[AI 現象] 最近已經慢慢出現了各種使用 AI 的詭異現象

 [AI 現象] 最近已經慢慢出現了各種使用 AI 的詭異現象

最近 AI 圈出現了一個很值得注意的現象。先是 Uber 的高層公開表示，公司越來越難證明 AI 的投入成本到底值不值得。Uber 不只是一般企業，而是全球大型科技公司，他們發現一個問題：AI 使用量越來越高、Token 花費越來越多，但真正帶給使用者的新功能、新價值，卻沒有同步成長。差不多同一時間，許多 AI 領域的重要人物也開始修正過去的說法。原本大家以為 AI 很快就會大量取代白領工作，但實際情況並沒有想像中那麼劇烈。這些訊號加在一起，其實都在說同一件事：企業投入 AI 的成本，與實際得到的成果之間，出現了一道越來越明顯的落差。

身為一個長期接觸 AI 系統的人，我認為問題不在於 AI 沒有價值，而是在於「有價值」和「值得花多少錢」其實是兩件不同的事。以現在很熱門的 AI Coding Agent 為例，它確實能幫工程師閱讀程式碼、找問題、提出修正方案，甚至協助測試。但實際使用的人都知道，它並不是每次都一次成功，很多時候需要不斷嘗試和修正。一個工程師原本十分鐘能完成的工作，AI 可能要花二十分鐘的運算與 Token 消耗才能完成。對個人來說問題不大，因為等待期間可以處理其他事情；但對企業來說，每一次 Token 消耗都是真金白銀，累積下來可能是每年數十萬甚至上百萬美元的支出。

真正的問題是，很多企業根本不知道這些錢花下去之後，換回來了什麼成果。多花了一百萬美元的 AI 成本，究竟多交付了多少功能？減少了多少 Bug？縮短了多少產品上市時間？很多公司其實答不出來。於是大家開始發現，AI 的問題不是效果不好，而是缺乏管理機制。現在許多企業的做法很簡單：幫員工開通 AI 帳號、給使用額度，然後要求大家多用 AI 提升效率。但這就像公司發給每個人一張信用卡，卻沒有規範如何使用，也沒有追蹤花出去的錢是否創造價值。結果自然是有人用得很好，有人用得很浪費，甚至有人只是為了證明自己有在用 AI 而不斷消耗 Token。

更有趣的是，部分企業無意間創造出了錯誤的激勵機制。當 Token 使用量被視為一種績效指標時，員工追求的就不再是解決問題，而是證明自己夠「AI Native」。有人會故意詢問文件裡早就寫清楚的內容，有人讓 AI 產生根本不會實際開發的功能原型，甚至有人刻意把 Token 使用量維持在團隊平均值以上，只是為了避免被認為 AI 用得不夠多。當企業開始設置 Token 排行榜、最低消費額度或把 AI 使用量列入績效考核時，大家追求的就不再是成果，而是數字本身。最後看到的是 Token 持續增加，真正的生產力卻沒有明顯提升。

如果企業真的想讓 AI 發揮價值，就必須把 AI 當成一種需要管理的生產資源，而不是單純的工具。首先，要清楚知道哪些工作適合使用 AI，哪些工作反而不適合。一般來說，流程明確、執行時間長、成果容易驗證的工作最適合 AI；反之，如果任務本來就很快完成，或結果難以判斷對錯，使用 AI 可能反而浪費成本。其次，企業應該衡量最終成果，而不是 Token 使用量。例如功能交付速度是否提升、產品品質是否改善、錯誤率是否下降，這些才是真正有意義的指標。最後，還需要建立完整的回饋機制，讓組織知道哪些場景真的有效，哪些場景只是單純燒錢。

說到底，很多企業目前其實是把面向消費者的產品思維，直接搬到企業內部管理上。在消費市場裡，使用者越多、停留時間越長通常代表越成功；但企業經營不是這樣，企業真正追求的是投入與產出的最佳比例。一位工程師一個月只花 100 美元 Token，卻成功交付三個高品質功能；另一位工程師花了 1,000 美元，最後只留下許多沒人使用的原型。顯然前者創造的價值更高。AI 的未來當然值得期待，但企業真正要解決的問題，從來不是模型夠不夠聰明，而是有沒有能力管理這項新資源。當企業學會如何分配、追蹤、驗證與優化 AI 的使用方式時，AI 才會從一個「看起來很厲害的工具」，變成真正能創造商業價值的生產力來源。

#AI