AI 董事会资本支出治理：从实验组合到投资级商业论证

1. 将 AI 支出视为受治理的组合

一个 AI 组合所包含的不只是项目。它通常包括：预期改变收入、成本、风险或服务的用例；共享数据与集成能力；模型和应用订阅；云或数据中心容量；专业团队；控制职能；以及为改变工作执行方式所需的变革活动。每一类别都有不同的经济寿命、依赖特征和可逆程度。单一创新预算可能会掩盖这些差异。

董事会需要一种能够跨会计分类核对承诺的视图。部分支出可能被资本化为基础设施，部分可能属于运营费用，部分可能嵌入业务单元的薪酬或供应商合同。经济问题在于投资组合所承诺的总增量现金和容量，包括上线后的运营成本。某项举措在试点期间可能显得可负担，因为企业集成、安全、数据修复、流程重新设计、培训、监控和运行成本仍不在试点账目中。

官方披露说明了承诺纪律为何重要。Alphabet 报告 2025 年资本支出为 USD 91.4 billion，主要用于技术基础设施，并表示预计 2026 年对服务器、网络设备和数据中心的投资将大幅增加。[4] 微软 2026 年年度申报文件称，AI 投资正以显著规模进行，并领先于完全成熟的收入流。[5] Meta 报告 2025 年资本支出为 USD 72.22 billion，包括融资租赁本金付款，并预计 2026 年资本支出为 USD 115 billion 至 USD 135 billion，以支持 AI 相关工作及其核心业务。[6] Amazon 报告 2026 年前六个月现金资本支出为 USD 96.3 billion，主要用于支持 AWS 增长和履约能力的技术基础设施。[7] 这些数字的定义不同，业务目的也各异。其相关性在于申报文件中所述的规模、较长交付周期和需求不确定性。

因此，投资组合应披露五项总额：已批准的累计支出；合同和租赁承诺；当前年度运行率；规模化后的预测运营成本；以及未承诺的容量请求。它还应识别哪些用例消耗每项共享能力。这可以防止某个平台作为战略必要性获批，而其依赖的收益仍无人负责。

2. 为董事会界定治理授权

董事会监督应聚焦于重大风险敞口、投资组合一致性、风险偏好和证据质量。它不应要求董事选择模型或管理交付冲刺。管理层仍负责提出和执行投资。董事会确立哪些承诺需要审批、必须随附哪些证据、独立质疑如何运作，以及当某个用例未满足其条件时会发生什么。

审批阈值应结合财务重要性、风险和可逆性。一个影响就业、信贷、健康、安全、关键基础设施或敏感个人数据的低成本应用，可能比一个规模更大的生产力工具需要更严格的监督。多年期容量预留可能需要董事会关注，因为即使近期现金支出不大，它也会降低战略灵活性。因此，阈值应考虑累计支出、不可取消承诺、受影响的决策和用户、数据敏感性、自主性、地理覆盖范围和退出成本。

董事会还需要一位可问责的高管。首席执行官、首席财务官或指定的转型发起人应负责投资组合价值。技术负责人负责架构和交付证据。业务负责人负责运营基线、采用情况和已实现收益。风险、安全、隐私、法律和合规负责人负责其职责范围内的独立标准。内部审计可以测试设计与运行，但不应成为一线审批人。

表 1. AI 投资组合决策权与证据归属

分配是一种模型。实际职责与授权应遵循组织的章程、法规和风险框架。

3. 以用例作为价值单元

模型、平台或数据湖很少是业务价值的直接单元。只有当特定用户群体改变决策或工作流程，且这种改变产生可衡量的结果时，价值才会出现。因此，用例应明确用户、运营流程、决策或任务、AI的贡献、人员责任、基线、目标结果和受影响控制项。这一定义建立了从技术到现金流、服务或风险的贯通路径。

用例边界需要严格界定。诸如“利用AI改善客户服务”这样的主张对于投资审批而言过于宽泛。一个受治理的用例可以界定针对特定联系类型、用户群体和渠道的辅助支持；衡量处理时长、首次联系解决率、质量、投诉和升级情况；识别经批准的数据和知识来源；并对明确界定的例外保留人工决策权。范围变得可测试，成本也变得可归属。

共享能力应以透明方式分配。如果十个用例都需要检索层、身份控制和监控，平台用例应显示最低共享容量、各用例的增量容量和未使用余量。将所有共享成本分摊给第一个用例，可能使一项可行的能力显得不经济。将所有共享成本视为战略性间接成本，可能使每个用例显得具有人为吸引力。项目组合应展示在采用一致分配方法之前和之后的经济性。

用例也需要稳定的标识符和版本控制。一个最初作为起草辅助的试点，之后可能会生成客户沟通内容或提出建议。其风险、数据和效益画像已经发生变化。审批记录应显示新的边界、累计承诺和控制影响，而不是让该计划保留最初的低风险标签。

4. 要求提供投资级商业论证

投资级商业论证是一份能够经受财务、运营、技术和风险质询的决策记录。它始于运营问题以及一切照旧的反事实情景。随后比较各选项，确定首选路径，量化全生命周期成本与效益，证明交付与采用，并说明使用所需的控制措施。其深度应与承诺和后果相称。

英国财政部 2026 年《绿皮书》描述了五个相互关联的维度：战略、经济、商业、财务和管理。它还要求进行选项评估并遵循比例原则。[17] 相关商业论证指南通过战略大纲、大纲和完整商业论证来制定提案。[18] 这些公共部门框架并非企业审批规则。它们对董事会的价值在于将战略理由、价值、供应商安排、可负担性和交付证据分开呈现。

反事实情景尤其值得关注。商业论证应将首选的 AI 方案与一切照旧、不含 AI 的流程再造、基于规则或传统分析的方案、外包、购买和自建进行比较。如果基线绩效正在恶化，维持当前结果本身可能就需要投资。如果现有转型已经带来部分效益，AI 商业论证应只主张增量效果。

商业论证必须说明不确定性，而不是将其隐藏在单一的点估计中。成本区间应反映估算成熟度。效益区间应反映计量信心和采用程度。情景分析应展示需求、价格、利用率、质量、生产率和控制结果。对供应商可用性、电力、数据权利、专业技能和流程变革的依赖关系应保持明确。

表 2. AI 商业论证的最低证据

证据应随承诺的推进而逐步成熟。探索阶段的提案可以使用限定区间；生产和规模化决策则需要受控、可追溯且最新的输入。

5. 先对组合进行细分，再进行排序

组合比较只有在识别出不同类投资时才有效。一个细分可能包含收入类用例，另一个包含劳动力能力或成本类用例，另一个包含风险与控制应用，还有一个包含战略能力，其直接收益通过多个下游用例累积实现。基础设施和强制性合规工作应作为独立层级保持可见，而不是在缺乏支撑的统一回报指标上相互竞争。

组合还可以按成熟度进行细分。探索阶段验证问题和可用数据。实验阶段在限定环境中测试技术可行性。试点阶段测试端到端流程、用户行为和控制措施。生产阶段建立受控服务。规模化阶段增加用户、业务量、地域范围或自主性。效益审查验证已实现成果，并确定该能力应扩展、纠正、维持还是退役。

风险细分应影响审批路径。NIST 的 AI 风险管理框架围绕治理、映射、衡量和管理来组织活动，其中治理贯穿 AI 生命周期。[10] 其生成式 AI 概况识别针对可能由生成式系统带来或放大的风险所需采取的行动。[11] GAO 问责框架将实践归纳为治理、数据、绩效和监测。[12] 这些框架支持建立通用清单，同时允许控制措施因用例、背景和后果而异。

最终形成的组合地图应同时展示战略敞口和财务敞口。小型实验可以留在探索池中。具有经常性模型成本和云成本的生产服务应归入已承诺组合。共享平台应展示能够证明其合理性的用例和需求。强制性控制投资应展示其缓释的敞口以及延迟带来的运营后果。

6. 构建用例组合地图

组合地图将预期经济价值与执行信心进行比较。经济价值可以综合增量现金流、避免的现金成本、可用产能、服务改进和风险降低，并在货币化转换较弱时使用单独标签。执行信心综合问题清晰度、收益证据、数据就绪度、控制设计、采用情况和交付能力。气泡大小可以表示年度运行率成本或累计承诺投入。

该地图指导行动。高价值、高信心的用例是受控扩展的候选对象。高价值、低信心的用例应获得有针对性的证据投入，而不是自动承诺。价值较低、信心较高的用例在能够赋能战略能力、履行义务或提供快速采用路径时，仍可能有用。价值较低、信心较低的用例通常应停止、合并或回到问题定义阶段。

组合管理办公室应防止该地图沦为选美比赛。评分需要锚定的定义、来源日期和负责人。委员会应看到信心区间和红线未达标项。委员会还应查看按供应商、模型、云服务提供商、数据域、业务流程和控制职能划分的集中度。十个各自具有吸引力的用例可能形成重大的共同依赖。

用例、评分和年度运行率成本均为假设性建模设定。气泡大小表示年度成本；该地图支持治理，并不构成预测或建议。

[/FIGURE]

7. 通过信心阶梯推进收益

收益信心应通过证据获得。管理假设可以证明探索性支出的合理性，但不应支持大规模生产承诺。受控试点可以确定该技术在既定条件下是否会改变任务绩效。生产证据可以表明更广泛的流程、用户和控制能否维持该结果。财务验证可以确认该变化在扣除成本和替代效应后是否创造了现金、产能、服务或风险成果。

该阶梯可避免虚假精确。某项收益可能估计金额较高但信心较低；另一项收益可能金额较小但证据更强。组合应同时报告两者。当用例改变人群、数据、模型、流程或规模时，信心应下降，因为此前的证据可能无法迁移。

OECD 关于 AI 采用情况的研究报告指出，投资回报的不确定性和数据成熟度不足是重要障碍，管理者可能低估企业范围的流程和文化影响。[8] OECD 另一份对实验研究的综述发现，绩效取决于任务和用户体验，而长期组织证据仍然有限。[9] 这些发现支持将个体任务实验谨慎迁移至企业现金流主张。

财务部门应定义每一层级所需的证据。节省的时间并不自动等于节省的现金。它可能创造产能、改善服务、减少加班、避免招聘或允许裁减人员；每种路径都有不同的证据和后果。收入提升需要可信的对照组或其他归因方法。风险降低可能需要预期损失或控制成本分析，并应保留不适合简单货币化的重大非财务结果。

该阶梯界定证据成熟度。它不会为某一置信水平赋予通用概率或估值提升。

[/FIGURE]

8. 建立基线和反事实

基线应记录 AI 干预前的绩效。视用例而定，它可能包括交易量、处理时间、返工、错误、缺陷、损失、转化、利润率、投诉、周期时间、服务水平、控制例外和员工投入。应记录源系统、计量期间、排除项和季节性。在成功试点之后构建的基线可能引入选择偏差。

反事实界定在没有拟议投资的情况下会发生什么。一切照常可能包括现有生产率趋势、合同价格变化、人员编制计划、流程改进和其他技术发布。商业论证应避免将已预期由这些因素带来的效益计入。在随机对照不可行时，分阶段推广、匹配组、中断时间序列或明确的干预前后比较可提供有用的证据，但须说明其局限性。

效益需要一条从运营指标到财务报表或受治理结果的链条。每项任务节省的分钟数，只有在乘以符合条件的业务量、采用率、持续的时间节省和有效再部署后，才会转化为年度产能。只有当已批准的招聘计划发生变化或第三方费用被取消时，产能才会转化为可避免成本。收入在扣除交付成本、业务蚕食、折扣、流失和适用税费后，才会成为贡献。董事会应看到每一项桥接关系。

英国数字与数据效益框架旨在帮助量化数字和数据项目的效益，并拟与《绿皮书》指南配合使用。[19] 政府效率框架还将已识别的节余与效益管理和更广泛的治理安排联系起来。[20] 其公共部门背景不同于企业投资组合。一般性原则仍然有用：界定效益类型、计量方法、责任归属以及运营变革与价值之间的关系。

9. 将数据就绪度设为资本关口

数据就绪度具有直接经济价值，因为整改会消耗时间、专业投入和运营关注。它还会影响绩效和控制风险。用例应明确所需数据、数据所有者、法律依据或合同权利、访问路径、质量、完整性、数据血缘、代表性、留存、安全分类、韧性和监控。未知项应带来成本和进度方面的后果。

就绪度评估应将数据集的存在与可用访问区分开来。数据可能分布在多个系统中、被锁定在供应商合同中、只能通过人工提取获得，或不适合所需频率。标签可能不一致。历史结果可能反映已经变化的过往政策。训练数据可能无法代表当前用户或边缘情况。高层声称组织拥有数据，并不能解决这些问题。

热力图应使用锚定评分。红色评分表示既定条件缺失或不可接受。琥珀色表示整改已获资金且范围有限。绿色表示当前证据满足关口要求。灰色表示该维度尚未评估。平均值可能掩盖红线不达标项，因此即使其他维度已经成熟，权利、安全或禁止使用问题仍应保持可见。

用例经济性应包括数据整改和持续控制。一个数据产品可能支持多个用例，从而允许共享成本分摊。董事会应看到能够证明投资合理性的用例、所需顺序，以及预期需求未实现的风险。

评分为假设性建模假设：1 表示缺失或不可接受，3 表示整改范围有限，5 表示达到关口要求的证据。

[/FIGURE]

10. 核对全生命周期经济性

成本模型应包括探索、构建、集成、数据、安全、验证、许可证、模型推理、云或基础设施、变更、培训、支持、监控和退役。若内部人员构成稀缺产能或需要增量招聘，也应纳入。最低采购量、预留容量、租赁和照付不议合同项下的承诺应与可变用量分开列示。

效益模型应区分现金、产能、收入、服务和风险。除非转换依据可信，否则不应将这些类别加总为单一货币总额。一个用例可能显示正现金回报，并单独显示客户或控制结果。强制性合规用例可能常规回报有限，但可维持经营许可。其成本仍要与资本和交付能力竞争。

以下假设示例采用五年名义模型、11%折现率、无终值和简化税务处理。它假设实施成本在规模化之前发生，效益随采用率逐步提升，年度运行成本随用量上升。它不包括融资结构、外汇、营运资金、会计资本化以及与其他项目的相互作用。这些是建模假设，不是市场输入。

表 3. 从试点到规模化的假设用例经济性

数值为假设性的 USD 百万。净现值采用 11% 的名义折现率，覆盖五年且无终值；合计数已四舍五入，不代表预测。

切换取值可改善决策。商业论证应说明净现值达到零或董事会阈值时的采用水平、单价、错误率、每笔交易收益或业务量。还应说明在做出下一项可逆决策前处于风险中的现金。这将讨论聚焦于决定价值的假设。

组合视图应避免重复计算。共享数据平台不能在所有依赖型用例各自也主张相同价值的同时，声称拥有每个用例的全部收益。除非组织能够可信地分配释放出的产能，否则生产力收益不得同时计为成本降低、避免招聘和额外收入。财务应维护收益登记册，每项成果都有一个负责人和一种处理方式。

11. 明确对基础设施、容量和能源进行定价

AI 的经济性会随模型选择、token 或算力消耗、延迟、上下文长度、缓存、利用率、预留容量、存储、数据传输、硬件折旧和电力可用性而变化。董事会不需要技术费率表，而需要单位驱动因素、合同承诺、敏感性和缓解措施。

国际能源署报告称，以 AI 为重点的数据中心增长迅速，且每个简单 AI 任务的能耗已大幅改善，而更高强度的视频、推理和智能体应用可能消耗多得多的能源。[3] 报告还指出，数据中心容量和电力需求存在大幅且不确定的增长。对企业用例而言，这意味着每项任务成本应在实际工作负载下衡量，而不是根据演示假定。

容量审批应以需求证据为依据。企业可出于战略原因、供应保障或时延考虑预留基础设施，但其论证应展示承诺使用率、选择权价值和下行风险。长交付周期设备、能源合同和数据中心租赁可能降低可逆性。例如，Alphabet 的申报文件描述了多年期数据中心项目和重大技术基础设施承诺。[4] 该事实模式因公司而异；它说明基础设施经济性如何超越短期软件试点。

模型路由可保持价值。成本较低的模型可处理有界任务，较大的模型则用于例外情况。检索、缓存、提示设计和流程约束可降低消耗。投资组合应监控每项已完成并获接受的业务成果的成本，而不仅仅是每次请求的成本。失败、重复或经人工纠正的输出应计入分母。

12. 将控制设计作为投资的一部分

控制是带有成本、进度和责任归属的产品与运营要求。它们应与用例一同设计，而不是在技术成功后追加。控制组合可包括经批准用途、访问、数据最小化、测试、人工复核、隔离、输出限制、日志记录、监控、事件响应、供应商监督、记录保留、回退和退役。

控制的比例性很重要。NIST 框架是自愿性的，且不限定用例，并强调贯穿生命周期的持续风险管理。[10] ISO/IEC 42001 规定了适用于提供或使用AI的组织的AI管理体系，并采用持续改进结构。[13] 美联储修订后的 2026 年模型风险指引强调基于风险的方法，并针对银行机构的模型概况、规模和复杂性量身定制。[14] 该银行指引在其所述的监管范围内适用。其更广泛的治理启示是，验证、局限性、监督和控制应与重大使用相称。

法律义务需要针对具体司法管辖区进行分析。欧盟AI法案采用基于风险的结构并逐步适用；欧盟委员会报告称，执法权力和某些透明度义务自 2026 年 8 月起适用，其他高风险条款则适用较晚日期。[15][16] 董事会文件应说明组织的角色、所在地、用例分类和法律意见。笼统的“AI合规”标签是不够的。

表 4. 与投资证据相关联的控制设计

该表是治理模型，不能替代法律、监管、安全、隐私或特定行业的要求。

13. 使用控制关口使权限与承诺相匹配

关口应授权一项明确的下一阶段承诺。0号关口将问题纳入探索阶段。在基线、数据访问和测试计划明确后，1号关口批准有边界的实验。当流程、用户、控制和效益计算方法就绪后，2号关口批准试点。在端到端性能与控制证据通过后，3号关口批准生产发布。在采用情况和单位经济效益得到证明后，4号关口批准规模化。5号关口收尾效益，并决定扩展、维护或退出。

每个关口应有四种结果：推进；在有时限的条件下推进；暂缓以待证据；或停止。条件需要明确责任人、证据项、截止日期和后果。反复出现的有条件批准应予以报告，因为它们可能把缺失的证据转化为长期风险敞口。

审批权限应随着承诺和后果的增大而提高。受权团队可批准小规模、隔离的实验。投资委员会可批准生产发布。董事会可批准大型基础设施承诺、自动化的重大变更或高后果用例。紧急行动仍可通过明确界定的例外和事后审查来进行。

关口证据是累积的。审批权限应反映累计承诺、风险、可逆性和受影响用户。

[/FIGURE]

14. 在声称规模化价值之前检验采用情况

技术验收表明系统能够运行。采用证据表明人们在预期流程中使用系统，并且运营结果持续存在。规模化论证应界定合格用户和交易、活跃使用、频率、完成、验收、人工覆盖、返工、回退和支持。还应识别转移到测量系统之外的工作。

采用情况应基于流程分母来衡量。如果只有一小部分合格工作通过系统，授权用户数量便是薄弱证据。如果产出被丢弃或纠正，高使用率也可能具有误导性。每笔合格交易中已验收的结果为价值提供了更强的桥梁。

流程设计和激励很重要。用户可能绕过缓慢或不可靠的控制。管理者可能鼓励使用，却不改变工作负荷或目标。员工可能节省时间，但获得更多工作，影响质量和留任。商业论证应说明角色、绩效衡量、培训、监督、支持和员工协商如何变化。在适用就业权利或集体安排的情况下，需要专业建议。

试点应代表目标运营人群。热情的志愿者、干净的数据和低业务量可能高估规模化表现。生产试验应包括普通用户、高峰时段、异常情况和故障恢复。因此，采用阈值应与质量和控制阈值配对。

15. 明确停止或规模化决策

停止或规模化评审综合收益信心、单位经济性、采用情况、数据就绪度、控制有效性和交付能力。评审应在指定日期或业务量时进行，并在下一项重大承诺之前进行。该决策是组合行动，而不是回顾性项目评分。

规模化可能意味着更多用户、交易、国家、业务部门、数据源、自主性或模型能力。每种形式对风险和成本的影响不同。审批应明确规模化维度以及仍然有效的证据。扩展到新的法律管辖区或受影响人群的用例可能需要重新分类和新的控制评审。

停止应有运营计划。团队需要有权终止合同、释放预留容量、归档数据、移除访问权限、保留记录、通知用户、回退流程并汲取经验教训。沉没成本叙事不应让不经济或不受控的用例继续存在。

表 5. 停止或规模化决策矩阵

阈值均为假设性示例。每个组织应在其治理框架内设定重要性、风险和证据阈值。

数值和阈值均为假设性建模假设。状态颜色汇总底层证据，并不独立证明就绪状态或价值。

[/FIGURE]

16. 控制供应商、集中度与退出

供应商选择可决定成本、性能、数据使用、可审计性、服务韧性和退出。商业论证应区分模型提供商、应用提供商、云或基础设施提供商、集成商和数据供应商。单一合同可能合并多个角色。应在整个组合范围内评估集中度，因为不同业务单元可能在没有集中视图的情况下形成较大的共享风险敞口。

尽职调查应涵盖服务范围、价格驱动因素、最低采购量、产能、安全、隐私、知识产权、训练数据使用、模型和功能变更、分包商、事件通知、数据位置、审计、监管配合、可移植性、过渡和终止。供应商声明应结合预期用途和内部证据进行验证。认证或标准可支持尽职调查，但仍不足以作为用例验收依据。

退出经济性应当量化。数据导出、工作流重建、用户再培训、并行运行和记录保留可能具有重大影响。模型变更可能在无需传统软件发布的情况下改变性能。因此，合同和运营应支持通知、测试和回滚。当双源采购不经济时，董事会应了解已接受的依赖关系和应急方案。

项目组合办公室应维护承诺事项日历。日历应显示续约日期、价格审查、最低采购量阶梯、容量预留和终止窗口。在自动续约后做出的停止决策，其经济保护力度低于在承诺日期前安排的审查。

17. 为董事会提供以证据为导向的仪表盘

董事会仪表盘应简洁且可追溯。它需要列示项目组合总计、自上次会议以来的变动、需要做出的决策和重大例外事项。它应显示已批准支出、承诺、年度运行率、预测规模成本、按置信水平列示的收益、采用率、关键控制失效、数据关口、集中度以及接近停止或规模化审查的用例。

汇总数据需要下钻。总体呈绿色的项目组合平均值可能掩盖单个红色的高后果用例。董事会应查看按累计承诺和风险列示的例外事项，还应查看长期未决条件、反复推迟的关口，以及在支出持续的同时仍停留在假设或试点水平的收益。

预测价值和已实现价值应保持分开。仪表盘可列示按置信度加权的预期收益，用于情景分析，但不应将其报告为已实现价值。经财务核实的现金、容量、收入和服务成果需要单独列示。避免成本应指明发生变更的已批准计划或合同。

委员会资料包应说明重大假设和变更。更低的模型价格、更高的用户量、修订的数据许可或新法规都可能改变论证。版本控制应保留每个关口批准的依据，并解释当前变动。这有助于问责，同时不会形成在上线后即过时的静态商业论证。

18. 在九十天内启动治理体系

第一个月应建立清单和决策边界。管理层应识别所有 AI 用例、平台、基础设施承诺、订阅、供应商和数据域。每个事项均需指定负责人，并记录成熟度、累计支出、运行率、下一承诺日期和风险分类。财务应将总账和合同与清单进行核对。

第二个月应建立统一的证据标准。业务负责人界定基线和收益机制。技术和数据团队评估架构和就绪情况。控制职能定义相称的关口。采购部门识别集中度和续约风险敞口。项目组合办公室梳理依赖关系，并识别在证据到位前应暂停下一承诺的用例。

第三个月应运行首个停止或规模化周期。管理层选择风险敞口最高且承诺日期最近的用例。投资委员会检验商业论证、条件和退出路径。董事会批准项目组合总体范围、重大例外事项和未来报告节奏。随后，各团队将该体系作为经常性决策流程运行。

表 6. 九十天 AI 资本支出治理启动

该顺序仅为示意。时间安排应反映投资组合规模、监管义务、数据可用性和现有治理成熟度。

该办公室应从重大决策入手，而不是完整重构历史。低价值实验可以纳入简化流程。高承诺、高后果或临近续期的项目应立即关注。在治理体系开始保护下一项决策的同时，清单可以逐步完善。

结论

AI 资本支出治理将技术进步与资本纪律相连接。董事会需要一个经过核对的用例、共享能力和承诺组合。每个重大用例都需要明确运营问题、反事实情形、全生命周期经济性、数据就绪度、控制设计、采用计划以及可问责的效益负责人。证据应通过各阶段关口逐步成熟，然后再增加承诺。

本文所述系统采用五个相互关联的工具：用例组合地图、效益信心阶梯、数据就绪度热力图、控制关口以及停止或扩展仪表盘。它们共同显示哪些用例值得获得探索性资金、哪些需要有针对性的整改、哪些已准备好受控扩展、哪些应关闭。它们还揭示了无法通过逐个实验来治理的共享基础设施和供应商风险敞口。

良好的治理在保护资本的同时保留学习。当承诺有限且经验教训得到记录时，被停止的用例仍可产生有用证据。实现扩展的用例通过具有代表性的绩效、用户采用、有效控制和经财务验证的价值获得更大授权。董事会的职责是明确这些标准，并确保管理层在投资组合变得难以逆转之前加以应用。

附录 A. 针对重大 AI 承诺的董事会问题

1. 哪些运营问题和受影响的流程在范围内？
2. 在维持现状的情况下会发生什么，以及测试了哪些非AI方案？
3. 哪些效益属于现金、产能、收入、服务或风险结果？
4. 每项收益当前的置信度如何，哪些证据能提升该置信度？
5. 全生命周期的现金、产能和合同承诺分别是什么？
6. 哪些数据权利、质量、血缘、安全和监控条件仍未解决？
7. 涉及哪些人工决策、受影响方和司法管辖区？
8. 在试点、生产和规模化之前需要哪些控制措施？
9. 哪些采用率和质量阈值会触发扩大规模、暂缓或停止？
10. 下一项不可逆承诺是什么，在此之前需具备怎样的退出计划？

附录 B. 停止或扩大规模的最低证据包

1. 当前用例定义和版本历史。
2. 基线、反事实和收益衡量方法。
3. 实际和预测支出、承诺及年度运行成本。
4. 在代表性用户和条件下的试点或生产结果。
5. 采用率、接受度、返工、人工覆盖及回退方面的证据。
6. 数据就绪状态和待解决整改事项。
7. 控制测试结果、事件、限制及剩余风险接受情况。
8. 供应商绩效、集中度、续约与退出状况。
9. 情景经济性、转换价值以及下一节点前的风险现金。
10. 包含条件、责任人、日期和后果的管理层建议。

参考文献

1. 国际清算银行，《为AI热潮融资：从现金流到债务》，BIS 简报第120号，发布于2026年1月7日。 https://www.bis.org/publ/bisbull120.htm
2. 国际清算银行，《AI投资竞赛》，BIS 研究论文第1367号，发布于2026年7月14日。 https://www.bis.org/publ/work1367.htm
3. 国际能源署，《能源与AI的关键问题》，发布于2026年。 https://www.iea.org/reports/key-questions-on-energy-and-ai
4. Alphabet Inc.，截至2025年12月31日止年度的10-K表格年度报告，提交于2026年2月5日。 https://www.sec.gov/Archives/edgar/data/1652044/000165204426000018/goog-20251231.htm
5. Microsoft Corporation，截至2026年6月30日止年度的10-K表格年度报告，提交于2026年7月30日。 https://www.sec.gov/Archives/edgar/data/789019/000119312526323660/msft-20260630.htm
6. Meta Platforms, Inc.，截至2025年12月31日止年度的10-K表格年度报告，提交于2026年1月29日。 https://www.sec.gov/Archives/edgar/data/1326801/000162828026025534/meta-12312025x10kars.htm
7. Amazon.com, Inc.，截至2026年6月30日止季度的10-Q表格季度报告，提交于2026年7月31日。 https://www.sec.gov/Archives/edgar/data/1018724/000101872426000026/amzn-20260630.htm
8. 经合组织、波士顿咨询公司与欧洲工商管理学院，《企业采用人工智能：政策制定的新证据》，发布于2025年5月2日。 https://doi.org/10.1787/f9ef33c3-en
9. 经合组织，《生成式AI对生产率、创新和创业的影响》，经合组织人工智能论文第39号，发布于2025年6月20日。 https://doi.org/10.1787/b21df222-en
10. 美国国家标准与技术研究院，《人工智能风险管理框架 1.0》，发布于2023年1月26日。 https://doi.org/10.6028/NIST.AI.100-1
11. 美国国家标准与技术研究院，《人工智能风险管理框架：生成式人工智能概况》，发布于2024年7月26日。 https://doi.org/10.6028/NIST.AI.600-1
12. 美国政府问责局，《人工智能：面向联邦机构和其他实体的问责框架》，GAO-21-519SP，发布于2021年6月30日。 https://www.gao.gov/products/gao-21-519sp
13. 国际标准化组织，《ISO/IEC 42001:2023 信息技术 — 人工智能 — 管理体系》，发布于2023年12月。 https://www.iso.org/standard/81230.html
14. 美国联邦储备系统理事会，《模型风险管理修订指引》，SR 26-2，发布于2026年4月17日。 https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm
15. 欧盟委员会，AI法案：人工智能监管框架，更新于2026年8月3日。 https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
16. 欧盟，《(EU) 2024/1689号条例》，规定人工智能协调规则，发布于2024年7月12日。 https://eur-lex.europa.eu/eli/reg/2024/1689/oj
17. 英国财政部，《2026年绿皮书》，发布于2026年2月5日。 https://www.gov.uk/government/publications/the-green-book-appraisal-and-evaluation-in-central-government/the-green-book-2026
18. 英国财政部，《关于编制商业论证的指引》，更新于2026年6月30日。 https://www.gov.uk/government/publications/guidance-on-developing-business-cases
19. 科学、创新与技术部与政府数字服务局，《数字与数据效益框架》，发布于2026年4月7日。 https://www.gov.uk/government/publications/digital-and-data-benefits-framework
20. 内阁办公室与英国财政部，《政府效率框架》，发布于2025年。 https://www.gov.uk/government/publications/the-government-efficiency-framework/the-government-efficiency-framework--2