当管理者拿到一份标注着"效率提升30%"的厂商案例时，真正该追问的不是这个百分比高不高，而是它建立在什么业务量和基线之上。同样一句"效率提升30%"，对一个每天处理50张发票的团队和一个每天处理5000张的共享服务中心来说，背后对应的绝对工时、人力和成本可能相差两个数量级。没有基线，任何百分比都只是一个脱离前提的故事。
还原基线之所以必须先行，核心原因在于AI的成效指标本质上是相对量，而企业做投资决策依据的是绝对量。厂商案例最常见的信息缺口，正是导入前的人力、耗时和错误率这三项前提。缺了它们，你既无法判断提升幅度是否真实，也无法把"效率提升"换算成领导追问的那个问题——到底省多少、多久回本。许多AI项目被反复削减，根子不在技术无效，而在产出说不清自己对应到本公司究竟值多少钱。
从方法论上看，还原基线是把外部"结论"倒推回"条件"的第一道工序。拿到任何一个成效数字，都应先补齐几项前提：这个案例的业务量级与自己是否同一数量级，它披露的原耗时、原人力、原错误率是否齐全，省时口径按峰值还是常态、是否包含返工。缺项越多，这个数字可信度越低。只有当前提被完整还原、映射到自身的处理规模上，外部百分比才能转化成对你有意义的收益测算。
基线决定成效能否被验收
基线的价值不止于事前测算，更在于它为试点验收提供了可核对的起点。如果验收指标写成"提升30%"，事后几乎必然陷入"效果说不清"的争论；而写成"平均处理时间从某个起点缩短到某个目标值"，结论就有了可追溯的依据。把每个指标都绑定明确的基线值与目标值，再配上责任人和可观测机制，成效才从印象变成数据。
归根结底，判断一套AI方案能否套用到自身，靠的不是厂商ROI有多漂亮，而是你能否先把它的前提条件还原干净，再用自己业务量下的基线去比对。当你能用自己的数据回答"省了多少、多久回本、谁来负责"时，那个量化指标才真正可信、可核对、可验收。