）提供资金一样。

能力是如何贬值的

人工智能通过两种不同的机制使人类和组织的能力贬值。

首先，技术迫使一些技能过时。会计师不再需要手工算术；长期以来在金融界备受推崇的电子表格掌握能力，如今正被交给聊天机器人。人们保留了这项技能，但企业不再看重它。

相比之下，技能的废弃则是管理、政策和公司文化共同作用的结果。

认知减负向来是人类保存脑力资源的理性方式。但现在，人工智能在不经意间助长了判断力的让渡，而判断力这种品质，恰恰是亲身实践工作的副产品。

当算术（一种终端技能）被淘汰时，后续环节并未受到影响。但判断力是生成性的，而这恰恰是管控从事同样工作的人工智能所必需的。

因此，公司自身的资本决策可能正在削弱其核心组织能力。

在我们The Global Institute For Tomorrow的工作中，我们看到过去一年里，这一趋势在领导力群体中加速显现。

写作能力、概念性思维，甚至可悲的是，清晰沟通的能力都在下降。

2024年，一个团队还在辛苦地用翻页图表绘制新商业模型的方框和箭头。到了2026年，默认做法是让大型语言模型（LLM）为他们进行可视化呈现。

过去，一位非英语母语的专业人士需要费力地阐述自己的想法，并在此过程中掌握商业概念和语言的细微差别；而现在，文字和视觉材料在几秒钟内就能生成。

通过精美的产出，大型语言模型营造出一种胜任的表象，以至于人类专业人士也就不再坚持己见。

通过人力资源部的学习与发展计划来解决这个奇怪的新困境——这种计划被作为运营费用进行预算——是不可靠的，并且在结构上很容易受到商业周期变幻莫测的影响。

传统的员工发展支出无法资本化，因为公司对其收益缺乏足够控制：员工在接受培训后可能会离职。事实上，对人工智能的熟练运用使他们在竞争激烈的人才市场上更具吸引力。

问题重重的非对称性便在于此：人工智能硬件和软件被资本化、折旧并获得可靠的资金支持，而使其发挥生产力所需的人类能力，却被归入可自由支配的支出——这使其成为利润空间收紧时第一个被削减的项目。

S&P在2025年的《企业之声》调查中发现，当年有42%的公司放弃了大部分人工智能项目。早期企业资源规划（ERP）系统推行过程中的定价错误和实施失败是一个近期的先例：我们应避免在资金投入不足和流程再造方面犯下类似的错误。

公司无法改变会计准则，但可以改变内部决策的方式以及由谁对结果负责。

将人工智能作为资本配置进行管理

与研发类似，组织发展需要较长的投资回收期，其回报不确定，且效益会在多年内累积。

没有一家严谨的公司会将研发作为可自由支配的间接费用来管理；出于合规目的，它在账目上作为费用处理，但实际上是作为资本配置进行管理的。

当思维机器与人类并肩工作时，才艺拓展也应得到同等对待。它必须通过资本配置框架进行管理，而不应作为一项间接成本，由一个对其所赋能的资产不承担责任的职能部门来负责。

组织再造应产出持久的、公司拥有的成果，例如：明确规定哪类大型语言模型（LLM）的产出需要人工裁定的验证标准，以及为维护监督能力而精心设计的机制。与培训成果不同，这些成果是成文的、可审计的，并且即使个人离开公司也能持久存在。

作为一项资本配置来管理，这项在组织再造方面的配套投资应承担类似的责任：与指定资产挂钩，产出明确的成果，根据基线进行衡量，遵循特定的最低回报率要求，并由对该技术回报负责的高管来主导，而非交由人力资源部门负责。

无论是专业技能还是硬件，贬值都是一个持续的过程。在人工智能时代，人类技能的贬值速度甚至可能更快。

因此，2027年规划的关键问题不在于要为人工智能投入多少资金，而在于需要何种程度的组织投资，由谁主导，以及如何衡量其成效。

作者是The Global Institute For Tomorrow的董事总经理，常驻香港