月度人力节省 = (AI 处理工单数 × 人工平均处理时间 × 人工时薪) - AI 运营成本

示例计算：
  月度工单量: 50,000 件
  AI 自动处理率: 62% → 31,000 件
  人工平均处理时间: 15 分钟 = 0.25 小时
  人工时薪: ¥60/小时
  节省人力成本: 31,000 × 0.25 × 60 = ¥465,000/月

  AI 运营成本:
    GPU 服务器: ¥80,000/月
    API 调用: ¥20,000/月
    运维人力: ¥40,000/月
    总成本: ¥140,000/月

  净节省: ¥465,000 - ¥140,000 = ¥325,000/月
  年化: ¥3,900,000/年

AI 驱动的收入增长主要来自：

1. 转化率提升
   AI 个性化推荐 → 购买转化率从 3.2% 提升到 4.1%
   增量收入 = (4.1% - 3.2%) × 月访客量 × 客单价

2. 响应速度提升
   从 24 小时响应到 3 分钟响应 → 客户留存率提升
   留存率每提升 1% → 年收入增长约 5-10%

3. 新场景开拓
   原来人工无法覆盖的长尾问题 → AI 可以处理
   新场景收入 = 长尾问题量 × 转化率 × 客单价

面试官：你怎么向 CEO 证明一个 AI 项目的 ROI？

1. 先说投入，再说回报（30 秒）
   → "我们首期投入 ¥200K/月，3 个月后每月净省 ¥380K，
     年化 ¥456 万，ROI 约 190%，投资回收期 5 个月。"

2. 拆解收益来源（1 分钟）
   → "收益来自三块：
     成本节省 ¥380K/月：AI 处理 62% 工单，减少 8 个客服人力
     收入增长 ¥330K/月：转化率提升 0.9 个百分点 + 留存率提升 2%
     质量改善 ¥50K/月：错误率从 8% 降到 2%，减少投诉补偿

     总收益 ¥760K - 成本 ¥140K = 净收益 ¥620K/月"

3. 展示增长曲线（30 秒）
   → "前 3 个月是投入期，第 4 个月盈亏平衡，第 6 个月累计
     收益超过 ¥40 万。之后每月收益加速增长，因为模型越用越准，
     自动化率持续提升。"

4. 坦诚风险和边界（30 秒）
   → "前提条件：试点数据已经验证了这些数字。
     风险是：如果新型工单量增加，准确率可能短期下降 5-10%。
     我们有 Fallback 方案，准确率低于 85% 自动转人工，
     不会影响客户体验。"

核心要点：用实际数据说话，不用假设；收益拆分清楚；主动谈风险。