AI還沒便宜到可以不算帳，麥肯錫發布 2026年人工智能現狀報告心得分享

最近讀到麥肯錫發布的《2026年人工智能現狀：邁向投資回報之路》報告，裡面有一個數字讓我特別有感觸。

報告說，大約20%的企業因為AI的運營成本（包括token費用）而限制了AI的使用。麥肯錫的高級研究員Michael Chui在報告裡說了一句話，他說CFO和首席AI官們越來越頻繁地討論“tokenomics”（代幣經濟學），也就是AI的投資回報率。他接著說了一句很妙的話：“AI isn’t too cheap to meter”（AI還沒便宜到可以不算帳）。

這句話是故意反用的。1954年，美國原子能委員會主席Lewis L. Strauss在一場演講中說過一句名言：”我們的子孫將在家裡享受便宜到不值得計量的電力。”這句話後來成了史上最著名的預言之一，也成了最被嘲笑的預言之一。核電從未兌現這個承諾。Michael Chui把這句話反過來用在AI上，意思就是那句話的字面意思：AI還沒便宜到可以不算帳。

這句話戳中了我，因為我就是那20%裡的一個。

我用Claude Code做開發。買的是Max 20x方案，這是目前能買到的最高等級。每週一下午三點重置配額。本週的配額，週四早上就用完了。

三天半。

最高等級的方案，三天半就燒光一週的配額。

月初Claude贈送了一筆US$250的雲端工作階段點數，到11月5日到期。目前餘額顯示還剩US$250，一分沒動。不是因為我省著用，是因為本週的基礎配額先燒完了，點數還沒來得及啟用。

之前我自行加購過US$150的額外點數。半天就消耗完畢。

你開始察覺到一個模式了嗎？不管你加多少配額，消耗速度都會追上你。

這件事其實我在這個系列的第一篇就埋下了伏筆。

當時我引用了一個經濟學裡的老概念，叫「傑文斯悖論」（Jevons Paradox）。1865年，英國經濟學家William Stanley Jevons在《煤炭問題》裡發現了一個反直覺的事實：瓦特改良蒸汽機之後，單位產出的煤耗大幅下降了。按照「效率提升→消耗減少」的邏輯，煤炭總消耗應該下降。但現實恰恰相反。蒸汽機效率提升使得煤炭在新行業裡變得經濟可行，結果英國煤炭總消耗量在幾十年內大幅增長。

翻譯成人話就是：一個東西變便宜了，用得起的場景就多了，總消耗量不降反升。

我在第一篇用這個悖論解釋的是AI需求為什麼會爆發。據李開復在《AI未來已來》中的計算，AI的推理成本兩年內下降了99.4%，以前太貴不值得做的事，現在全都值得做了。以前只在年底做一次的分析報告，現在可以每天做。以前只給VIP客戶用的個性化服務，現在可以覆蓋所有人。能做的事變多了，工作量也跟著增加了。

當時我的落點是：AI越便宜越忙，忙的是跟舊流程打架。

但麥肯錫這份報告補了一層我當時沒展開的東西。

麥肯錫的報告裡有一個數字特別值得注意。per-token的價格確實在持續下降，但企業的AI總支出並沒有跟著下降，因為消耗量的增長速度遠快於單價的下降速度。這跟傑文斯觀察到的煤炭完全一樣：單位煤耗降了，總消耗量大幅增長。

20%的企業已經撞上了這堵牆。他們因為AI便宜到放心地用，然後在月底看到帳單的時候才意識到，便宜和免費之間的距離，可以很遠。

麥肯錫報告裡還有一個數字，比20%那個更反直覺，也更值得深究。

報告把企業分成兩組。一組叫「高績效企業」（AI high performers），定義是AI對EBIT（息稅前利潤，衡量企業經營獲利的核心指標）的貢獻超過5%，且認為AI帶來的價值是「顯著的」。這組企業佔全部受訪者的6%，跟去年一模一樣。另一組是其他所有企業。

報告發現，高績效企業在軟體編碼代理（software coding agents）上被成本卡住的比例，大約是其他企業的三倍。

三倍。

用得更深、更密集、更捨得放手讓AI跑的企業，反而最先撞到用量天花板。這不是因為他們效率低，恰恰是因為他們效率高。他們用AI的密度和深度遠超同行，所以token的消耗量也遠超同行。Michael Chui在報告裡說得很清楚：per-token的成本確實在降，但token的消耗量增長得更快。

翻譯成人話就是：你跑得越快，油燒得越多。你開得太猛了。

我就是這個三倍現象的一個個人切片。

我買的是Claude Code Max 20x方案，這是目前能買到的最高等級。我用它開發一套CMO行銷平台，真的在跑一個有300個功能模組的系統。

打開Claude Code的背景任務面板，你能看到token是怎麼被吃掉的。

一個i18n（多語系）提取任務的A批次，9個代理程式並行跑，耗時3小時23分，消耗5.8M個token。B批次，5個代理程式，耗時2小時59分，消耗2.8M個token。光是這兩批，8.6M個token。加上前置準備階段的570K、修復登陸頁bundle的356K，以及一個跑了2小時14分的PREP工作流程。

這些數字對非程序員出身的人來說，就像看一張水電費帳單。你知道總數嚇人，但你不知道是哪個水管在漏水。

你不知道5.8M個token裡，有多少是必要的推理，有多少是代理之間的溝通成本。你不知道9個代理並行跑的時候，有幾個是在做有效工作，有幾個是在原地打轉。你不知道把9個代理減到6個，結果會差多少、能省多少。

你只知道週四早上，配額用完了。

麥肯錫報告裡提到，領先企業正在「把運營成本當成設計約束（design constraint），而不是事後補救（afterthought）」。

這句話聽起來很對。但問題是，它是一個你無法執行的指令。

「把成本當設計約束」，前提是你知道怎麼設計。你知道哪些任務該跑在本地端、哪些該跑在雲端。你知道9個代理並行的時候，每多一個代理會多吃多少token。你知道哪些操作可以等、哪些必須現在跑。你知道一週的配額應該怎麼分配到不同的功能開發上。

但現實是，Claude Code不跟你討論這些。

我是一個行銷主管，不是程序員出身。我用自然語言下指令，讓AI幫我寫程式碼。這種用法現在有個名字，叫「vibe coding」。你跟AI描述你要什麼，它幫你實現。聽起來很美好。

但實際操作的時候，你會發現一個奇怪的斷層。

Claude Code的介面上，你能看到配額用了多少、剩多少、什麼時候重置。這是油表。你也能看到它自動開了8個並行批次在跑i18n提取，每個批次的代理數量和耗時。這是引擎轉速表。

但你找不到一張油耗地圖。

沒有人告訴你，現在這個任務適合跑在本地端還是雲端。沒有人告訴你，把9個代理減到6個，能省多少token、會不會影響結果品質。沒有人告訴你，哪些功能開發特別燒配額，應該排在週初配額充足的時候做。

Claude不會在開始一個任務之前跟你說：「這個任務預計消耗2M個token，佔你本週配額的25%，你確定要現在跑嗎？」它也不會在跑了3個小時之後跟你說：「目前消耗已經超過預期，要不要暫停一些批次？」

它就是跑。跑完為止。或者跑到配額用完為止。

本地端模式確實存在，免費的模型也確實可以選。但對非程序員來說，本地端和雲端的區別是什麼、什麼時候該切換、切換會損失什麼，這些資訊同樣沒有白話的指引。選項在那裡，但沒有人教你怎麼選。

所以你拿到的是一輛只有油門和油表的車。沒有剎車，沒有導航，沒有油耗預估。你只能在撞牆之後才知道，這週開太快了。

所以問題到底是什麼？

不是配額不夠。我買了最高等級方案，加購過US$150的額外點數，半天燒光。就算再往上加，消耗速度會追上你。傑文斯悖論已經告訴我們了：供給越充足，消耗越猛烈。

也不是AI太貴。per-token的價格確實在降，而且會繼續降。Michael Chui說得對，AI isn’t too cheap to meter，但它的方向是往「too cheap」走的。

問題是，在AI從「太貴不敢用」走向「便宜到放手用」的過程中，出現了一個中間地帶。在這個地帶裡，你已經敢用了，但你還不知道怎麼用才不會把自己燒穿。你需要的，是一套用量設計的方法。

這套方法，AI廠商不會給你。他們的商業模式就是讓你多用。

管理顧問還沒來得及寫。麥肯錫這份報告給了方向，但操作手冊不存在。

你只能自己在撞牆中摸索。

週四早上，配額用完。你停下來。等週一重置。

在等待的那幾天裡，你會開始想：哪些功能先做，哪些先放。

這還算不上規劃，只是一個被牆逼出來的直覺。但這個直覺指向的方向，恰好是麥肯錫說的那句話，「把運營成本當成設計約束，而不是事後補救」。只是從直覺到方法，中間還有一整段路。

你沒有手冊，沒有框架，沒有人教你。你只有一面牆，和撞牆之後的等待時間。