M01.08｜AI 導入商業評估：ROI、TCO、風險成本

一句話搞懂

AI 專案的商業評估要同時算三件事：投入能帶來多少回報（ROI）、整個生命週期要花多少錢（TCO）、以及出問題時要付出多大代價（風險成本）。

白話解說

你要買一台車，不會只看車價對吧？你會算油錢、保險、保養、停車費、牌照稅。三年下來，一台售價 80 萬的車，實際總花費可能是 120 萬。AI 專案也一模一樣 — 很多人只看到初期開發費用，忘了後續的「養護費」。

ROI（投資報酬率） 的公式很簡單：（效益 - 成本）/ 成本。但 AI 的麻煩在於效益常常很難量化。你說「AI 幫我們提升客戶滿意度」— 滿意度值多少錢？你說「AI 幫我們加速流程」— 加速了多少，省下的人力成本是多少？在提案時，你必須把模糊的效益翻譯成具體的數字：減少幾個全職人力（FTE）、縮短多少天的處理時間、降低多少百分比的錯誤率、增加多少營收。

TCO（總持有成本） 是很多 AI 專案踩坑的地方。開發階段的成本大家都會算，但以下這些「隱藏成本」常常被忽略：資料蒐集與清理（通常佔整個專案 60-80% 的時間）、標註成本、雲端運算費用、模型重新訓練（因為數據分佈會漂移）、監控系統維護、以及最容易被遺忘的 — 人才成本。一個資深 ML 工程師在台灣的年薪可能是 150-250 萬，你的預算有算進去嗎？

風險成本是看不見但可能最痛的一塊。模型判錯導致客訴、偏誤被媒體報導的商譽損失、違反個資法的罰款（台灣最高可罰 2,000 萬）、以及系統當機造成的營運中斷。風險成本的計算方式是：發生機率 x 損失金額。

應用場景

場景：中型電商的智慧客服 — Build vs Buy vs API

一家年營收 5 億的台灣電商，每月客服量 30,000 通，想用 AI 處理其中 60% 的常見問題。三種方案的 TCO 比較：

很多人看到 API 最便宜就直接選了，但如果客服量持續成長，API 的按量計費可能在第二年就超過買套裝的成本。而且 API 方案的客製化有限，如果你需要對接自家的 ERP 和訂單系統，長期來看買套裝可能更划算。

另一個關鍵陷阱：PoC 成功不等於正式上線成功。PoC 階段你用了乾淨的測試資料、資深工程師全程盯場、只處理 100 筆案例。正式上線後要面對髒資料、邊界案例、系統整合、同時處理 10,000 筆請求 — 從 PoC 到 Production 的成本通常要再乘以 3-10 倍。

常見誤區

1. 「PoC 花了 50 萬，正式上線再加個 100 萬差不多吧」 — 大錯特錯。PoC 到正式環境的距離，比大多數人想像的都遠。需要加上資料管線自動化、異常處理、安全防護、監控告警、A/B 測試框架、災難復原等。業界經驗法則是 PoC 成本的 5-10 倍才是完整上線成本。

2. 「AI 專案最大的成本是模型開發」 — 其實不是。根據多項調查，資料蒐集與準備佔了 AI 專案 60-80% 的人力和時間成本。很多團隊花了三個月清理資料，才花兩週訓練模型。預算分配時，資料準備的預算至少要佔總預算的一半。

3. 「上線之後就不用再花錢了」 — 模型上線才是花錢的開始。真實世界的資料分佈會持續變化（稱為 data drift），模型的準確率會隨時間下降，需要定期重新訓練。加上雲端運算費用、監控維護、以及處理用戶回報的邊界案例，每年的維護成本通常是首年建置的 20-40%。

小練習

1. 簡易 ROI 計算：選一個你部門想導入 AI 的場景，用以下模板估算：
   • 預期效益（年）：省下 __ 小時 x 時薪 __ 元 = ___ 元
   • 首年成本：___ 元
   • 年度維護：___ 元
   • 三年 ROI = (三年效益 - 三年成本) / 三年成本 = ___%
   • 這個數字有超過 100% 嗎？如果沒有，也許還不到導入的時機。
2. 隱藏成本清單：列出你能想到的所有 AI 專案隱藏成本（至少 8 項），然後跟同事交換清單，看看誰漏掉了什麼。提示：不只有技術面的成本，還有組織面的成本（例如教育訓練、流程改造、變革管理）。