The paper introduces the eROI framework to select AI investments by decomposing expected ROI into three independent components: Value if Successful, Likelihood of Success, and Investment Required. This separation avoids the common ROI trap and supports portfolio-level decision making rather than chasing a single top project. It emphasizes enumerating many ideas, rating them across the three pillars with coarse scales (Low–Very High), and constructing a diversified mix of bets. Compass case studies illustrate how projects with high eROI (e.g., Likely-to-Sell recommendations) outperform weaker ideas (e.g., Time-on-Market pricing) and how rigorous consideration of uncertainty guides governance and deployment. The framework also highlights responsible deployment considerations (privacy, fairness, disclosure) as part of the Integration and Productization effort that can influence a project’s eROI.
速读内容
核心框架要点
将 ROI 分解为 Value if Successful、Likelihood of Success、Investment Required 三个独立维度,按低–高等级进行粗略评估,便于跨领域比较与投资组合配置 。
以下对 Provost 与 Ipeirotis 的论文 AI Strategy: How to Choose What AI Product to Implement 进行极为详尽的解读与批判性分析。分析按原文结构展开,逐节解读各论点、数据、假设与结论,并对文中图表与表格进行深度解读与溯源标注。文中涉及的图表与表格均以原文所给的定位为准,并在必要处以 Markdown 图像形式展示原图路径与页码信息。
一、元数据与概览(引言与报告概览)
标题与作者/机构日期
标题:AI Strategy: How to Choose What AI Product to Implement
作者:Foster Provost、Panos Ipeirotis
发布机构与学术背景:以企业AI投资与组合管理为核心的研究,结合 Compass 案例的实证讨论
日期:2026年7月28日
主题与对象:聚焦企业在众多AI项目中如何优先排序和组合投资,避免“单点ROI”误判,提出“eROI”框架以对三大支柱进行分解评估(Value if Successful、Likelihood of Success、Investment Required)并据此形成投资组合
2.1 框架起点与核心命题(2 The eROI Framework / 2.1 Value if Successful)
关键论点总结
eROI 将预期回报拆解为三个独立维度:Value if Successful、Likelihood of Success、Investment Required,并强调三者分离能够避免将“还未确定可否成功”与“潜在收益”混合成一个单一的 ROI 数字。该拆分帮助管理层在未知的科学结果面前做出理性判断与资源分配。若以单一 ROI 衡量,往往陷入“先判断是否能成功再评估价值”的循环。
Data Science Team Effort、Data Asset Investment、Integration and Productization Effort 三类投入构成“投入要求”的核心维度。论文强调投资不仅是模型开发本身,还包括数据资产、系统集成、流程再造、法务与伦理审查等方面。这些投入在评估时应以“整体成本而非单一模型成本”来考量。此处还强调了对敏感领域的额外合规负责和隐私保护成本对投资的上移影响。
eROI 将价值、实现概率、投入成本的分解与成熟的决策分析工具(如 Real Options、Stage-Gate、RICE/ICE 等)相衔接,强调其对 AI 领域特有风险的适配性。它既承接了传统产品组合管理的逻辑,也提供了专门针对 AI 不确定性设计的分维度评估框架,与现有以技术指标主导的评估方式形成对比。该部分明确指出 eROI 是对既有方法的一个补充与专业化处理,以便更好地实现“战略价值—AI 能力建设”之间的对齐。
2.3 与 2.4 将三维合并为实际应用(2.4 Putting Them Together)
汇聚三柱与两条规则的实操性
Value 与 Likelihood 在组合时呈现相反的趋势:价值越高并不必然等于高 Likelihood,因而需要策略性判断来决定何如在一个企业的组合中平衡快速收益与长期潜力。Invest ment Required 的综合评估也必须结合组织现有资源、数据资产与治理能力来决定是否分阶段投入。文中强调:三大维度是一组工具而非一个最终的数值结果,最终排序需要管理层结合战略、资源与市场情景进行主观整合。
组合优先级的具体建议
构建投资组合时应覆盖多种 archetypes,如“潜在大收益(Very High value、High likelihood、Medium investment)”、“快速收益(High value、High likelihood、Low investment)”、“战略性赌注(Very High value、Medium likelihood、High investment)”以及“用于降低不确定性的研究投资(High value、High Uncertainty)”。Compass 的案例正是对这些 archetypes 的体现与应用。建议强调“分散投资”“阶段性承诺”以降低总体风险。 、
防止分数膨胀与治理设计
为避免项目方抬高评分以获得更多资金,提出独立创新领导者主导、跨职能评审小组独立评分再统一、对高 Likelihood 的评分要求以“ pilot 结果、可部署系统的对比、探索分析信号”来支撑等做法。这些治理要点有助于提升评估的透明度与可辩护性。
2.4 章节的总结性要点(三大支柱的整合逻辑、组合与治理)
eROI 的核心理念是:将 AI 投资的“价值潜力、实现可能性、投入成本”三条线分开评估,并在 Portfolio 层面通过多元化来提升总体成功率与回报上限,而非强行将不确定性压缩为单一的 ROI。该理念直接服务于 Compass 的实际决策过程,即先广泛列举机会、再分布式投资组合、最后通过跨职能人群的讨论决定投资组合。 、
2.5 与现有方法的对照与落地实施(2.5 How eROI Relates to Existing Methods)
该段落强调:eROI 将传统的优先级排序框架(RICE/ICE、阶段门控、实物选择权等)与 AI 特有的不确定性相结合,明确给出“在 AI 投资中,分解价值、证据和投入”的必要性。也指出传统的“单一综合分数”往往掩盖了差异与关键假设,而 eROI 能使不同对话方在三条支柱上进行清晰辩论。该对比为后续 Compass 案例的分析提供了方法论支撑。
三、图表深度解读(对重要图表/图像的逐图解读)
图1:The architecture of the eROI framework(图示:Value if Successful、Likelihood of Success、Investment Required 三大支柱及子维度)
作者明确指出“Precise ROI estimates are hard to make given the inherent uncertainty of AI projects”,即对 AI 项目的 ROI 估算本质上存在较大不确定性,因此采用粗略分级与情景性判断是更为稳健的做法。这也是 eROI 能在 Compass 这类快速迭代的业务环境下被实际采用的原因之一。相关论述集中在 Abstract、引言与 2.5 的比较分析段落。 、、
Figure 1(The architecture of the eROI framework):呈现三大支柱及其子维度的结构关系,来自文中图示,页码参考 ,图像路径为 images/7f73ce53f7bdd79a611f3170d85814402632f491a9187cd7f7d8481c9406735e.jpg?page=3。
Table 1(Coarse rating anchors for the three eROI pillars):来自文中表格,页码参考 。
总体而言,这篇论文以实证案例为支撑,系统化地提出了一个面向 AI 投资组合管理的新框架。它不仅回答了“该投哪个 AI 项目最有可能带来回报”的疑问,更重要的是提供了一套面向企业决策的、可沟通、可操作的分维度评估体系,以及在不确定性环境中进行稳健组合投出的方法论。对于希望在高不确定的 AI 投资环境中提升成功概率的企业管理层与数据科学治理团队,这一框架提供了值得认真借鉴的结构性思路。