2024 年秋天，加州 Fontana，一家做电商代发的 3PL 请我复盘他们的 AI 项目：AMR 调度加视觉复核。立项时董事会批了 38 万美元，车和软件 license 都算进去了。项目干完，财务结账：74 万。超支 95%。财务总监在结项会上只问了一句话：多花的 36 万，到底去哪了？
没人答得上来。因为立项那张预算表上，只有两行：设备，软件。
AI 项目的预算，永远是四笔钱，不是两笔：软件、硬件、人力、数据。少算任何一笔，超支就是必然。下面这张表，是我给所有 AI 立项项目用的预算框架，按首年 TCO 口径：
| 序号 | 哪笔钱 | 包含什么 | 典型占首年 TCO 比例 |
|---|---|---|---|
| 1 | 软件 | license 或订阅费、API token、平台使用费、次年涨价 | 20%-30% |
| 2 | 硬件 | 相机、边缘计算盒子、网络改造、供电改造、安装辅材 | 25%-35% |
| 3 | 人力 | 内部投入工时、外部实施人天、培训 | 20%-30% |
| 4 | 数据 | 数据清洗、样本标注、主数据治理、历史数据补录 | 10%-20% |
看明白了吗？软件那笔，撑死占三成。立项时只算软件，等于只看到了冰山一角。
逐笔拆开看。
第一笔，软件。license 或订阅是明账，暗账有三处。API token 按调用量计费，试点时每天几千次调用没感觉，全量上线后一个月能跑出几万次，账单直接翻倍。平台费按点位或并发收，相机从 4 路加到 12 路，费用不是线性涨，是阶梯涨。还有一个坑：按账号收费。试点 5 个账号，全量 50 个，费用翻 10 倍。签约前把三年内的账号增长计划摆给厂商，让他按阶梯一次报完价。次年续费涨价，首年折扣价、次年恢复原价，涨幅 15%-30% 是常态。签合同前，把第三年的价格也谈下来，写进补充条款。
第二笔，硬件。相机和边缘盒子是看得见的，看不见的是网络和供电。仓库 WiFi 死角多，AMR 一进死角就断连，补 AP、拉光纤、做漫游优化，一改就是几万美元。老仓供电不足，加一路工业电，电工进场、停电窗口协调，又是一笔钱。硬件这笔，现场勘测不做扎实，预算就是拍脑袋。
第三笔，人力，也是最贵的一笔。反常识的判断来了：AI 项目最贵的不是软件，是你们自己人的时间。一个中等规模的项目，IT 配合 3 个月、运营骨干半脱产 2 个月、工程现场跟进 1 个月，加起来几百个工时。按全成本折算，这笔钱经常超过软件 license 本身。更狠的是，这笔钱不在项目预算里，藏在各部门的人头费里，超了都没人发现。
第四笔，数据。这笔钱省不得，也最容易被砍。2025 年初，德州一家做汽配的 3PL 上视觉检测，数据清洗预算只批了 2 万美元。开工才发现，历史 40 多万条 SKU 主数据，重复、缺图、单位混乱，最后清洗加标注花了 9 万美元，是预算的 4 倍还多。为什么省不得？AI 吃的是数据，数据脏，模型就瞎。一个 SKU 主数据错，视觉复核的误报率能从 1% 飙到 8%，现场操作员每天多处理几百个异常，省下的 7 万数据钱，3 个月就用人肉填回去了。这钱花得冤。标注这件事，外包最容易翻车：标注标准前后不一，同一类缺陷三个人标出三种结果。解法是先做 500 张黄金样本，内部质检员标定，定为标准答案，外包照着标，抽检比例不低于 10%。标准先行，数量才有意义。
常见超支点，我列五个，都是真实项目里踩过的：
| 超支点 | 怎么发生的 | 防范动作 |
|---|---|---|
| 网络供电改造漏算 | 预算只含设备，现场勘测走过场 | 立项前做付费勘测，勘测费计入预算 |
| 数据清洗低估 | 按"大概齐"估工作量 | 先抽样 1 万条实测清洗成本，再乘总量 |
| 内部工时没进预算 | 只算外部实施费 | 按人头乘月数折算，写进 TCO |
| WMS 对接集成费 | 以为"有接口就行" | 接口开发按人天报价，提前锁定 |
| 次年涨价 | 首年折扣价签约 | 合同锁定 3 年价格阶梯 |
超支点之外，还有一个隐形成本：机会成本。运营骨干半脱产 3 个月，旺季备战谁来盯？IT 被项目占住，日常运维的响应速度掉一档。这些财务算不出来，但运营总监心里有数。立项时把关键人员的 backup 一起定了，别等项目中期才发现后方没人看家。
立项评审会上，财务要问三个问题，答不上来就打回。第一，TCO 是不是首年全口径？只报软件和设备价的方案，重做。第二，数据清洗有没有抽样实测单条成本？没实测的，一律按最高档估。第三，内部投入工时折算了吗？没折的，让各部门负责人签字认领工时。签字这个动作本身，就能筛掉一半拍脑袋的项目。
省钱的杠杆点，三个，都是算过账的。
第一，先做 PoC 再签长约。花小钱验证两个数：识别准确率能不能到业务要的线，现场节拍跟不跟得上。PoC 不过，后面几十万就不用花了。这是最便宜的风险对冲。PoC 验收只看两个硬指标：识别准确率能不能稳定达到业务要的线，连续跑一周的节拍达标率。达不到，合同里写清楚：不付尾款，或者免费延长 PoC。把退出条件写进合同，比把期望写进 PPT 管用。
第二，数据清洗自己干。标注这种活，用内部质检员的闲时做，质量比外包还稳。主数据治理让 IT 和运营联合搞，一次性把 SKU 主数据洗干净，后面所有 AI 项目都受益。这笔钱花一次，摊到多个项目上。
第三，硬件分阶段。先试点一个区，跑顺了再复制。网络改造也分段做，跟着试点范围走。一次性全仓铺开，等于把试错成本拉满。
最后，给一个可计算的结论。AI 项目立项前，先算这一个公式：
回本月数 = 首年 TCO ÷ 每月可量化的节省额
每月节省额只认三样：省下来的人工工时乘时薪、降低的差错率乘单均赔付、提升的吞吐乘边际利润。算不出来的"效率提升""数字化形象"，一律按零计。回本月数超过 24 个月，项目先放一放；12 个月以内，可以立项；12 到 24 个月之间，看战略价值再定。
Fontana 那个 38 万变 74 万的项目，如果立项时按四笔钱算一遍，董事会看到的就不是 38 万，而是 70 万左右的真实 TCO。批还是不批，另说，但至少没人会被结账数字吓一跳。预算的作用，从来不是把数字做小，而是让超支无处藏身。
作者：老周｜财务出身，专做物流成本分析
