AI越便宜，帳單越貴：企業導入AI要過的三道關

先給一個畫面。

預算編了，工具發了，同事也都在用了。老闆把財務報表推到你面前，問一句：AI到底幫公司省下多少錢？

你答不上來。

這不是你一個人的窘境。埃森哲做過一項調研，橫跨17個國家、訪問750位年營收超過10億美元的企業高管，發現一個反直覺的現象：Token的單價一路在跌，企業的AI帳單卻一路在漲。

先把數字擺出來。未來兩年，企業預估Token單價會跌19%，用量會漲78%。一個跌、一個漲，聽起來像是扯平了？實際不是。用量漲的速度，把價格跌的幅度整個吃掉了，兩相抵消之後，總帳單反而會多出大約44%。今天每花1000萬美元（大約3.2億新台幣）在AI上，如果放著不管，兩年後會變成1440萬美元。

埃森哲還補了一組更扎心的數字。企業花在Token上的錢，只有大約兩成能對應到一個說得出口的財務結果，比如多賺了多少、省了多少。剩下八成，大家心裡都知道這些AI沒白用，卻講不清到底值多少錢。

Uber就是現成的例子。它曾經鼓勵工程師盡量多用AI，甚至做了一張Token消耗排行榜，結果2026年才過四個月，全年AI預算就燒完了。最後只好設下每人每款工具每月1500美元（約4.8萬新台幣）的上限，不同工具的額度還不互通。錢花去哪了？連Uber自己的高層都說，很難講清楚這樣用AI，到底讓產品好在哪裡。

你看，問題從來不是「AI行不行」。是這筆帳，算不清楚。

要講清楚這筆帳為什麼算不清，我想借一個完全不相關的行業來說明，火箭。

SpaceX的獵鷹9號，這幾年最出名的一件事，是火箭能飛上去、還能自己飛回來。但真正的重點不在「能回來」，而在「能一飛再飛」。同一枚助推器反覆使用，據業內測算，把單次發射的邊際成本從全新火箭的5000萬美元，一路壓到1700萬美元左右。同一支火箭，飛一次和飛二十次，帳完全不一樣。

可重複使用的火箭要成立，得跨過三道關，而且是有先後順序的。

第一道是技術問題：火箭能不能回來？能不能穩穩地降落、不摔壞？這是「做得到嗎」的問題。

第二道是工程問題：回來的火箭能不能再飛？維修、檢查、周轉的流程跑不跑得順、快不快、貴不貴？這是「能不能穩定、低成本地重複做」的問題。

第三道是商業問題：一飛再飛，這筆帳到底划不划算？發射一次收多少錢、成本多少、賺不賺得回來？這是「算不算得清回報」的問題。

三道關卡，一關比一關難，而且必須按順序過。技術沒過，談工程是空談；工程沒穩，談商業是畫餅。

企業導入AI，走的是一模一樣的路。多數企業以為自己在過第一關，其實早就進了第二關，卻用第一關的心態在管第二關的帳。這正是前面那筆糊塗帳的根源。

下面我們一關一關來看。

第一關問的是最根本的事。模型夠不夠強、API通不通、能不能跑出一個像樣的結果。

對多數企業來說，這一關其實已經過了。今天的模型能力擺在那裡，寫文案、整理資料、回答客服問題、輔助寫程式，早就不是問題。開發者接一個API，幾天就能做出一個能動的東西。技術上「做得到」，已經不稀奇。

但這關有個容易被忽略的暗角，是台灣這類企業尤其繞不開的：資安與資料歸屬。

把資料餵給一個外部模型，資料去了哪裡？停留多久？會不會被拿去訓練？這些問題，在行銷或內容場景裡或許還算模糊地帶，但只要碰到客戶資料、財務數字、病歷、個資，就變成硬門檻。金融業、醫療業、政府單位，往往不是「模型不夠好」被卡住，是「資料不能出去」被卡住。

於是就出現了一個分岔：有些企業乾脆把敏感資料留在本地，用開源權重的模型自己架；有些選擇雲端服務，但要求供應商簽下嚴格的資料處理條款。這一步怎麼選，不只影響成本，還牽動後面的工程設計和商業帳。

所以第一關真正的門檻，是AI能不能在合規的邊界內動。跨過這一關的標誌很清楚：你有一套可以講給法務和稽核聽的資料處理原則，而不是每次有人問起，就打太極。

第二關是主戰場，也是多數企業現在真正卡住的地方。

火箭回收成功只是第一關，真正的難題是它還能不能再飛、飛得順不順、划不划算。AI也一樣：東西能動了，接下來要問的是，它能不能每天都穩定地動，而且動得夠便宜。

這裡有三件事，做不好就是白花錢。

用錯模型，比模型貴本身更燒錢

第一個浪費來源，是拿大砲打蚊子。

埃森哲分析了職業資料庫裡的9368項任務，排除體力工作和必須人工簽核的部分，評估每一項對模型能力的要求，發現真正需要最強旗艦模型的任務，大約只占一成。那另外九成呢？中階模型就夠了。

但實際情況完全相反。調查顯示，高達54%的AI請求，用的模型檔位高於任務的實際需要。而旗艦模型和中階模型，每個Token的價格可以差到10到20倍。

這就像公司配電腦。日常就是寫文件、做表格，不需要每個人都配頂規工作站。報告裡有家亞洲大型銀行，為工程師開放AI編程助手，三個月後帳單遠超預期。一查才發現，不少工程師習慣直接選最強的模型，但他們日常處理的大部分工作，便宜一點的模型就能完成。

這件事在工程上的解法叫「模型路由」：依照任務難度，自動分派到不同檔位的模型。查訂單、回常見問題，用便宜模型；碰到複雜客訴，才叫旗艦上場，必要時再轉人工。同樣一個功能，一家每次要花一塊錢，另一家只要三毛，後者就有本錢給客戶更好的價格，還留得住自己的利潤。

雲端還是自建，是兩種成本結構的取捨

第二件事，是「用雲端方案，還是企業自建落地」。

這是兩種完全不同的成本結構，得看你的處境來選。雲端專有模型，好處是開箱即用、能力頂尖、不用養人，缺點是按用量計費，用得越多帳單越高，資料還可能得出門。自建（用開源權重模型自己架），前期要投入硬體和人力，但一旦跑順，邊際成本可能低得多，資料也留在自己家裡。

埃森哲自己就是後者的例子。它內部每週要處理8.7兆個Token的巨量工作，如果全走旗艦API，帳單會很可觀；它改用自建路徑之後，成本大約只有旗艦API的六分之一。

所以這個選擇沒有標準答案，要看你的用量規模和資料敏感度。用量小、資料不敏感，雲端省事；用量大、資料敏感，自建的長期帳可能划算得多。真正的坑是「兩邊都沒想清楚」。既用了雲端的高價，又養了一堆用不上的本地算力，兩頭都虧。

看不到，就管不了

第三件事最容易被忽略：可觀測性。

你的AI系統每天跑多少請求？每個請求花了多少Token？哪個部門、哪個功能在燒錢？如果這些看不見，前面講的模型路由、快取優化，全部無從下手。就像一支火箭飛出去，如果沒有儀表板，你不知道它哪裡漏油。

配套的做法是快取。報告裡有家公司發現AI編程費用漲太快，啟用了提示快取，讓重複使用的輸入內容不必每次重新處理，費用立刻降下來。企業的日常裡，大量請求其實是重複的。同樣的客服問答、同樣的資料查詢，快取一次，省下的是實實在在的錢。

模型路由、雲端或自建、可觀測性與快取，這三件事做好，你就從「能飛」走到了「能穩定又便宜地飛」。但到這裡，還只是把成本壓下來。真正決定這套系統能不能活下去的，是下一關。

第三關，也是最難的一關。火箭能回收、能複飛，還不夠。要一飛再飛，得先證明每次飛完是賺的。企業導入AI也一樣，成本壓下來只是把支出管住，真正的問題是這筆錢花出去，換回了什麼？

省下來的錢，多數企業會拿去花更多

先看一個反直覺的發現。埃森哲問受訪高管：如果Token再降價至少25%，你們打算怎麼做？據劉潤解讀引述的調查，只有5%的人打算維持用量不變、把錢省下來，其餘的人全部準備把AI用得更兇。42%要擴大現有應用範圍，35%要啟動過去嫌太貴、擱置的專案，13%要給現有任務換上更強的模型。

這個分布藏著一個生意機會。大部分企業想用AI，只是有些需求過去算下來太貴、不划算，只好擱著。現在單位成本降了，這些專案值得重新算一遍。

比如一家公司想用AI處理客戶諮詢，一算每處理一個問題的成本跟人工差不多，那就很難推。現在模型便宜了，同樣一筆錢能處理更多諮詢，這案子就值得重啟。又比如原本只給幾十個核心工程師配AI助手，價格一降，可能就願意推廣到整個研發部門。

對做AI產品、想把AI賣進企業的人來說，這是個訊號：回頭去找那些「談過、但因為價格太高而擱置」的客戶，幫他們把這筆帳重算一次，就可能打開一個新的銷售機會。

回報的關鍵，是事前就想好要量什麼

錢花了、成本壓了、用量也上去了，最後一關是：這一切值多少？

前面提過，只有約兩成的Token支出能對應到量化的財務結果。問題往往出在一開始就沒想清楚要量什麼，等到要編下一次預算，才發現自己拿不出數字。

這裡有一正一反兩個例子。

反例是Uber。它先鼓勵大家狂用AI，用量衝上去了，帳單也爆了，卻說不清換回了什麼，最後只能靠設上限來止血。這是一條「先花錢、再想辦法補帳」的路。

正例是荷蘭銀行ABN AMRO。它的做法完全相反，要求每一個AI應用上線前，都得先講明白至少一項要達成的價值目標。截至目前，這家銀行有40個AI應用投入生產。其中一個語音機器人，每月處理大約八成的來電，每週省下約500小時；另一個金融犯罪風險評估工具，每月省下約800小時。

差別在哪？ABN AMRO在把AI用上去之前，就已經想好要衡量什麼，之後也持續在記錄。Uber是先用了再說，帳自然說不清。一優一劣，分野不在技術，在天平有沒有先架好。

對企業內部推AI的主管來說，這件事的啟示很直接：每一個AI專案上線前，先問一句「三個月後我們要用哪個數字，來證明它值得」。這個數字可能是處理時長、可能是一次解決率、可能是返工率。

而在大一點的組織裡，還有一件事能把這筆帳從此算清楚，叫「Token計費回沖」（Chargeback）。說白了，就是讓每個使用AI的部門，為自己消耗的Token付費，直接從這個部門的預算裡扣。當成本真正落在用的人頭上，採購和用量就會自動收斂：該用便宜模型的地方自己會去省，用不到的呼叫自己會停。埃森哲的數據就顯示，導入這套機制之後，能對應到財務結果的支出比例，從兩成升到了三成二。數字不大，但方向對了。

預算能省、用量能漲、回報能算，這三關都過了，Token就越便宜，企業越有機會把錢花在對的地方，前提是有誰能把這筆帳算清楚。

回到火箭。獵鷹9號真正顛覆航太業的，是它每次飛完都算得清這筆帳，於是下次敢再飛、敢再飛、還敢再飛。能回收只是技術，能複飛只是工程，能算清楚每次飛的損益，才是商業。企業導入AI，走的是同一條路。

下次老闆再問你「AI到底省了多少錢」，你最好已經有一張表，上面寫著每筆支出換回了什麼。這張表不只關係到你的預算，也關係到賣你AI的那些人：一個說得清回報的客戶，他們才敢繼續投資源；說不清回報的客戶，第二年續約時，雙方都會猶豫。企業的AI預算，最後只會流向那些能把它算清楚的人。