三笔账：LaunchDarkly 的省钱口径拆解
LaunchDarkly 的账本值得逐笔拆，因为三笔钱的「会计科目」完全不同——这正是多数企业报 ROI 时混为一谈的地方。
| 账目 | 金额（媒体披露口径） | 科目性质 | 驱动方式 |
|---|---|---|---|
| 两个优化项目的外购支出 | 约 100 万美元（放弃采购） | 成本规避（cost avoidance） | 编码智能体提升工程产能，内部自研替代外购软件 |
| 企业资产管理系统 | 约 12 万美元（放弃采购） | 成本规避 | 用 AI 编码工具自建，替代购买成品方案 |
| 一线 IT 支持 | 约 5 万美元/年（年化） | 运营成本节省 | 一线支持智能体承接高频请求，减少软件、实施、资产管理与远程服务技术人员开销 |
三笔账里最需要小心的是前两笔。Baldwin 对 CIO 杂志的表述是「foregoing about $1 million in spending on two optimization projects」——这是放弃采购的成本规避，不是现金流节省：那两个项目原本要不要做、外购报价多少、自研的隐性人力成本几何，报道均未展开。成本规避类数字的正确用法是「决策对照」（外购 vs 自建的总拥有成本比较），错误用法是把它与运营节省相加成「智能体一年帮我们省了 117 万美元」。第三笔 5 万美元年化节省反而是口径最干净的一笔：一线支持的替代对象（软件许可、实施费、资产管理人力、远程服务技术人员）是持续支出，年化口径成立。Baldwin 对编码智能体的定性也值得原样记录：「编码智能体在不按比例增加人头的情况下扩大工程产能」——这是一个产能口径而非成本口径的表述，与其账本的自洽性较强。
支持侧与云侧：West Monroe 的 MSP 置换与 KamiwazaAI 的支出清理
West Monroe Partners 的案例补上了「置换外部合同」这一类。其 CIO Kevin Rooney 披露：员工可以在 Teams 或 Slack 里直接使用内部 IT 与 HR 支持智能体，处理常见问题解答、软件权限申请、密码重置、账户解锁、工单提交与更新，以及在需要时转接真人支持。量化的两类结果：年度托管服务提供商（MSP）成本下降 40%；运营工时年省约 2,700 小时。这个案例的结构性看点在于「置换对象是合同」——MSP 合同是典型的外部人力外包，智能体先行承接高频标准化请求，让原本按人头计费的外包盘子可以重新谈判。Rooney 同时说明其评估维度：自助解决率、工单量、响应时间与产能节省四项在持续跟踪中——有评估框架的自报，比只有结论的自报可信度高一级。
KamiwazaAI 的案例则是云成本治理的智能体化。其联合创始人兼 CTO Matthew Wallace 描述的工作流：一组智能体持续监控云端新启用的系统，与系统启用的负责人协调、跟踪预算审批，并提供「一键关停未授权支出并记录」的能力——替代的是原来需要大量人工协调的流程（谁开的、何时、成本多少、有没有内部审批、资源规格与放置是否合理，以及后续有没有人响应审批）。Wallace 披露的量化结果：首批云优化智能体部署后，云支出「立即」下降 70%。这条需要打折阅读：AI 编排公司自己的云上通常有大量实验性资源，未授权支出的清理空间天然大于普通企业——「70%」更可能反映的是清理欠账，而非稳态节省率；但「监控-协调-审批-关停-记录」这条工作流本身是可复现的，其智能体化的价值不依赖 70% 这个数字。
四本账对照出一个清晰的「IT 智能体省钱象限」：编码自建（省外购）、支持分流（省外包合同）、云支出治理（省浪费）——三类场景的共同点是高频、有文档、失败成本低或可回滚。而批判者的算术说明，这些场景报出来的节省要打六折看待：试点跑的都是简单工单，生产环境的疑难杂症与核查人工，几乎从不进商业计划书。
批判之尺：Glokal AI 的核实成本算术
这篇报道区别于通稿的关键，是给了批判者完整发言权。Glokal AI 创始人兼 CTO Jeet Pattanaik 的核心论点：一些组织正在夸大 IT 智能体的节省，因为它们没有把全部成本算进去。他的原始表述有三层。其一，「试点永远好看，因为它跑在容易的工单上；生产环境会把各种疑难案例带进来，然后必须有人核查智能体到底做了什么——这个核查环节悄悄吃掉节省，而且几乎从不写进商业计划书」。其二，他给出一组量化算术：一个一线支持案例，关闭率 40%、重开率 15%，把核实人工计入后，承诺节省约六成落袋——宣称 6 万欧元的场景，实际约 3.6 万欧元。其三，重开率与人工核查成本在企业测算中「很少被追踪」。
这组算术的价值在于给出了一个可操作的修正公式：真实节省 ≈ 承诺节省 ×（关闭率 ×（1 − 重开率））− 核实人工成本。任何一家在做智能体商业计划的企业，都可以拿自己的试点数据代入验算。Atera CEO Gil Pekelman 在同篇报道里给出了另一个口径的提醒（虽然立场是卖方）：他的测算方式是「一家 1 万名员工、IT 支持全部离岸外包的公司，如果现在关闭外包就能立刻衡量节省」——这种「直接关掉外部合同」的场景节省最干净，但也最不可复制，多数企业的现实是混合模式而非关停。
报道还记录了两条容易被忽略的隐性成本。其一，人才管线：一线支持自动化会砍掉初级工程师的成长路径——一线工单历来是初级工程师积累系统知识、晋升高级工程师的训练场，自动化省下的钱里有一部分是在透支两年后的人才供给。其二，指标不可比：报道明确指出「多家 CIO 仍在寻找 ROI，各组织的度量口径各不相同」——跨企业的节省百分比不能直接横比。
可复现路径：从账本到落地的六步
把四本账的共性提炼成一般企业可参照的路径：
- 选场景：高频、有文档、低成本可回滚。密码重置、权限申请、账户解锁、工单分类路由是四家案例与批判者共同认可的甜点区；权限变更与二线支持属于高风险区，慎入。
- 先记账，后部署。部署前记录基线：工单量、平均处理时长、关闭率、重开率、外包合同金额。West Monroe 的四维评估框架（自助解决率、工单量、响应时间、产能节省）可以直接借用。
- 把核查人工写成显性科目。为智能体处理的工单预留人工抽检配额（如 10%–20% 抽检率），并把抽检工时计入 ROI 分母。Glokal AI 的算术证明这一项足以让节省缩水四成。
- 编码智能体优先用于「自建替代外购」。LaunchDarkly 的两笔大额成本规避都落在「用内部产能替代外购软件」上。盘点公司近两年的软件采购清单，找那些「功能简单但报价高」的长尾工具，是编码智能体回报最快的地方。
- 云支出治理是「快赢」场景。监控未授权资源、跟踪预算审批、一键关停并留痕——这条工作流不需要前沿模型能力，重点在接通计费数据与审批流。首轮清理的节省比例会很高，但应按「一次性清理」而非「年化节省」入账。
- 置换外包合同放在自动化成熟之后。West Monroe 的 40% MSP 削减发生在智能体稳定承接高频请求之后。正确的顺序是先让智能体证明解决率，再拿数据重谈外包合同——跳过验证直接砍合同，风险会回到内部团队身上。
三条避坑红线与口径警示
- 红线一：不追踪重开率的节省数字不可入账。关闭率 40%、重开率 15% 意味着每四个「被解决」的工单里有超过半个会回来。重开率必须作为与解决率同级的指标持续监控，且重开工单的人力成本要回冲节省。
- 红线二：成本规避与现金节省分开报。放弃采购 100 万美元与运营节省 5 万美元是两种性质的数字。混报的结果是管理层对智能体产生「年省百万」的预期，下一年预算被砍时无法兑现——这是损害智能体项目信誉最快的方式。
- 红线三：一线自动化要给人才管线留后路。初级工程师的成长路径被砍掉的影响滞后一至两年才显现。可行的对冲：把省下的一线工时部分转投「智能体督导、工单质检、复杂案例处理」等更接近高级技能的训练岗位。
口径警示：本篇全部数字来自 CIO 杂志报道中受访者对其所在组织的自报，无第三方审计；LaunchDarkly 的 100 万与 12 万美元为成本规避口径（放弃采购），与 5 万美元年化运营节省不可相加；West Monroe 的 40% 为 MSP 年度成本降幅、2,700 小时为估算值（原文为 estimated）；KamiwazaAI 的 70% 为首轮清理的即时降幅，稳态节省率未披露，且该公司为 AI 编排厂商、自身云环境清理空间偏大；Glokal AI 的六万/三点六万欧元案例为发言人的行业观察例证，非具名客户数据；Atera CEO 的表态存在卖方立场（其公司销售 IT 支持智能体，且刚发布与 Forrester 的联合 ROI 研究）。各机构使用的具体智能体产品与部署规模，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。