AI 减少错误和避免风险的价值，怎样计算？

很多 AI 项目不直接创造收入，它们减少遗漏、提前发现异常、降低返工或避免损失。项目汇报也因此很容易写出一笔巨大的“潜在风险价值”。

发现一个风险点，并不能证明损失已经被避免。

风险价值要沿着发现、确认、处置和结果四步计算，再扣除误报、复核与业务损失。全部暴露金额不能直接算成 AI 收益。

四个数字必须分开

发现量是 AI 提示了多少异常；确认量是其中多少被专家或后续事实证实；处置量是有多少触发了有效行动；避免结果则要看与基线相比，错误、损失或事故实际少发生了多少。

四个数字逐级收缩。把第一步的发现量直接乘以最大损失，会得到最漂亮、也最不可信的估值。

用一个计算示例看完整链路

假设系统发现 100 条异常，人工确认其中 30 条，20 条触发有效处置。根据历史基线与对照，团队只能确认其中一部分事件的损失概率有所下降。

计算时应使用“受影响事件数量 × 基线发生概率 × 单次影响 × 控制效果”，再减去误报造成的正常业务损失、人工复核和系统运行成本。

这里的数量只用于说明方法，不代表任何项目的真实数据。重大但极低频事件也可以单独做情景分析，不必强行压成一个平均值。

基线决定这笔账能不能成立

可以比较相同业务量和风险结构下的前后变化，也可以采用分阶段上线、对照组或影子运行。季节、政策、客户结构和其他风控策略变化，都要进入解释。

数据不足时，给出概率区间和乐观、中性、保守情景。把不确定性留在账面上，比写一个确定收益更利于后续决策。

误报与漏检同时进入价值表

AI 多发现风险，可能增加正常业务被拦截、客户等待和人工调查。严重风险可以设置更保守阈值，具体取舍仍由业务与风险责任人确认。

业务、风险和财务需要共同确认口径。供应商或项目团队单方面给出的“避免损失”，只能作为待验证估算。

风险价值的可信度，取决于企业能否证明 AI 发现了什么、推动了什么，以及坏结果真的少发生了什么。

本问行动：把汇报里的“避免损失”标回四步链路，仍停在发现或确认阶段的数字，先别写成最终收益。