要用 AI 制作成本效益分析，先界定决策和不行动基线，然后建立证据登记表，并在经过复核的电子表格或模型中完成每一项财务计算。用 AI 质疑遗漏的类别、统一描述，并根据已核实的数字起草说明。不要让它编造数值、挑选首选方案，或用精致的文字掩盖不确定性。

这是一套评估流程，不能替代财务审核。先阅读更宽泛的负责任使用 AI 的总指南，确定性的计算使用表格分析流程，在分享内部数字之前，留意 AI 隐私风险。

不要把姓名、健康或申诉信息、薪资记录、受保护属性、可识别的绩效记录或调查证据输入普通消费级 AI 服务。只使用组织批准的环境，以及分析所需的最少去标识字段。

关键要点

每个方案都与一个带日期的不行动基线比较。

把来源事实、计算、假设和判断放在不同字段中。

纳入成本、收益、风险、时间安排、非货币影响和受影响群体。

测试那些可能推翻建议的假设。

把 AI 输出当作草稿和问题来源，绝不当作批准。

如何定义决策与不行动基线？

有用的分析从一句决策陈述开始：谁必须在什么时间之前、针对哪个人群或业务单元、在哪些约束下决定什么。“本季度是否应更换客服平台？”是有边界的问题；“新平台值不值得？”则让模型可以随意改变范围。

在列出替代方案之前，先写下照常运营（即不行动）方案。它描述的是现有安排继续下去会怎样，包括维护成本、预期的恶化、合同义务，以及放弃的改进。英国《绿皮书》把照常运营视为一个基准，并让它留在候选短名单中，使其他方案有一致的比较点。［1］

把目标和关键成功因素分开记录。未满足强制性目标的方案，不应只因估算比率好看就胜出。同时写明评估期限、货币口径、税务处理、折现方法、通胀约定和决策门槛。这些选择属于负责的财务或决策负责人，而不是模型。

建立方案与证据登记表

纳入真正不同的方案，而非换汤不换药的变体。一份精简的长名单可以包括不行动、最小改动、拟议的改动，以及一种有实质区别的交付方式。之后可以用项目计划指引安排交付顺序；本文的分析只比较可行的选择。

为每一项成本、收益、风险或影响建立一行证据：

字段	要记录的内容
方案	稳定的方案编号和简短说明
类型	成本、收益、风险成本、非货币影响或转移
数值与单位	已核实的数值、币种或运营单位，以及价格口径
时间	起始、持续时间、重复频率和评估期限
来源	来源编号、负责人、提取日期和位置
假设	估算成立必须满足的条件
置信度	高、中或低，并说明理由
区间	不确定性重大时的低值、中值和高值
负责人与审核人	对该输入及其审核负责的人

估算粒度要有用。琐碎的行可合并，但不要合并时间安排、证据质量、负责人或不确定性不同的项目。把一次性实施成本、持续运营成本、过渡期重叠、培训、支持、停用和退出义务作为不同类别保留。

收益也需要同样的纪律。写明受影响的流程、测量方法、基线、预期变化、爬坡期和证据。“节省时间”不是估算；“根据计时试点，在三个月爬坡期后，每月减少 20 小时人工复核”才可以检验。

成本和收益应该在哪里计算？

用受控的电子表格、经过审核的脚本或获批的财务模型进行运算。把公式、单位、来源编号和版本信息与计算一起保存。AI 可以解释结果，但获批的数字应无需再次询问模型就能复现。

检查常见的结构性错误：

在收入、生产率和避免的成本中重复计算同一项收益；
混用名义金额和实际金额；
各方案采用不一致的时间范围；
未经分析就把各方之间的转移当作净收益；
遗漏过渡、终止、监测或风险成本；
呈现平均值，却掩盖了由谁承担成本；
来源只支持一个区间，却使用精确数字。

《绿皮书》把可以货币化的影响与无法可信地用金钱表示的影响分开，并要求风险、不确定性、公共财政影响和分配影响保持可见。［1］单一的成本效益比无法承载所有这些判断。

如果需要图表，只在表格核对完毕后再按数据可视化流程制作。好看的图表修不好错误的分母。

用 AI 制作成本效益分析的假设登记表

假设登记表让推理过程可以检查。只把获批、经过最小化的证据交给 AI，让它找出隐含的假设、缺失的负责人、不一致的单位、没有依据的因果联系和含糊的时间安排。它应返回问题，不填补空白。

使用以下提示词约定：

审核下方的方案和证据行。列出每一项明确或隐含的假设。对每一项，返回假设编号、受影响的方案和行、支持证据、置信度、合理的低值和高值、负责人、验证方法和复核日期。不要编造数值、计算结果、给方案排序或建议批准。把缺少证据的项目标为“未核实”。

然后审核每一项生成的内容。删除并非基于实际提案的假设，合并重复项，并补充模型遗漏的领域特定约束。一份有用的登记表会涵盖需求、采用率、交付时长、人员可用性、单位成本、使用寿命、故障率、收益爬坡、依赖关系和残值等假设。

美国政府问责局（GAO）的成本估算与评估指南强调记录假设、数据、方法、敏感性和风险，让估算可以追溯和更新。［3］这种可追溯性比更长的叙述更有价值。

检查敏感性、情景和乐观偏差

敏感性分析要问的是：哪些不确定的输入重要到足以改变决策？选择变量的依据应是它们不确定且影响重大，而不是容易修改。先逐个测试变量以了解其杠杆作用，再把相互协调的变量组合成情景。

至少计算：

使用经审核工作假设的基准情景；
采用合理不利数值的下行情景；
仍然基于证据的上行情景；
那些可能使首选方案不再满足门槛的假设的切换值。

《绿皮书》要求进行敏感性分析和计算切换值，并要求对乐观偏差——即低估成本或工期、高估收益的倾向——作出明确调整。［1］其补充指引为这些调整提供了结构化方法。［2］你的组织可能使用不同的方法，但不应默认基准情景就是确定的。

让 AI 按严格规则总结已完成的情景表：说明改变了哪些输入、显示影响方向、保留获批的数字，并指出哪项假设越过了决策门槛。把这份总结与模型输出逐行核对。

为什么要保留非货币和分配影响？

有些影响即使无法给出站得住的货币价值，也仍重要。在相关时记录服务质量、安全、无障碍、隐私、员工工作量、韧性、环境影响、客户信任和可逆性。描述证据和决策标准，不要为强行可比而编造金额。

还要识别每项收益由谁获得、每项成本由谁承担。一个方案可能总体为正，却把过渡负担集中在某一个团队身上，或排斥了某个用户群体。把重大的分配影响放在财务结果旁边，而非脚注里。

对于影响重大的决策，请相关专家审核隐私、无障碍、雇佣、采购、安全、税务和法律方面的影响。NIST 的生成式 AI 风险概况把虚构内容、数据隐私、信息完整性和人工监督列为需要全生命周期控制的风险。［4］在这里，脱敏、绑定来源、独立计算和具名批准就是实用的控制措施。

起草建议并记录审批

模型和情景表完成后，给 AI 一张锁定的事实表，并请求一份决策简报。要求它把证据、解读、建议和未解决的问题分开。每项数字陈述都必须引用行编号或情景编号。

使用以下最终结构：

部分	必填内容
决策	决策负责人、截止日期和范围
方案	不行动基线和可行替代方案
结果	已核验财务指标和非货币影响
假设	重大假设、置信度和切换值
风险	风险成本、缓解措施、剩余不确定性和受影响群体
建议	人工作出的判断，以及为何稳健或有条件
审批	负责人、审核人、版本、日期和复核触发条件

对外部主张进行事实核查。财务负责人应核实公式和价格口径；数据负责人应核实输入；专家应审核受监管的影响；负责的决策者应批准或否决方案。记录异议和附加条件，而不是让 AI 制造人为的共识。

设定复核触发条件，例如单位成本变化、交付延误、试点结果、合同修订、需求变化，或某项假设越过其切换值。按版本把获批的建议、证据登记表、计算模型和假设登记表关联起来。如果其中一项发生变化，就建立新的决策版本，而不是悄悄修改旧记录。

总结

从一个精确的决策和一个不行动基线开始。
把每个数字与来源、负责人、日期、单位和假设绑定。
让计算保持确定性，并在语言模型之外完成。
测试下行情景、上行情景、乐观偏差和切换值。
保留非货币影响和分配影响。
要求财务负责人、专家和决策负责人批准。

常见问题

AI 可以替我计算成本效益比吗？

不要把语言模型当作关键业务运算的记录系统。在经过审核的电子表格、脚本或财务模型中计算比率，再让 AI 解释已核实的结果。

什么是不行动基线？

它是现有安排继续下去时的预期结果。纳入持续成本、恶化、义务和放弃的收益，让各替代方案与一个现实的基准比较。

应该比较多少个方案？

使用足够多、有实质差异的方案，以避免虚假的“是或否”选择。实用的组合通常包括不行动、最小改动、拟议方案，以及另一种可行的方案。

所有收益都要折算成金额吗？

不需要。只有在方法和证据站得住时才货币化。把重大的非货币影响连同其证据、受影响群体和决策标准一起保持可见。

怎样核验 AI 找出的假设？

把它追溯到提案中的某一行或某个来源，指定负责人，定义验证方法，并测试一个合理的区间。如果没有支持证据，就标为未核实，而不是接受一句听起来合理的话。

什么是切换值？

它是某项假设需要达到的数值，一旦达到，该方案就会达不到决策门槛或失去首选地位。它告诉审核者哪些假设最值得密切监测。

AI 能选择最佳方案吗？

不能。AI 可以整理经过核查的证据并暴露缺口，但必须由负责的人权衡目标、财务结果、非货币影响、风险、不确定性和分配影响。

可以把机密财务数据贴进公开聊天机器人吗？

不可以。遵守组织关于工具审批、保密、访问、保留和数据最小化的规定。对受限信息使用去标识的示例或获授权的环境。

免责声明：本文仅供一般信息参考，不构成财务、会计、税务、采购、法律或投资建议。请采用组织批准的方法和专业复核。

来源:

HM Treasury, The Green Book 2026 — https://www.gov.uk/government/publications/the-green-book-appraisal-and-evaluation-in-central-government/the-green-book-2026
HM Treasury, Green Book supplementary guidance: optimism bias — https://www.gov.uk/government/publications/green-book-supplementary-guidance-optimism-bias
U.S. Government Accountability Office, Cost Estimating and Assessment Guide — https://www.gao.gov/assets/d20195G.pdf
NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

Sources checked 2026 年 8 月 29 日。

延伸阅读：

如何用 AI 制作成本效益分析：数字在模型里算，结论由人审批