AI正在从“有没有跟上”的技术问题，逐渐变成“这笔钱到底花出了什么”的经营问题。
━━
企业管理层开始把AI投入放进经营账本，关注的不再只是“有没有做”，而是投入最终带来了什么。
几年前，企业谈AI，最常见的场景还是发布会、技术演示和战略规划。
模型有多大，参数有多少，能生成什么，能不能接进业务——这些话题足够热闹，但离企业真正的经营账本还有一点距离。
到了今年，情况明显不一样了。
8月20日，阿里巴巴公布最新季度业绩。一个很值得注意的数据是，AI云与算力服务收入达到484.37亿元，同比增长45%；AI相关产品收入达到123.76亿元，并连续第十二个季度保持三位数同比增长。
与此同时，阿里这个季度的资本性支出也达到676.78亿元，同比增长75%。公司给出的原因很直接：继续投入AI基础设施，以满足不断增长的客户需求。
两天前，百度公布的二季度数据里，AI也已经不再只是一个技术标签。
百度核心AI业务收入达到125亿元，同比增长25%，约占百度一般性业务收入的一半；其中AI云基础设施收入73亿元，同比增长50%。另一边，传统在线营销服务收入131亿元，同比下降19%。
把两份财报放在一起看，比“哪家公司AI做得更好”更值得关注的，其实是另一件事：
AI正在从一个需要不断解释价值的新技术，变成一笔可以计算收入、投入、增长和回报的经营账。 |
对普通企业来说，这可能也是2026年真正需要转变的一种思路。
以前老板问：“我们有没有跟上AI？”
接下来更应该问的是：“这笔钱花出去以后，到底改变了什么？”
｜AI项目做得越来越多，但很多企业还在算一笔“动作账”
过去一年，企业里的AI项目明显多了。
有人上了AI客服，有人建了知识库，有人开始批量做数字人视频，有人让销售团队使用AI助手，也有越来越多企业开始关注GEO，希望改善自己在豆包、DeepSeek、元宝、千问等生成式AI里的表现。
这些动作本身没有问题。
问题在于，很多企业在汇报结果时，仍然习惯使用这样一组数字：这个月生成了多少篇内容；做了多少条视频；接了几个模型；上线了几个AI功能；建立了多少个智能体；监测了多少个问题。
看起来很忙，也确实做了很多事。
这些数字回答的只是“我们做了多少”，却没有完全回答另一个更重要的问题：企业得到了什么？ |
比如一家企业投入一笔预算做AI客服。半年后汇报说：“已经上线，回答了20万次咨询。”
20万次很大，但真正应该继续问的是：有多少问题被一次解决？有多少回答发生错误？多少客户仍然需要转人工？平均服务时间有没有缩短？客户投诉有没有增加？客服团队到底节省了多少重复工作？
如果这些问题都不知道，那么“20万次对话”本身，很难证明这个项目到底值不值。
数字人也是一样。一年做了100条视频，不代表这一笔预算已经产生100条视频的价值。真正需要看的还有：制作周期有没有缩短？单位内容成本有没有下降？多少内容真正被使用？有没有帮助企业扩大内容供给？原本需要真人反复拍摄的工作，是否因此减少？
企业真正需要区分的，是“动作完成了多少”与“经营结果改变了什么”。
交付数量是一笔账，经营结果是另外一笔账。企业越往AI里投入，这两笔账越需要分开。 |
｜真正值得留下来的，通常逃不开三个方向
企业不一定要求每一个AI项目上线第一个月就产生销售额，这并不现实。
但一笔持续投入的AI预算，至少应该逐渐在某个地方留下痕迹。
最直接的一种，是收入。AI有没有帮助企业离客户更近？有没有形成新的咨询入口？有没有提高某一类线索的转化效率？有没有产生新的产品、新的服务或者新的付费能力？
但并不是所有企业的AI项目都能够这么直接。更多时候，企业首先得到的是第二种东西：效率。
以前一个客服每天只能处理100个重复问题，现在大部分基础咨询能够被自动解决；以前一个员工整理几百页内部资料需要几天，现在知识助手可以辅助完成；以前一条内容从策划、拍摄到剪辑需要一周，现在借助AI可以明显缩短制作周期。
这些价值不一定马上变成新的订单，却可能直接改变企业的成本结构和处理能力。
还有第三种东西，反而最容易被忽略：资产。
项目做了一年，如果有一天暂停了，企业到底还能留下什么？一套整理完成的知识库，一批结构清楚的数据，一套已经跑通的AI工作流，长期积累的用户问题，经过不断修正的客服标准答案，可以反复调用的内容资料，更加清楚统一的企业公开信息，甚至是企业在生成式AI环境里逐渐形成的稳定认知。
这些东西不会像一次广告曝光一样，在投放停止的第二天全部消失。它们可能会继续参与企业之后的经营。
一笔AI投入如果能够持续产生价值，最终通常会落在三类结果上：收入、效率，以及能够长期留下的企业资产。
判断AI投入的时候，不能只问“这笔钱直接赚回来多少”，还应该再加一句：“这笔钱最终留下了什么？” |
｜“这个月没有回本”，不等于AI项目没有价值
阿里这份财报还有一个很有意思的地方。
AI相关业务在增长，AI基础设施投入同样在大幅增长。截至6月底的这个季度，阿里资本性支出约676.78亿元，比去年同期增长75%。公司明确表示，这与持续投入AI基础设施、满足增长中的客户需求有关。
这当然不意味着普通企业也应该照着大厂的方式大规模投入。绝大多数企业既没有这样的资金能力，也完全没有必要建设自己的算力基础设施。
长期能力建设和短期现金回报，本来就不一定发生在同一个时间点。 |
企业刚刚建完自己的知识库，第一个月可能看不到明显销售增长；刚开始做GEO，也不能用月底某一次AI提问的排名决定整个项目成败；一套新的AI工作流刚部署时，团队还需要磨合，数据也需要持续修正。
如果每一个AI项目都按照“投入一个月 → 马上计算新增销售额 → 没有直接回本就停止”，很多真正需要积累的能力根本没有机会形成。
但反过来也不能走到另一个极端：“AI是未来，所以先投着再说。”这同样不是经营。
更合理的做法，是把两类结果分开看：短周期看变化，长周期看价值。短期有没有变得更准确、更快、更稳定；中期有没有形成新的流程和能力；长期有没有真正影响成本、客户、收入或者企业资产。
｜一个AI项目有没有价值，付款之前其实就应该想清楚
很多企业的问题不是项目做完以后不知道怎么算账，而是项目开始之前，就没有定义这笔账要怎么算。
采购一个AI系统的时候，最先谈的是：多少钱？有哪些功能？能生成多少内容？可以接几个平台？一年交付多少次？这些当然需要问。
但管理层其实还应该再往后多问几步：这个项目到底要改善哪一个经营环节？现在的基准是什么？三个月以后，我们希望看到什么变化？半年以后，什么结果能证明方向是对的？如果它暂时没有直接产生收入，那么企业能够留下什么长期能力？如果一年以后停止采购，之前投入形成的东西还有多少可以继续使用？
这些问题听起来并不“技术”。恰恰相反，它们都是很传统的经营问题。
AI项目在付款之前，就应该把“成功是什么、看哪些指标、怎么验证”尽量说清楚。
技术变了，算账的基本逻辑没有变。 |
｜GEO其实也是一笔很典型的“不能只算动作”的AI账
这一点放到GEO尤其明显。
企业如果做了一年GEO，最后只拿到一句：“我们给你发了200篇文章。”这个结果是不完整的，因为文章数量只是建设动作。
同样，如果只拿出一张截图告诉企业：“这个问题里，你现在排第一了。”也不能代表整个项目效果。
生成式AI本身就存在平台差异、问题差异、时间差异和重复生成差异。
所以一笔GEO预算真正应该观察的，是一段时间以后，企业在AI环境里的状态有没有发生持续变化：品牌提及有没有增加；原来长期缺席的问题里，有没有开始出现企业；高价值用户问题覆盖有没有扩大；不同模型对企业主营业务的理解是否更加准确；错误信息有没有减少；竞品长期占据的答案空间有没有发生变化；企业在多模型、多问题、多轮次里的表现是否逐渐稳定。
这些就是GEO项目可以持续复盘的过程结果。
GEO的过程指标更适合持续观察：AI可见度、信息准确度、问题覆盖率和竞争位置，而不是只看单次截图或工作量。
再往后，当然还可以继续观察：AI带来的咨询有没有增加；客户是否会因为AI推荐进一步了解企业；新的信息入口有没有参与获客。
但这里也必须保持边界。销售额从来不是GEO一个因素决定的。价格、产品、服务、门店距离、销售能力、市场竞争、客户偏好，都会影响最终成交。
所以GEO不能承诺“投入多少钱，就一定多成交多少单”。但同样不能因为最终成交难以完全归因，就退回到只汇报“我们发了多少内容”。
真正成熟的交付，应该处于两者之间：既不夸大AI能够决定经营结果，也不能只用工作量代替效果。 |
｜以后企业采购AI，可能越来越少问“有没有”，越来越多问“值不值”
从阿里、百度最新财报里能够看到的，其实不只是AI业务又增长了多少。
更重要的是，AI已经越来越明确地被放进收入、成本、资本开支和业务结构里衡量。
阿里一边扩大AI基础设施投入，一边观察AI云和相关产品的商业化增长；百度则已经把核心AI业务单独拆出来观察，同时传统在线营销业务仍然承受压力。
这才是普通企业真正值得借鉴的地方。
不是照搬大厂的预算，也不是因为大厂都在做AI，所以自己也必须马上买一套系统。
而是学习一种新的判断方式：不要再把“做AI”本身当成成绩。
以后无论是AI客服、数字人、企业智能体、知识库，还是GEO，管理层最终都应该能够回答几个很具体的问题：这笔钱花到了哪里？它改变了什么？哪些变化可以被持续验证？哪些东西能够长期留下？下一笔预算为什么还值得继续投？
如果这些问题越来越清楚，企业的AI投入才真正从“跟风项目”变成经营能力。
AI写进财报以后，真正需要重新算账的，其实不只是阿里和百度。
对于越来越多正在采购AI、使用AI、建设AI能力的企业来说，那本账，也已经翻到自己这一页了。 |
｜资料来源
• 阿里巴巴集团：2026年6月份季度业绩，2026年8月20日。
