2025年底至2026年初，随着开发团队将AI编程助手深度融入日常工作流，运营支出迅速攀升。当AI投入在多个团队和项目间扩展时，首席财务官（CFO）开始明确要求提供投资回报（ROI）的证据。
初期对AI采用的评估主要依赖消耗指标，如活跃用户数、许可证分配和令牌（Token）消耗率。然而，追踪令牌使用情况仅能反映计算活动，而非生产力或财务回报。单纯依赖消费数据无法回答核心财务问题：令牌支出究竟带来了哪些业务交付成果？
为超越单纯的消耗追踪，工程管理层曾转向基于产出的指标，如代码行数、提交次数和拉取请求量。尽管这些指标提升了对开发人员活动和工具利用率的可见性，但也引入了指标失真风险，仍无法直接证明AI支出产生了有价值的业务成果。
从“消耗追踪”到“成果绑定”
Tempo首席技术官Shams Chauthani指出，CFO的核心关切在于：“我们到底从这得到了什么？”为此，Tempo内部开发了一种将支出与业务结果挂钩的方法。业务关注的是功能和特性的发布数量、实际交付的举措及其成本，以及相比非AI方式，使用AI是否真正带来了收益。
确定AI投资回报率的关键，在于将财务支出与业务成果直接关联。在软件工程中，Jira等工作管理系统定义了产品交付的结构单元（如史诗、特性和任务）。通过将OpenAI、Anthropic等模型提供商的API成本数据，与GitHub提交记录和Jira工单打通，管理层能够精确计算完成单个特性或举措所需的支出。这种映射使领导者能基于已完成的交付物，而非原始活动来评估支出效率。
Tempo的工作力智能（Workforce Intelligence, WFI）解决方案在2026年中期结束早期访问后正式推出。该方案通过将ROI测量嵌入项目管理工作流，建立了模型支出、源代码更改和已完成Jira工单之间的联系，以数据驱动的资源管理取代了猜测，为跨工程团队的投资效率提供了清晰视野。
Chauthani表示，一旦AI支出与相关工单关联，CFO即可清晰查看资金流向：“例如，在某项举措上花费了25%，另一项花费了10%，并能确认从中获得了可衡量的结果。”
统一视图下的资源决策
评估研发绩效需在单一系统中分析人工与AI资源的分配。历史上，追踪工具仅衡量特定任务的人工小时数。将AI成本纳入现有人力追踪平台，可形成总工程投资的统一视图。数据显示，AI费用已占整体研发预算的20%至30%。
统一的投追追踪允许工程领导比较不同任务类别的周期时间、历史性能和模型效率。团队可据此评估，诸如技术债务修复等任务，是更适合使用开源模型、高级专有模型，还是由人力完成。行业数据显示，91%使用AI的工程领导者目前仍无法将任务委托给AI并同时将其链接到已验证的结果，解决这一局限性需将重点从代码生产彻底转向成果交付。
关键问题解析
如何计算软件工程中的AI ROI？
需将模型支出（如API令牌成本）直接与已完成的工作单元（Jira工单、史诗、功能特性）挂钩。通过比较AI辅助与非AI辅助的周期时间和成本，为投资回报报告提供财务基础，而非依赖令牌消耗等活动指标。
为何令牌使用指标不足？
令牌消耗仅反映计算活动，未将使用行为与交付特性、关闭工单或完成举措联系起来。CFO和工程领导需要的是与交付物挂钩的支出数据，以支持投资决策。
AI成本在研发预算中的占比？
随着多项目和团队扩大采用，AI费用估计占整体研发预算的20%至30%。
如何将AI支出与Jira工单连接？
通过集成模型提供商的API成本数据与源代码提交及工作管理系统（如Jira），将令牌支出映射到特定工单、特性或史诗。Tempo WFI等工具旨在自动化这一链接过程。
基于产出的指标有何局限？
代码行数、提交次数等指标虽能反映活动量，但可能导致激励数量而非质量的扭曲，且无法直接回答AI支出是否产生了有价值的业务成果。