AI 利润率提升证据：买方在估值中可能资本化的内容

1. 明确交易决策

分析应从正在作出的决策开始。收购定价、卖方准备、公允性分析、增长投资、债务承销和并购后价值创造需要不同的证据和风险分配。估值日期、交易边界、所有权变更、预测期限、融资结构和预期整合应予以明确。

核心问题是，在扣除所有成本、风险和商业应对措施后，已定义的由AI支持的工作流程能产生多少增量、可转移且持久的现金。模型演示、用户许可数量或任务时间缩短本身并不能确立企业利润率。

证据应在既定日期冻结。可解决的缺口应纳入尽职调查；剩余不确定性应纳入情景、结构、保留款、契约或价格。已观察结果、已批准举措和愿景型用例应保持分离。

2. 确立经济与控制边界

该边界应识别纳入所声称提升的业务单元、法律实体、工作流程、产品、地区、员工、供应商、数据、模型、软件、基础设施和合同。共享服务和关联方安排需要透明分摊。

控制权很重要。目标公司可能拥有代码和数据、许可使用模型、消费软件服务，或依赖创始人、整合方或客户系统。需要不可转让权利或非正式访问才能实现的收益，可能在交割后消失。

经济边界应勾稽收入、人力、承包商、云服务、许可、实施、数据、治理、安全、合规、整改、营运资金和资本支出。若无可执行机制，收购边界之外的节省不应计入目标价值。

3. 建立 AI 价值证据台账

表 1. AI 利润率证据台账

每项价值主张都应关联受控基线、经营记录、责任人和现金影响。

台账应保留来源、定义、单位、期间、总体、版本和审批人。更正应保留原始记录。管理层估计应在交易工作底稿中标注，即使面向读者的报告使用通俗语言的情境描述。

买方应能够选择一项估值调整，并沿现金、经营结果、干预措施、基线和底层数据对其进行反向追溯。断开的链接应纳入下行情景。

4. 定义由 AI 支持的工作流程

应先描述工作流程，再描述模型。输入、决策、输出、控制、交接、例外、客户影响和可问责角色决定了一项技术能力是否会改变企业经济性。

用例可包括客户支持、销售协助、编码、文档处理、预测、欺诈检测、维护、质量控制、定价和产品设计。每类用例在延迟、准确性、人工复核、责任和采用方面有不同要求。

买方应识别受制约的环节。当审批、客户获取或实施仍是瓶颈时，更快起草的价值有限。价值来自端到端工作流程，而非孤立任务。

5. 冻结基线方案

该方案应适应工作流程、决策周期和可用的反事实。

基线应说明期间、总体、数量、服务水平、质量、构成、人员配置、成本、价格、系统和异常事件。它应使用能够从源记录中复现的定义。

季节性、增长、积压、通胀、重组和其他技术变化都可能推动相同的指标。方案应在检查结果之前定义调整项。仅采用一个方便的上一月份作为反事实，很少足够。

基线治理应明确谁可以更改定义，以及重述如何获得批准。源系统变更、重组和修订后的分配规则可能使后续期间看起来更好，但并无经营收益。买方应同时保留报告基线和交易正常化版本，并在两者之间建立衔接。财务指标应与相关分类账科目核对一致；运营指标应与受控事件记录核对一致。对于高业务量活动，抽样可以按比例进行，但须具备代表性设计并开展例外测试。

处理能力与质量应共享同一边界。如果基线处理时长不包括调研、升级或通话后工作，而 AI 期间仅包括模型辅助环节，则比较会有偏差。排队和需求效应也很重要：需求疲软时处理时长降低，可能使吞吐量保持不变。因此，方案应在任务时间之外，同时衡量端到端完成情况、积压、服务水平和资源利用率。任何假定的未来基线恶化，例如工资通胀或业务量上升，都应作为预测驱动因素，而不应污染观察到的提升。

6. 选择识别方法

随机推广、分阶段采用、匹配对照、双重差分、中断时间序列和受控前后分析提供不同水平的因果证据。方法应契合运营约束和数据质量。

选择偏差很重要，因为更强的团队或更积极的用户往往率先采用。因此，将采用者与非采用者比较，可能把先前存在的绩效差异归因于 AI。当用户共享产出或做法时，溢出效应可能污染对照组。

分析应报告效应量、不确定性、持续时间和总体。统计显著性并不确立财务重大性，而识别较弱的重大估计应获得更大的估值区间。

随机化可在用户、团队、客户、案例或时间窗口层面进行。分析单位应反映溢出效应和运营独立性。聚类分配可能减少污染，同时也会降低统计功效。当实施能力有限时，分阶段推广可能切实可行，前提是时间安排并非依据预期绩效选定。双重差分要求有证据表明，在没有干预的情况下，处理组和对照组本会遵循可比趋势。事件研究图可揭示预趋势和滞后效应。

尽职调查团队应检查流失、记录缺失、干预不依从以及指标采集方式的变化。意向治疗估计衡量提供该工具所带来的效应；受处理者处理效应估计需要更强的假设，并可用于未来的采用案例。多结果指标和反复模型调优会增加出现选择性阳性结果的机会。报告应说明预先指定的指标、敏感性测试和阴性结果。在无法进行受控识别时，跨时间、团队、系统、访谈和现金的三角验证，能比单一精确百分比提供更诚实的证据范围。

7. 将任务生产率与企业生产率分开

任务时间可以缩短，而成本并未降低、收入也未增加。员工可能将释放出的时间用于审查、协调、客户工作、学习或闲置产能。员工人数可以保持不变，而服务水平得到提升。

NBER 针对客服人员生成式助手的实地研究报告称，生产力平均有所提升，但不同经验水平之间存在显著异质性。这只是一项针对特定工作流和场景的证据，不能自动作为另一家公司的利润率假设。

买方应沿着工作流吞吐量、瓶颈、利用率、产能决策和现金，将任务收益逐层映射。最弱的转化环节会限制可资本化价值。

企业生产力应使用反映客户价值或业务价值的产出分母。文档产出量、代码行数或尝试联系人数可能上升，而被接受的发布、客户转化或贡献却停滞不前。应控制产出构成，因为推广后更简单的工作可能迁移到被衡量的人群中。买方可以检查分布，而不仅是均值：方差、尾部错误和升级事件可能揭示被平均速度掩盖的成本。

释放出的产能有多种用途。它可以在不招聘的情况下吸收增长、减少加班或外包人员、支持服务改进、缩短交付周期、增加销售活动，或允许人员缩减。每条路径在时点、成本和确定性上各不相同。财务模型应按队列和期间选择明确的路径。它还应保留审查、学习、韧性和需求高峰所需的产能。当管理层计划重新部署时，承接活动应有需求、责任归属和可衡量的贡献；否则该节省仍只是运营机会。

8. 按队列衡量采用情况

采用情况应区分许可证分配、登录、符合资格的使用、活跃使用、被接受的产出、合规使用和持续的工作流集成。单一的汇总用户百分比可能掩盖未活跃许可证和重度用户集中的问题。

队列应按开始日期、角色、地点、管理者、基线绩效、工作流和模型版本定义。留存曲线可以显示初始试验是否会转化为持久实践。

收益往往因经验而异。买方应避免将最强新手队列的结果套用到每位员工。按队列加权的结果应使用未来员工构成。

9. 构建从采用到价值的转化曲线

用观察到的符合资格用户、持续采用、工作流使用和现金转化替换该曲线。

转化曲线应将符合资格人群与活跃使用、集成使用和现金转化使用进行勾稽。流失可能源于访问权限、信任、培训、质量、延迟、政策、管理者支持或工作流不匹配。

预测采用情况应使用观察到的转化率和计划干预措施。在没有培训、流程重新设计或激励措施的情况下突然全面采用，应明确计入下行情形。

10. 定义成果层级

成果应分为投入、活动、运营成果、客户成果和现金。许可证和提示词属于投入；已完成任务和已采纳建议属于活动；时间、错误和吞吐量属于运营成果；留存和转化属于客户成果；薪酬、价格、销量和营运资金最终转化为现金。

领先指标可支持管理行动，不应资本化为现金已经发生。估值桥应说明各层级之间的转化假设。

质量与风险须与速度并重。更快的产出若增加纠正、投诉、返工或责任，可能使表面收益化为乌有。

11. 核对节支桥接表

数值仅为示例；交易调整应来自受控的运营和财务记录。

价值桥应从观察到的任务产能开始，并扣减瓶颈、采用不充分、质量损失、实施成本和经常性成本。随后应确定将产能转化为现金的已批准行动。

除非工作流能同时支撑，否则不得既通过减少人员又通过增加产出来重复计算节约。价值桥应与财务预测和现金流量表核对一致。

总任务产能应根据合格业务量、观察到的用时变化和经质量调整的完成量计算。应排除模型无法处理的工作、被用户拒绝的案例，以及因提示词准备、审核和补救而消耗的产能。工作流转化随后纳入受限环节、人员排班、服务水平、需求和管理行动。财务转化则按实际边际费率而非员工人均平均收入，纳入工资、承包商、供应商或贡献经济性。

价值桥应逐期核对一致。实施期间，培训和整合可能造成初期生产力下滑。节约可随采用扩大而逐步提升，随后因竞争或模型更替而减弱。遣散费、合同终止、系统重复建设和留任措施可能延迟回本期。买方应列示总收益、成本、净现金和累计投资，以及该计划实现自我供资的时点。这可防止将稳态运行率视为当期盈利。

12. 区分已实现成本、避免成本和预测成本

已实现成本削减在实施后体现于工资、承包商、供应商或其他现金记录中。避免成本是公司不再需要、且可信的未来支出。预测节约取决于尚未完成的行动。

避免招聘需要已批准的人员计划、需求预测，以及无需该岗位即可交付服务的证据。职位空缺或管理层意愿并不能证明已避免现金支出。

估值应最重视经常性已实现现金，其次是有证据支持的避免成本，再次是经风险调整的预测收益。除非交易方法明确对其定价，选择权价值应置于基础收益之外。

13. 测试劳动力转化

劳动力桥接分析应核对全职等效产能、实际岗位、人员流失、招聘、遣散、重新调配、加班和承包商支出。组织重组和协商可能延迟现金转化。

知识转移可能改变绩效分布。AI 可能帮助经验较少的员工接近表现更强的同侪，但对专家带来的收益有限。劳动力预测应保留必要的复核、升级和领域专业知识。

员工关系、劳动法和激励效应需要本地审查。激进的节约假设可能损害采用或增加控制风险。

14. 保持质量和客户成果

质量指标应在推广前界定。准确性、首次解决率、缺陷、返工、投诉、流失、满意度、安全性和监管例外可能抵消速度优势。

人工复核可以保持质量并减少时间节省。复核强度应反映风险和观察到的模型表现。预测不应在没有证据的情况下同时假设完全自动化和复核成本不变。

客户反应可能影响收入。更快的服务可能提高留存，而通用或错误输出可能削弱信任。结果应按同期群衡量，并与可信的对照组比较。

15. 对收入提升进行归因

收入增长主张可能来自更强的销售能力、更精准的定位、更快的响应、更高的转化率、定价改善、产品创新或留存。每条路径都需要从干预到客户行动和现金的受控关联。

销售管道活动不是收入。线索、提案和互动应对应到订单、交付、发票、收款和增量毛利。既有需求和销售激励可能干扰归因。

增量收入应采用扣除履约、佣金、支持、云、退款和营运资金后的贡献毛利。将收入倍数应用于与 AI 相关的总销售管道，可能严重高估价值。

销售实验应控制区域、客户潜力、销售代表、活动、产品可用性和定价权限。AI 辅助的外联可以增加活动量，同时降低相关性或品牌质量。线索评分可以将精力重新导向已可能购买的客户，从而提高衡量到的转化率，但不创造增量需求。留出组、随机化推荐或分阶段部署可以加强归因。应审查客户层面的效应是否集中；一次大型续约可能主导表面上的提升。

定价用例需要额外谨慎。更高的已实现价格可能反映产品组合、稀缺性、合同时点或折扣权限降低，而不是模型。买方应综合审查价格、销量、流失、赢单率、服务成本和终身贡献。推荐系统可以在目标公司自有产品之间转移需求，创造总收入提升而不带来增量集团价值。预测收入还应包括销售周期时点和收款。需要更多实施工作或带有取消权的已预订订单，不应与已收款的经常性毛利获得相同价值。

16. 测试竞争性传导

效率提升可以提高利润率、支撑更低价格、改善服务或为新功能提供资金。结果取决于竞争、客户议价能力、合同续约和差异化。

如果同行能够获得类似工具，部分节省可能通过价格或所需服务水平传导给客户。买方应压力测试价格、留存率和份额，而不是假设全部成本收益都保留在 EBITDA 中。

防御性可来自专有数据、工作流集成、转换成本、分销、品牌、监管、规模或学习。竞争对手可获得的模型许可所能提供的独立护城河有限。

传导可通过正式招标、合同续约、客户谈判或更高的预期服务水平发生。传导速度取决于合同期限、信息披露、客户集中度和成本结构的可见性。成本加成安排可能快速传导节省；固定价格合同可在重新定价前保留收益；受监管或基准化的市场可能施加单独的利益分享。商业模型应梳理具体机制，而不是套用单一的通用衰减假设。

竞争对手可能利用 AI 降低价格、缩短交付时间、增加功能或瞄准相同客户。目标公司可通过将部分节省再投资于差异化来保留价值。这会在利润率和增长投资之间形成有意的分配。买方案例应比较收获策略与防御并增长策略，包括客户反应和所需支出。护城河主张应通过权利、数据独特性、嵌入式工作流、证据积累和转换成本来检验。当模型和数据成本在整个市场普遍下降时，仅靠规模较为薄弱。

17. 构建完整的实施成本堆栈

表2. AI 实施与经常性成本堆栈

成本应按工作流、阶段和会计处理方式分配。

实施成本应包括内部人工与业务中断。将会计成本资本化并不能消除现金风险或执行风险。剩余支出应与里程碑和产能挂钩。

共享平台成本需要按照预期使用情况进行分摊。随着用量变化，供应商折扣、最低承诺和汇率可能改变单位经济效益。

18. 对经常性单位经济性进行建模

经常性经济效益应衡量每个被接受、合规且有用成果的成本，而不是仅衡量每个词元或模型调用的成本。失败、被拒绝和重复的输出会消耗资源。

许可、推理、存储、检索、数据、可观测性、人工审核、支持与安全可能以不同方式扩展。在初始期结束后或供应商重新谈判后，定价可能发生变化。

在应对更高用量、更长上下文、模型替换、服务级别要求和数据驻留时，应对单位经济效益进行压力测试。成本节约应在合理的供应商条款下仍然成立。

19. 治理数据、隐私和知识产权

买方应梳理数据来源、同意、用途、质量、访问、保留、传输和删除。敏感的客户、员工和受监管数据可能限制使用并产生补救成本。

应在雇佣、供应商、开源、客户和合作伙伴协议中审查训练、检索和输出权利。对代码或提示词的所有权并不必然赋予对底层数据或生成材料的权利。

隐私、保密和知识产权风险应同时纳入现金流和交易保护。缺乏支持的承诺或非法处理可能在交割后损害用例。

20. 执行会计纪律

会计确认与估值既相关又不同。IAS 38 要求无形资产具有可辨认、受控制的资源并满足确认标准。在云安排中，当客户不控制资产时，配置或定制化可能仍属于服务成本。

买方应调节资本化开发、费用化研究、许可证、预付服务、减值和使用寿命。EBITDA 的改善可能因成本分类而显得更好，但并未改变现金。

购买会计可能根据适用准则识别技术、客户和其他无形资产。交易估值应避免在预测现金和单独资产溢价中重复计算同一收益。

盈利质量工作应将报告的 EBITDA 与现金衔接，并识别开发成本、云承诺、内部劳动力和供应商抵免出现在何处。公司在将符合条件的开发支出资本化后，可能报告更高的 EBITDA，同时现金流出上升。相反，费用化投资可能压低当期盈利，却支撑未来现金。买方应以在历史期和预测期一致的政策进行正常化，并保留适用的会计要求。

购买价格分配与交易估值服务于不同目的。已识别的技术可根据适用报告框架，采用成本法、收益法或市场法进行估值。客户关系在其预测中可能已经反映了 AI 支持的留存。贡献资产费用和使用寿命应避免重叠。交割后的减值分析可能揭示出依赖采用率或增长但并未实现的商业案例。因此，交易模型应保留同时支持价格和未来报告的假设，并对变更进行治理。

21. 确立可转让性与控制

只有当买方获得继续实现成果所需的权利、系统、数据、人员、合同和运营知识时，价值才发生转移。创始人知识、非正式供应商访问或客户特定例外可能较为脆弱。

尽职调查团队应识别控制权变更同意、许可证转让、数据可移植性、模型访问、源代码、文档、关键员工、分包商和退出协助。依赖卖方保留基础设施的收益需要过渡安排和成本。

在适当情况下，应通过受控恢复或交接演练测试可转让性。文档数量是较弱的证据，不如获授权团队运营并复现结果的能力。

22. 验证模型与决策控制

验证应涵盖准确性、校准、偏差、稳健性、漂移、必要时的可解释性、工作流适配性、安全性和财务结果。应使用与开发阶段不同的数据和条件。

模型清单应明确所有者、用途、版本、依赖关系、数据、审批、限制和监控。生产工件应关联至已批准版本。应保留覆盖和例外记录。

NIST 的 AI 风险管理框架和 ISO/IEC 42001 提供了治理概念，可为相称的控制措施提供参考。对框架的合规性应通过运营实践来证明，而不仅仅是政策声明。

验证应在声称产生价值的工作流中测试系统。离线准确性可能无法捕捉延迟、检索失败、用户解读、自动化偏差或与审批规则的交互。测试样本应覆盖正常、困难、高价值和高风险案例。验收阈值应由承担责任的业务负责人和风险负责人批准。当模型建议价格、信贷、就业、安全或其他带来重大后果的决策时，其治理和法律标准可能显著高于起草辅助。

监控应结合领先指标和滞后指标。输入漂移、置信度、拒绝、覆盖和例外可在现金损失出现前发出恶化信号。返工、投诉、客户结果、合规违规和已实现利润率可确认实际影响。阈值应触发既定行动：额外审查、缩小范围、回滚、重新训练或暂停。反复的人工纠正可能表明，表面上的自动化仍依赖专家劳动。估值应计入该劳动和预期续约周期。

23. 测试供应商和基础设施集中度

AI 工作流可能依赖模型提供商、云、向量数据库、数据供应商和集成合作伙伴。服务中断、价格变化、政策、模型退役或收购可能改变经济性。

合同应明确服务、安全、数据使用、知识产权、审计、责任、变更、终止和过渡。最低支出和用量层级应与预测核对一致。

替代测试应考虑输出质量、延迟、集成、重新训练、审批和客户义务。当切换需要数月重新开发时，名义上的第二供应商并不构成韧性。

24. 评估网络与运营韧性

攻击路径可包括提示注入、数据泄露、检索投毒、失陷凭证、恶意工具和存在漏洞的集成。会根据记录或外部服务采取行动的系统可能造成直接运营损失。

控制措施应包括身份、最小权限、分段、输入和输出处理、监控、速率限制、变更审批、备份、恢复和事件响应。人工审批应与潜在后果相匹配。

韧性成本应纳入运营模式。保险和供应商责任可能留下重大除外责任或赔偿上限；买方应对剩余现金敞口进行压力测试。

25. 构建持久性测试

用观察到的现金、采用率、模型、客户和成本证据替换示意曲线。

持续性应在技术表现、采用率、工作流整合、客户反应、竞争、供应商成本、监管和组织能力等方面进行测试。单一的衰减因子会掩盖不同成因。

每个驱动因素都应有可观察指标和负责人。随着证据趋于成熟，预测便可更新。买方应避免终值利润率超过权利和市场结构所支持的持久性。

技术持续性应参照业务成果来衡量，而不是仅依据固定测试集。输入人群、语言、产品和客户行为都可能变化。模型升级可能提高平均质量，同时改变语气、延迟、成本或边缘案例行为。回归测试套件应纳入具有商业重大性和高风险的案例。工作流持续性要求稳定的接口、审批、培训、支持以及管理者的强化。用户群衰减可能表明该工具增加了摩擦，或早期用户不具代表性。

现金持续性应协调续约、价格、成本和维护。一项收益在运营上可能仍然可见，而供应商成本上升或客户获取了该收益。模型应估算为保留数据、集成、控制和技能所需的再投资。持续期应与合同和技术证据相一致，而不是按惯例采用标准预测期。交易结构可以通过分阶段对价或可衡量契约，对将在交割后趋于成熟的证据作出响应。

26. 区分模型漂移与商业衰减

当数据或关系发生变化且技术表现减弱时，就会发生模型漂移。当竞争对手模仿、客户要求降价、销量转移或工作流失去战略相关性时，就会发生商业衰减。

补救措施不同。再训练可能恢复准确性，但无法恢复已失去的价格溢价。因此，产品和商业团队应将价值与模型指标一起监控。

估值情景应区分可补救的退化、经常性续约成本和结构性侵蚀。终值假设应反映维持优势所需的预期再投资。

27. 测试规模与整合约束

试点可以在精选数据、选定用户和人工支持的基础上运行。企业推广会引入遗留系统、边缘案例、峰值负载、司法管辖区、访问控制和服务承诺。

规模证据应包括代表性业务量、异常率、延迟、可用性、支持工作量、单位成本和控制表现。没有这些测试，不应将试点成功率乘以企业总业务量。

与财务、客户、供应链和运营系统的整合既能创造价值，也能造成锁定效应。剩余接口、数据修复和流程重新设计应纳入成本与时间安排。

28. 区分独立收益与买方协同效应

独立价值应反映标的在当前所有权结构下、依托有依据的举措所能实现的价值。买方特有协同效应可能来自规模、数据、分销、采购、平台、客户触达或消除重复。

估值应避免就仅能由买方创造的协同效应向卖方付费，除非竞争性流程或谈判要求分享该协同效应。每项协同效应都应同时考虑成本、时间和执行风险。

负协同效应也应纳入模型。整合可能中断工作流程、变更许可、触发同意要求、降低员工采用率或造成数据限制。

29. 选择估值方法

现金流折现可对由AI驱动的增量收入、成本、投资、风险和终值进行建模。可比公司或交易倍数可提供市场交叉验证，并可能包含不同的AI敞口和会计处理。

当权利和现金流可以单独分离时，单独的技术资产法可能有用。许可费节省法、超额收益法、重置成本法和期权法需要针对具体方法的证据，且不应重复计算预测收益。

所选方法应遵循价值的经济来源。当可持续现金流、权利和差异化未被证明时，仅因AI标签而给予笼统溢价是缺乏依据的。

现金流折现模型应在具有重大影响时按用例或工作流程构建价值，然后与合并预测勾稽一致。收入、成本、投资、税务、营运资金和终值假设应共享相同的采用率和持续性驱动因素。情景应保留依赖关系：更高的使用率可能同时增加收益和模型成本；更快的自动化可能增加遣散费和控制支出；更强的竞争反应可能降低价格，同时提高所需创新投入。

市场证据应就增长、盈利能力、经常性收入、客户集中度、资本密集度、会计处理和商业模式进行标准化调整。被描述为AI业务的公司可能拥有技术、转售基础设施、在内部应用AI，或仅仅将该标签用于营销。交易溢价可能反映稀缺性、战略控制权或流程竞争，而非可重复的利润率。买方应将市场倍数用作合理性区间，并通过现金流、权利或结构解释任何增量溢价。

30. 构建买方估值瀑布

数值仅为示意；扣减项应有交易证据和相互一致的情景支持。

分配瀑布应从所主张的提升开始，并扣减缺乏支持的基准、归因不确定性、采用不充分、质量漏损、全生命周期成本、竞争性价格传导和剩余风险。输出应与估值现金流勾稽一致。

调整应避免重叠。已通过较低现金流建模的风险，不应再通过相同的倍数下调重复计算，除非仍存在剩余不确定性。

分配瀑布应为每个重大用例分别构建后再合并。组合总额可能掩盖一个成熟且可产生现金流的工作流和若干投机性试点。共享平台成本应一致分摊，模型提供商或数据源等共性风险应对所有依赖用例进行压力测试。价值桥应分别列示已观察期、运行率期和预测期。运行率应要求行动已完成、具备当前能力，并有证据表明该期间具有代表性。

当尽职调查发现未充分利用的产能、经核实的需求和有资金支持的转化计划时，买方调整也可能为正。在观察到采用情况和现金流之前，此类价值仍应作为预测值。报告应说明释放计入基础价值所需的证据、责任负责人和预计复核日期。这形成持续更新的承销案例，可支持整合治理、或有对价计算和未来减值复核。

31. 构建相互一致的下行情景

下行情景应结合存在因果关联的事件。采用率下降可降低许可和算力成本，同时推迟人力措施。模型表现不佳可同时增加复核成本并削弱客户成果。

情景应对收益、时点、实施、经常性成本、供应商价格、监管、竞争、质量和补救进行压力测试。流动性应覆盖失败或延迟推广情形下的路径。

管理层情景应与已观察区间和独立证据进行比较。概率加权情景不应暗示底层驱动因素并不支持的精确性。

下行设计应从失败模式出发。数据权利可能限制工作流；模型变更可能降低质量；供应商可能提价；用户可能拒绝该工具；监管机构或客户可能要求复核；整合可能延迟；人力措施可能成本更高；竞争对手可能将收益传导至价格。每种失败模式应映射至受影响的用例、时点、现金流、补救措施和控制。跨多个用例的组合多元化应反映共享供应商、数据、变革能力和治理。

流动性分析应包括已承诺许可、云最低消费、承包商、补救、遣散、重复系统及营运资金影响。失败举措可能在保留技术承诺的同时维持人员成本。恢复可能需要模型替换或工作流回滚，而这本身会耗费现金并中断服务。买方应识别可停止、调整方向或扩大投资的决策点。当合同和架构支持时，这种真实经营灵活性可降低下行风险；在承诺固定的情况下，不应假设存在该灵活性。

32. 保护终值

终值应假设持续投资于模型、数据、整合、安全、技能和合规。当技术和竞争变化时，由 AI 支持的利润率无法在无更新情况下无限期持续。

买方应区分持久工作流能力与特定模型版本。可移植性、数据权利和组织学习可在供应商变更后存续；暂时性的模型优势则未必。

退出假设应考虑另一买方能否重现现金流并获得所需权利。缺乏支持的战略溢价应保留在基础价值之外。

33. 利用交易结构应对证据缺口

业绩补偿、保留款、分阶段对价、保证、赔偿、托管和契约可以分配特定不确定性。指标应基于受控记录定义，并能在交割后抵御操纵。

基于总营收的业绩补偿可能鼓励降价或成本增长。利润率或现金指标可能受到整合分摊的影响。协议应明确范围、会计、投资、管理控制和争议解决。

交易结构不应取代对合法性、安全性、数据权利或根本可行性的尽职调查。有些缺口需要在交割前整改。

34. 准备尽职调查请求

该请求应涵盖工作流程图、商业案例、基线数据、推广记录、模型清单、验证、用户、采用情况、输出、质量、员工队伍、客户、供应商、成本、事件、财务结果和预测。

样本应包括成功、疲弱、异常和失败期间。应保留原生记录。精选演示应与生产日志和现金进行核对。

访谈应包括工作流程负责人、用户、财务、技术、安全、法律、合规、人力资源、销售以及经许可的客户。不一致的定义应在估值前解决。

35. 创建买方数据室

表3. 由AI支持的利润率尽职调查数据室

完整性应针对交易范围和估值日期进行检验。

数据室应保留原始文件、所有者、日期和版本历史。摘要应链接至源记录。访问应保护个人、机密和受监管信息。

独立审查人应依据原始工作流数据复现所选声明，并追踪至财务影响。缺口应反映在价格、条件或结构中。

36. 对买方调整进行分类

表 4. 买方对由 AI 支持的价值主张的处理

处理方式取决于证据、可转移性和持久性，而非举措所附的标签。

分类在估值、盈利质量审查和交易文件中应保持一致。将预测重新标记为运行率不应改变证据要求。

买方应记录每项调整、责任人、来源、敏感性和处理方式。这形成了从尽职调查到定价的可支撑衔接。

37. 设计董事会与整合报告

报告应将工作流、采用情况、质量、客户、成本和现金联系起来。指标需要稳定的定义、截止口径和与账目的对账。群组和模型版本应保持可见。

董事会应看到按用例、供应商、数据源、客户和价值驱动因素划分的集中度。还应看到事件、人工覆盖、漂移、剩余实施成本以及仍属预测的收益。

整合报告应保留原始基线，并单独识别买方行动。这有助于公平的盈利支付、协同效应和交易后绩效分析。

38. 识别危险信号

危险信号包括：没有基线的声称百分比、事后诸葛亮式回测、挑选用户、质量缺失、将总产能视为现金、遗漏内部人工、将资本化成本呈现为节约，以及没有再投资的终期利润率。

其他信号包括不可转让的许可、数据权利薄弱、未记录的模型变更、供应商集中度、缺乏支持的AI营销宣传、未解决事件，以及超出已观察采用情况的预测。

危险信号是尽职调查提示。其对估值的影响取决于证据、重要性、补救措施和结构。

39. 执行买方百日计划

表 5：百日 AI 利润率验证计划

顺序应体现交易时点、风险、证据缺口和整合依赖关系。

第一个月应核对定义、系统、合同、运营记录和现金。法律、安全、客户和控制方面的紧迫缺口应优先处理。

第二阶段应复现代表性结果，并量化估值桥。最终阶段应实施已批准的行动，明确责任人、资金、基线和监控。

40. 结论

由AI驱动的利润率应通过从工作流程到现金的证据进行估值。可信的案例应冻结基线、识别因果关系、衡量采用情况和质量、通过已批准行动转化产能，并计入全生命周期成本。

任务生产率是企业价值的输入项。瓶颈、劳动力举措、客户反应、竞争、模型表现、权利和治理，决定了最终能进入可持续利润率的金额。

可观察的经常性现金在可转移且可持续时，可支持基础估值。规避成本、已承诺举措和期权价值需要逐步更强的风险调整。买方特定协同效应应归入单独案例。

实务标准是可复现性。独立审阅人应能够选择一项主张的收益、重建基线、识别干预措施、衡量结果、检查采用情况和质量、核对成本，并将净结果追溯至现金。

有力证据可支持高效定价和有针对性的结构安排。薄弱证据应降低价值、增加保护或推迟确认。这一纪律使买卖双方能够通过运营和财务现实而非标签来讨论AI。

该框架应按比例应用。后果影响较小的小型内部助手，所需控制少于自主的客户、定价或信贷工作流。重要性取决于现金、客户、安全、法律和声誉风险敞口。适度开展的工作仍需明确的基线、完整成本和可问责的责任人。模型架构的复杂程度不能弥补薄弱的运营证据。

随着业务成熟，买方可以用分群采用情况、受控结果、单位成本、客户行为和现金来替代宽泛假设。这会改善跨用例的资本配置。未达到证据关口的项目可重新设计或停止；更强的工作流可获得资金和整合优先权。由此形成的纪律将AI视为一个运营投资组合，其价值通过可重复执行来赢得。

对于交易委员会而言，最终成果应是从管理层主张到买方处理口径的简短衔接，并由可审计的证据包支持。它应说明哪些已实现、哪些仍取决于管理层行动、哪些效益可转移、需要何种再投资来维持这些效益，以及下行风险如何得到保护。该衔接应一致地贯穿盈利质量、商业尽职调查、技术尽职调查、法律审查、估值、融资和交易文件。这些工作流之间的一致性本身就是一项控制措施：某项效益不应在估值中显示为已证实，却在技术、合同或经营计划中仍未解决。

由此形成的记录还应明确责任人、复核日期，以及在签署、交割和每次交割后价值复核之前所需更新的证据。

参考文献

1. 国际清算银行，AI采用、生产率与就业：来自欧洲企业的证据， https://www.bis.org/publications/working-paper-1325-ai-adoption-productivity-and-employment-evidence-european-firms
2. 经合组织（OECD），《奇迹还是神话？评估人工智能带来的宏观生产率收益》， https://www.oecd.org/en/publications/miracle-or-myth-assessing-the-macroeconomic-productivity-gains-from-artificial-intelligence_b524a072-en.html
3. 经合组织（OECD），《人工智能对生产率、分配和增长的影响》， https://www.oecd.org/en/publications/the-impact-of-artificial-intelligence-on-productivity-distribution-and-growth_8d900037-en.html
4. 经合组织（OECD），《G7 经济体中人工智能带来的宏观生产率收益》， https://www.oecd.org/en/publications/macroeconomic-productivity-gains-from-artificial-intelligence-in-g7-economies_a5319ab5-en.html
5. 欧盟统计局（Eurostat），《欧盟人工智能技术的使用：主要结果，2026 年版》， https://ec.europa.eu/eurostat/web/products-statistical-reports/w/ks-01-26-009
6. 欧盟统计局（Eurostat），《企业人工智能使用情况》， https://ec.europa.eu/eurostat/statistics-explained/index.php?title=Use_of_artificial_intelligence_in_enterprises
7. 布林约尔松、李和雷蒙德，《工作中的生成式 AI》，NBER 工作论文 31161， https://www.nber.org/papers/w31161
8. 美国国家经济研究局（NBER），《衡量生成式 AI 对生产率的影响》， https://www.nber.org/digest/20236/measuring-productivity-impact-generative-ai
9. 诺伊和张，《生成式人工智能对生产率影响的实验证据》，《科学》， https://www.science.org/doi/10.1126/science.adh2586
10. 美国人口普查局，《商业趋势与展望调查》， https://www.census.gov/hfp/btos/data_downloads
11. 斯坦福以人为本 AI 研究院，《2026 年 AI 指数报告》， https://hai.stanford.edu/ai-index/2026-ai-index-report
12. 美国证券交易委员会，《在 SEC 金融业人工智能圆桌会议上的发言》， https://www.sec.gov/newsroom/speeches-statements/uyeda-ai-roundtable-032725
13. 美国证券交易委员会，《克伦肖委员在 AI 圆桌会议上的发言》， https://www.sec.gov/newsroom/speeches-statements/crenshaw-remarks-ai-roundtable-032725
14. 美国联邦贸易委员会，《审慎对待您的 AI 声明》， https://www.ftc.gov/business-guidance/blog/2023/02/keep-your-ai-claims-check
15. 美国联邦贸易委员会，AI 企业：恪守您的隐私与保密承诺， https://www.ftc.gov/policy/advocacy-research/tech-at-ftc/2024/01/ai-companies-uphold-your-privacy-confidentiality-commitments
16. 美国国家标准与技术研究院，《人工智能风险管理框架》， https://www.nist.gov/itl/ai-risk-management-framework
17. 欧盟，制定人工智能统一规则的（EU）2024/1689 号条例， https://eur-lex.europa.eu/eli/reg/2024/1689/oj
18. 英国信息专员办公室，关于 AI 与数据保护的指南， https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/artificial-intelligence/guidance-on-ai-and-data-protection/
19. 英国竞争与市场管理局，AI 基础模型更新报告， https://www.gov.uk/government/publications/ai-foundation-models-update-report
20. 国际财务报告准则基金会，无形资产项目， https://www.ifrs.org/projects/work-plan/intangible-assets/
21. 国际财务报告准则基金会，云计算安排中的配置或定制成本， https://www.ifrs.org/projects/completed-projects/2021/configuration-or-customisation-costs-in-a-cloud-computing-arrangement-ias-38/
22. IFRS基金会，IFRS 3 企业合并， https://www.ifrs.org/issued-standards/list-of-standards/ifrs-3-business-combinations/
23. 国际财务报告准则基金会，IFRS 13 公允价值计量， https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
24. 国际财务报告准则基金会，IAS 36《资产减值》， https://www.ifrs.org/issued-standards/list-of-standards/ias-36-impairment-of-assets/
25. 国际标准化组织，ISO/IEC 42001 人工智能管理体系， https://www.iso.org/standard/81230.html
26. 国际估值标准理事会，《国际估值标准》， https://ivsc.org/standards/