治理成本进了预算，ROI估算会降低吗?

把治理成本写进预算，直觉上会得出一个结论：成本项变多了，ROI 自然被摊薄。但这个直觉混淆了"账面成本上升"与"回报估算下降"两件事。治理成本本来就存在，它只是过去没有被定价，而是以或有负债的形式潜伏在模型之外。把它从隐性支出挪进预算，改变的不是真实回报，而是回报估算的准确度。

要理解这一点，先看企业 ROI 模型通常只计入哪两项：一边是投入，包括模型、算力、集成与人力；另一边是产出，即效率或收入的提升。治理相关的成本被挤进了一个不被定价的或有项，默认取值接近零。换句话说，没把治理计入预算的 ROI，并不是一个真实回报更高的模型，而是一个遗漏了成本变量的模型。遗漏项的默认值越低，名义 ROI 就越好看。

真正的问题是，这个被忽略的或有项会以几种方式回流到成本结构里。首先是尾部成本。斯坦福 HAI《2026 年人工智能指数报告》记录的 AI 事件数量从 2024 年的 233 起升至 2025 年的 362 起，意味着"不出事"的隐含概率在下降；一旦事件涉及数据泄露、错误决策或合规问责，其一次性成本可能远超项目当期收益。其次是返工成本，缺乏前置评估的项目常在接近上线时才发现无法满足可审计、可解释或责任可追溯的要求，被迫重做架构。再次是运营摩擦成本，治理不足的系统需要更多人工复核兜底，抵消了自动化本应带来的效率。

所以更准确的说法是：治理滞后并不只是让风险变高，它改变了回报的时间形状，把一部分看似前期的收益转移成后期才显现的负债。一个在首季度回报可观的项目，在把尾部成本和返工成本折现后，回报周期可能被显著拉长。据此判断，忽略治理的 ROI 估算是系统性偏高的，而把治理写进预算，会让估值从虚高回落到更接近真实的水平——下降的是偏差，不是价值。

为什么是"修正"而不是"损耗"

关键区别在于，治理支出并非凭空新增的负担，而是对既有敞口的提前确认。报告援引的研究指出，负责任 AI 存在内部权衡：优化安全可能牺牲准确，优化准确可能放大风险。这说明合规状态无法通过一次性投入买到，而需要持续的调参与取舍，本质上是运营性成本。把这种成本一次性误放进资本支出的格子，或干脆不放，都会扭曲回报周期的判断。把它按真实性质计入，反而让 ROI 模型第一次具备了与能力扩张相匹配的解释力。

能力越接近可用，这一修正越必要。报告提到计算机操作类智能体在相关基准上的成功率已达到 66.3%，当智能体真正能执行任务、调用工具、影响真实数据时，单次失误的责任敞口随之放大，而治理预算往往还停留在概念验证阶段的轻量假设上。此时继续用零治理成本的模型估算回报，偏差只会被能力的真实性进一步放大。

需要说明边界：报告是滞后指标，描述的是 2025 年已发生的活动，不是对未来的预测，事件数量也受统计口径影响，不宜简单外推为风险的精确倍数。治理成本的量级高度依赖行业、数据敏感度与智能体自主程度，不存在通用系数。因此这里讨论的是估算逻辑的方向，而非具体折现比例。

回到最初的问题：治理进了预算，ROI 估算确实会降低，但降低的是此前被人为抬高的那部分。对决策者而言，更务实的做法不是回避这次下调，而是据此重排判断条件——让治理预算随能力等级阶梯上升，对尾部事件做折现，并把评估结果反馈回预算，形成治理投入、事件频率与回报修正之间的闭环。一个会"变低"的 ROI，往往比一个始终好看的 ROI 更值得相信。