直接答案：AI 项目要在立项前就设三层停损线——证据、经济、风险；再按场景设 12/24/36 个月的 ROI 门槛。任何一层连续两个季度不达标，就缩范围、暂停或退出，不要用“再投一点就会好”拖到年底。
本文面向制造业和 B2B 企业的老板、CIO/IT、财务、采购、业务负责人，讨论 2027 年 AI 项目怎么设停损线、ROI 期限和退出验收。资料截止 2026-10-29。文中预算比例、ROI 窗口和阈值是编辑假设，不是行业统一标准、报价或收益承诺；具体项目按场景、合同和数据确认。
停损不是失败，是把预算从无效项目转出来；停损线要写进立项/合同，不是年底复盘才想；没有基线、owner 和数据口径的项目，不应进入规模化。
为什么 2027 更要设停损线？
采用率和支出还在涨，但企业级财务回报没有同步；成功项目往往包含失败尝试，真实成本在模型之外，继续追加不等于会成功。
2026 年的三个信号放在一起看，结论不是“AI 不行”，而是“不能再用采用率代替回报”。Stanford AI Index 2026 显示，组织 AI 采用率达到 88%，生成式 AI 已进入 70% 组织的至少一个业务功能，但 AI Agent 在几乎所有业务功能中的部署仍在个位数。Stanford Digital Economy Lab 对 51 个成功部署案例的研究发现，77% 的最难挑战是变更管理、数据质量和流程重设计等“看不见的成本”；61% 的成功项目至少经历过一次失败，而这些失败成本通常不进最终 ROI。制造业侧的 MLC 2026 调查则显示，89.5% 的受访企业计划未来两年增加 AI 支出，但超过 75% 的企业自评成熟度低于 5/10，51.2% 没有专门的 AI 培训预算。
| 信号 | 数据 | 对停损线的含义 |
|---|---|---|
| 采用率高 | 88% 组织使用 AI；70% 组织在至少一个业务功能使用生成式 AI | “别人都在用”不能证明你的项目有回报；要看任务闭环和单位成本 |
| Agent 仍早期 | AI Agent 部署在几乎所有业务功能中仍为个位数 | 高自主性场景更需要人工接管率、权限和退出条件 |
| 支出继续增加 | 89.5% 制造企业计划未来两年增加 AI 支出 | 预算增加不等于项目应继续；要设阶段 gate 和预备金 |
| 成熟度低 | 超过 75% 制造企业自评成熟度低于 5/10 | 先把数据和流程补齐，不要用平台采购掩盖基础问题 |
| 失败成本隐形 | 77% 最难挑战是变更/数据/流程；61% 成功项目有过失败 | 预算要包含失败尝试和退出成本，不能只算模型/订阅费 |
| 培训预算缺失 | 51.2% 制造企业没有专门 AI 培训预算 | 没有培训和 owner，项目很容易停在 Demo 或试点 |
数据分别来自 Stanford AI Index 2026、Stanford Digital Economy Lab 的 51 个成功部署案例研究、MLC 2026 工业 AI 调查；调查为自报数据，不能直接外推为所有企业。来源链接见文末。
三层停损线：证据、经济、风险
证据线看基线、owner、数据和流程；经济线看单任务成本、回收期和预算上限；风险线看质量、权限、合规和供应商锁定，三层都要有书面阈值。
停损线不是一句“效果不好就停”。要把“什么叫不好”写成可检查的条件：有没有基线、谁对结果负责、数据能否授权、流程是否稳定；每个成功任务的全成本是多少、多久回本、预算上限是多少；质量、人工接管、安全/合规和供应商退出是否可接受。三层中任一层不通过，就不应进入下一阶段。
| 层级 | 要写清的阈值 | 不通过时 |
|---|---|---|
| 证据线 | 基线（当前耗时/成本/不良率）、业务 owner、数据授权/质量、流程稳定性、可复核的评测集 | 不立项或先做数据/流程整改；不要用 Demo 代替基线 |
| 经济线 | 单任务全成本（模型+工具+人工+运维）、回收期、年度预算上限、失败尝试和退出成本 | 缩范围、换方案或暂停；不要用“规模后会便宜”作为唯一理由 |
| 风险线 | 质量/人工接管率、权限/日志、安全/隐私/合规、供应商锁定和数据/模型可迁移 | 高风险场景先停；没有退出方案不进入生产 |
三层框架参考 NIST AI Risk Management Framework 的 Govern、Map、Measure、Manage 思路；具体阈值需按行业、场景和合同确认，不是合规认证。
12/24/36 个月 ROI 期限怎么选？
办公/知识库和客服辅助看 6–18 个月，AI 质检看 12–24 个月，预测性维护和 ERP/MES 集成看 18–36 个月；平台/私有化基础设施更长，不能用一个期限套所有场景。
ROI 期限不是财务拍脑袋，而是由“收益什么时候发生”决定。越接近高频、结构化、可测量的任务，回收期越短；越依赖设备、数据、接口和多部门协同的场景，回收期越长。下面窗口是编辑假设，用于立项时写门槛；实际以基线、报价、合同和试点数据为准。
| 场景 | 编辑假设回收期 | 主要收益来源 | 停损信号 |
|---|---|---|---|
| 知识库/办公辅助 | 6–12 个月 | 检索、写作、报表、重复问答省时 | 采纳率低、人工改写多、无人维护知识库 |
| 客服/销售辅助 | 9–18 个月 | 响应速度、转化、人工接管下降 | 错误回答/投诉上升、接管率不降、渠道不配合 |
| AI 质检/视觉识别 | 12–24 个月 | 漏检/误检、复检工时、质量追溯 | 样本不足、环境变化大、人工复核成本高于收益 |
| 预测性维护 | 18–36 个月 | 停机、备件、维修工时、设备寿命 | 数据断点、告警不可行动、工单流程不接 |
| ERP/MES 集成/平台 | 24–36 个月 | 计划、库存、交付、跨系统协同 | 主数据不一致、接口 owner 缺失、流程未定 |
| 私有化/多工厂基础设施 | 36 个月以上 | 数据边界、长期调用成本、复用 | 利用率低、运维无人、模型/硬件快速贬值 |
回收期是编辑假设，不是报价或收益承诺；不同企业、系统、数据质量和合规要求会显著改变结果。更细的 API/私有化成本见文末相关阅读。
继续/缩范围/暂停/退出怎么判？
证据、经济、风险三层都达标才继续；技术可行但范围过大就缩；数据/接口/风险未解决就暂停；连续两个季度单位经济为负或无法退出就停止。
停损不是只有一个“停”。多数项目更适合“缩范围”或“暂停 30–60 天补基础”，而不是全停或硬撑。关键是把决策写成条件，而不是靠会议上的感觉；每次决策留下数据、负责人和下一次复核时间。
| 决策 | 适用条件 | 下一步 |
|---|---|---|
| 继续 | 三层达标；任务闭环率/采纳率上升；单任务成本下降或可解释；风险可控 | 按阶段放预算；下一季度复核 |
| 缩范围 | 技术可行，但场景太宽、站点/产品线太多、维护成本高 | 砍到 1 个场景/1 条产线/1 个渠道，保留核心指标 |
| 暂停 | 数据/接口/权限/流程未就绪；供应商交付不稳；风险事件未关闭 | 冻结新增支出，30–60 天补基础后再评 |
| 退出 | 连续两个季度单位经济为负；无 owner；质量/合规不可接受；供应商无法交接 | 启动退出：停用、导出、删除、交接、替代方案 |
决策矩阵是编辑建议，不是行业标准；“连续两个季度”可按项目周期调整，但不能无限期滚动。
预算和合同怎么留退出空间？
预算要单列数据/集成、培训、运维、失败尝试和退出成本；合同要写里程碑付款、停用/导出/删除、知识转移、剩余云/许可承诺和交接责任。
很多项目不是“效果不好”才停，而是“停不起”：一次性买断、多年云承诺、数据导不出、模型/提示词在供应商手里、没人能接手。停损线要生效，预算和合同必须提前留出口。下面清单用于立项/采购，不构成法律意见。
| 条款/预算项 | 要写什么 | 验收证据 |
|---|---|---|
| 阶段付款 | 按 POC/试点/生产/扩产里程碑付款，未达标不进入下一阶段 | 里程碑表、验收记录 |
| 停用/退出 | 提前通知期、停用协助、剩余费用/许可处理 | 退出条款、结算样例 |
| 数据/模型/提示词 | 数据导出/删除、模型/权重/提示词/评测集归属与交接 | 数据清单、导出测试、归属条款 |
| 知识转移 | 文档、账号、监控、值班、故障处理培训 | 交接清单、培训记录 |
| 云/许可承诺 | 最低消费、自动续约、未用完额度、硬件残值 | 合同/账单、退出测算 |
| 退出预算 | 迁移、替代、数据清理、停机损失和应急预备金 | 预算表、演练记录 |
合同建议是编辑整理，不构成法律意见；数据/模型/提示词归属的更细清单见文末相关阅读。
季度复盘看哪 6 个指标？
看任务闭环率、单任务全成本、人工接管率、采纳率、质量/风险事件和回收期；不要用智能体数量、Token 消耗或 Demo 效果代替。
停损线要落到季度复盘，而不是年度述职。指标要和业务系统、账单、工单、Agent trace 对得上；没有数据时写“未验证”，不要用估算替代。每个指标都要有 owner、目标值和触发动作。
| 指标 | 定义 | 触发动作 |
|---|---|---|
| 任务闭环率 | 无需人工完成的任务 ÷ 总任务 | 连续下降：查流程/数据/权限，缩范围 |
| 单任务全成本 | （模型+工具+人工+运维）÷ 成功任务 | 高于基线且无下降趋势：暂停/换方案 |
| 人工接管率 | 人工接管任务 ÷ 总任务 | 不降或上升：查质量/权限/培训 |
| 采纳率 | 周活跃目标用户 ÷ 目标用户 | 低且无增长：停用或重做场景 |
| 质量/风险事件 | 错误、投诉、越权、数据/安全事件 | 高风险事件：立即停用并复盘 |
| 回收期 | 累计净收益 ÷ 投入，按季度滚动 | 超过场景窗口且无改善：退出 |
指标定义是编辑建议；不同场景要调整目标值。更细的 Agent 运营指标见文末相关阅读。
谁该读、谁不适合、能支持什么决策？
适合正在做 AI POC、准备 2027 预算或项目效果说不清的企业；不适合没有业务 owner、只想买工具、或期待“保证回本”的团队。
该读：制造业/B2B 企业的老板、CIO/IT、财务、采购、业务负责人；正在做 AI 质检、预测性维护、知识库、客服/销售辅助、ERP/MES 集成或 Agent 试点的团队；需要向老板/董事会解释“继续还是停”的项目负责人。 不适合：没有明确业务问题、没有数据/流程 owner、只想采购一个工具就期待回报的团队；期待本文给出保证收益、固定回收期或报价的团队；需要正式审计/法律意见的项目。 能支持：立项时设什么 gate、POC 多久没结果该停、ROI 按 12 个月还是 3 年算、预算怎么留退出空间、合同怎么签、季度复盘看什么。
常见问题
停损线是不是“没钱了就停”？
不是。停损线是提前写好的证据、经济、风险阈值；没钱只是预算约束，不是项目失效的证明。反过来，预算充足但连续两个季度单位经济为负、没有 owner 或风险不可控，也应该停。
POC 多久没结果应该停？
没有统一天数。建议在 POC 前写清“多少周内验证哪个指标、达到什么阈值、谁来验收”；到期未达到就缩范围、补数据或停，不要用“再调一版模型”无限延期。涉及设备/产线的 POC，还要把停机和数据采集窗口算进去。
ROI 应该按 12 个月还是 3 年算？
按场景。办公/知识库和客服辅助可以看 6–18 个月；AI 质检 12–24 个月；预测性维护和 ERP/MES 集成 18–36 个月；平台/私有化基础设施更长。用一个 12 个月期限套所有项目，会逼团队只做短平快，忽略真正有价值的集成。
项目已经投入很多，停掉是不是浪费？
沉没成本不是继续投入的理由。要区分“还能不能达到下一阶段 gate”和“已经花了多少”；如果证据/经济/风险线不通过，继续投入只会扩大损失。停掉后把数据、接口、评测集和人员经验转到大概率场景，才是止损。
供应商不愿意退出/交接怎么办？
立项/合同就要写停用、导出、删除、知识转移和剩余费用处理；采购时把“退出测试”作为验收项。已经发生的项目，先固定证据和账号，按合同发书面通知，必要时找法律/采购介入；没有退出方案的系统，不应进入生产。
小企业也需要停损线吗？
更需要。小企业预算和人员更少，试错空间小；可以先设一个场景、一个 owner、一个季度 gate，金额不大但规则要清楚。不要因为“先试试”就不写目标和停止条件。
一句话总结
2027 年 AI 预算增加，不等于每个项目都该继续；立项前写清证据、经济、风险三层停损线，按场景设 12/24/36 个月 ROI 门槛，连续不达标就缩范围、暂停或退出，并把退出成本写进预算和合同。
研究方法与局限
本文为公开研究报告、行业调查、NIST 框架和编辑方法整理，不是对任何企业、项目、产品、价格或收益的审计、法律或投资意见。文中没有使用未公开的客户数据、合同或财务模型；预算比例、ROI 窗口、指标阈值和决策矩阵是编辑假设，具体项目需按基线、报价、合同、数据和验收记录确认。调查数据为自报，不能直接外推为所有企业；研究案例存在选择偏差，不能保证同样结果。
数据来源与口径
资料截止 2026-10-29；以下为公开官方/一手页面，具体样本、口径和版本以原文为准。
- Stanford HAI, AI Index Report 2026：hai.stanford.edu。组织 AI 采用率 88%、生成式 AI 进入 70% 组织至少一个业务功能、AI Agent 部署仍为个位数等数据。
- Stanford Digital Economy Lab, The Enterprise AI Playbook: Lessons from 51 Successful Deployments（2026-04）：stanford.edu。51 个成功部署案例；77% 最难挑战为变更/数据/流程等隐形成本，61% 成功项目至少经历过一次失败。
- Manufacturing Leadership Council, Survey: GenAI Adoption Surges in Manufacturing（2026-04-01）：manufacturingleadershipcouncil.com。89.5% 计划未来两年增加 AI 支出；超过 75% 自评成熟度低于 5/10；51.2% 没有专门 AI 培训预算。
- NIST AI Risk Management Framework (AI RMF 1.0)：nvlpubs.nist.gov。Govern、Map、Measure、Manage 的风险管理参考；不是合规认证或收益保证。