企业讨论 AI Agent，最容易问出口的是：能不能少招人，能省几个人。
这个问法在客服、内容整理、内部检索里还能粗略用一用。放到医疗、法律、财务审计这些行业，就不够了。这里的工作不只讲效率，还讲责任、证据、权限和可追溯。Agent 把一段流程跑快了，后面如果多出人工复核、合规检查、系统改造和模型维护，账面上的节省很快会被吃掉。
更实用的算法，是把账拆开看：
- 直接节省：哪些重复动作被压缩，少占用了多少专业人员时间。
- 风险收益：哪些遗漏、返工、纠错和责任风险被提前拦住。
- 隐性成本：数据治理、系统集成、权限控制、审计留痕、模型更新和人员培训。
MaiAgent 思迈智能在《AI 導入的 ROI 怎麼算？一個企業可以用的評估框架》中提到，企业算 AI ROI 时，常见问题是把收益停留在模糊感受上，没有拆成可度量的层次。垂直行业尤其容易踩这个坑：演示时看起来很顺，上线后才发现真正费钱的是流程适配。
医疗先算文书，再算责任边界
53AI 在 2025 年 5 月 13 日发布的《垂直类AI Agent智能体开发指南》中，把医疗列为垂直 AI Agent 的典型方向之一。文中提到，医疗诊断 Agent 需要识别特定疾病的临床表现，并提供循证医学支持的诊断建议，精准性要求高于通用型 Agent。
这句话落到医院现场，意思很直接：医疗 AI 的 ROI，不能只按“少录入几份病历”来算。
更稳妥的入口，往往是预问诊信息整理、病历质控、指南检索、影像或检验报告的辅助提示、随访信息归纳。Agent 可以先把零散信息整理成医生能看的结构，也可以在病历里提示用药禁忌、既往病史、异常指标等线索。它节省的不只是敲字时间，还有反复查资料、补材料、核对信息的时间。
但这类收益并不总能直接换成一笔金额。少漏看一次禁忌、少补一次病历、少发生一次沟通反复，价值真实存在，却很难在项目立项时写成精确数字。
成本反而更清楚。
医疗数据涉及隐私和合规，不能像普通企业知识库一样随便接外部工具。系统要处理权限、脱敏、访问日志、审计记录，不少医院还会考虑本地化部署或受控环境。诊疗指南、医院流程、科室规则也会变，模型和知识库需要跟着更新。一次上线，不等于长期可用。
医疗场景可以先用这条账式：
医疗 AI ROI = 文书与检索时间节省 + 质控提示带来的返工减少 - 数据合规、系统部署、审计留痕、持续维护成本
如果病历结构化、权限边界、责任归属还没梳理清楚，直接做大规模 Agent 项目，风险会比收益先出现。
法律省下的是初筛，不是签字责任
法律行业天然适合让 Agent 处理文本。合同、判例、尽调材料、法规条文，都是高密度文本工作。律师和法务团队最耗时间的部分，很多也确实发生在通读、比对、摘录、归类上。
问题在于，法律工作怕的不是慢一点，而是错得很像真的。
Agent 如果编出不存在的条款，误读合同义务，漏掉关键限制，后果可能影响交易判断或案件策略。法律 AI 的 ROI 不能按“AI 完成了多少份合同审查”来算，人工复核必须放进成本里。
比较合理的流程是：Agent 先做初筛，标出风险点、缺失条款、异常表述、相似条款；律师再确认。这样节省的是低价值重复劳动，不是律师的最终判断责任。
这里还有一笔常被低估的投入：私有知识库。
通用模型不会天然理解一家律所、一个法务团队或一家企业内部的合同口径。历史合同、模板、审查规则、争议条款，都要整理进去。旧文件格式不统一，条款命名不一致，版本管理混乱，都会拖慢上线。很多项目表面是在买 AI，实际第一步是在补文档治理的旧账。
法律场景还必须看可追溯。Agent 给出一个风险提示，要能说明依据来自哪里：合同原文、法规条款，还是内部审查规则。没有引用来源的“建议”，在法律工作里很难被放心使用。
这笔账可以拆成：
法律 AI ROI = 初筛与检索时间节省 + 条款遗漏减少 + 知识复用效率提升 - 私有知识库建设、人工复核、引用校验、权限管理成本
它更像一个初级审查加速器，把经验规则固化下来，而不是一个接管法律判断的工具。
财务审计好量化，也容易卡在系统
财务审计看起来最适合算 ROI。凭证、发票、流水、报销、合同、科目之间本来就有明确关系，流程也相对标准。
知乎专栏《企业AI投入陷ROI迷局，“按效付费”能破解AI落地难题吗？》提到，金融行业业务流程高度标准化、层层审批，且无法随意更改。这个特点会限制通用 AI 的发挥，但也给垂直 Agent 划出了边界：规则明确、动作有限、结果可验。
在财务审计里，Agent 可以做发票核验、流水匹配、异常交易提示、凭证归类、底稿整理。直接收益比较好算：原本由审计员或财务人员逐项核对的内容，先由系统跑一轮，再把异常项交给人处理。
真正麻烦的地方不一定是模型判断。
财务数据常常散在 ERP、CRM、银行接口、报销系统、电子发票平台里。Agent 要有实际价值，先要把数据稳定接进来，还要处理字段口径、接口权限、审批流和日志留存。很多项目卡住，并不是因为模型不会看，而是因为数据进不来、结果回不去、审批链条改不动。
财务审计的隐性成本主要在三处：
- 系统集成：不同系统的数据格式、接口权限、审批规则要打通。
- 测试验证：财务结果不能“差不多”，异常阈值和规则需要反复校准。
- 审计留痕：每次判断、修改、人工确认都要能追溯。
这类项目的账式可以写成：
财务审计 AI ROI = 核验与匹配时间节省 + 异常发现效率提升 + 返工减少 - 系统集成、测试验证、审计留痕、流程改造成本
财务审计值得做，但不适合一开始就让 Agent 参与复杂判断。先处理可验证、可回滚、可追踪的任务，账会更稳。
一张更接近上线现场的表
评估垂直行业 AI Agent，先别急着问模型参数，也别只看供应商演示。下面这些问题更接近真实账本。
| 账本项目 | 要问的问题 | 医疗 | 法律 | 财务审计 |
|---|---|---|---|---|
| 直接人力节省 | 哪些重复动作被压缩？ | 病历整理、信息归纳 | 合同初筛、资料检索 | 发票核验、流水匹配 |
| 错误与遗漏减少 | 哪些风险更早被发现？ | 用药、病史、指标异常提示 | 条款缺失、义务冲突 | 单据异常、科目不一致 |
| 人工复核成本 | 哪些环节必须由人确认？ | 诊断建议、治疗决策 | 风险判断、法律意见 | 审计结论、重大异常 |
| 数据成本 | 数据是否可用、可信、可授权？ | 隐私、脱敏、权限 | 历史合同、案例库 | ERP、银行、发票系统 |
| 合规与留痕 | AI 的依据能不能追溯？ | 医疗记录、访问日志 | 引用来源、审查记录 | 操作日志、审批记录 |
| 持续维护 | 规则变化后谁来更新？ | 指南、科室流程 | 法规、模板、内部口径 | 税务规则、会计政策 |
MCP 技术社区一篇关于 AI Agent 落地策略的文章提到，作者过去 2 年主导过 4 个不同行业项目，踩过 100+ 坑，覆盖场景评估、技术选型、垂直适配、测试优化到部署运维。这个说法至少提醒了一点：Agent 的成本不只发生在采购当天，后面的适配、测试、运维才是长期账。
先挑一个小流程算清楚
2025 年，Agentic AI 热度很高。宝玉在 X 上转发 MMC《State of Agentic AI: Founder’s edition》时提到，Deep Research、Coding Agent、Browser use、Computer use 等产品不断出现，同时争议也很大：有人觉得没用，有人觉得无所不能。
垂直行业最好别跟着情绪走。
医疗、法律、财务审计里的 Agent，通常不是一次性替代一个岗位，而是压缩某段流程，减少某类遗漏，让专业人员少做低价值重复劳动。更值得算的，是系统上线后能不能稳定进入流程，能不能被审计，出了问题能不能追溯，规则变化后谁来维护。
比较可靠的做法，是从一个小切口开始：数据边界清楚、结果容易验证、人工可以兜底。跑通之后，再把节省的时间、减少的返工、增加的维护成本放在同一张表里看。
这张表还能算得过来，AI Agent 才算进了业务现场。否则，它只是一次效果不错的演示。
