[AI 反思] AI降本神話破滅：企業開始重新計算人與機器的成本

摘要：AI使用成本暴增、管理失控，企業開始懷疑當初以AI取代人力的決策是否失算。

內容：

過去幾年，許多企業把AI視為降低人力成本、提升效率的終極工具，甚至因此大規模裁員。然而到了2026年，這套邏輯正遭遇強烈反噬。原本被認為能取代員工、替公司省錢的AI，實際運行起來卻開始比真人勞動更昂貴。

這個問題並不是個別現象。像Uber原本為2026年整年編列的AI程式碼生成預算，才到4月就已經用罄；微軟內部也直接限制多部門員工繼續使用Anthropic的程式碼工具，原因同樣很直接：成本太高。許多企業這才發現，維持AI運作的費用，可能早已超過過去支付給員工的薪資。

造成這場成本危機的根源之一，是企業過去被早期AI公司的低價策略誤導。2022年到2025年間，OpenAI、Anthropic等公司為了搶市場，大量用資本補貼價格，讓企業誤以為AI是一種便宜、可無限使用的生產力工具。但AI與傳統軟體不同，它不是固定成本，而是每一次生成、對話、分析都在消耗真實算力，而算力本身是按Token計價的。

到了2026年，AI供應商為了上市與獲利，開始把原本隱藏的成本轉嫁給企業。市場上大約85%的SaaS供應商，陸續從按人頭收費改成按用量收費。這讓企業第一次真正感受到，AI成本並不是平均的，而是可能極度失控。

例如，一般行政人員一天可能只消耗一萬個Token，但工程師若拿高階模型分析大型程式碼庫，一天就可能燒掉一千萬個Token。同樣是一名員工，因工作內容不同，成本差距可能達到上千倍。更誇張的是模型之間的價差，有些便宜模型每百萬Token只要幾美分，但最頂級的推理模型每百萬Token可能高達180美元，價差達數千倍。

當企業缺乏權限管控時，問題就更嚴重。很多員工即使只是處理簡單問題，也直接呼叫最昂貴的模型，導致帳單迅速失控。Meta就是典型案例，內部每月Token消耗量驚人，支付給外部AI供應商的年費高達數十億美元。甚至連AI公司自己內部，也出現員工單月就燒掉十幾萬美元API額度的情況。

除了價格結構本身，另一個讓成本惡化的因素，是一種荒謬的管理文化：把Token消耗量當成績效指標。部分管理層認為，員工用越多AI，就代表越積極、產出越高。結果在錯誤KPI引導下，員工開始刻意拉長提示詞、同時開多個AI代理，甚至讓AI空轉處理無意義任務，只為了交出漂亮的使用報表。

這種現象被稱為「Token Maximization」或「Token Maxxing」。表面上看起來是企業AI使用量高速成長，實際上卻可能只是員工為了迎合制度，在後台大量浪費算力。最終結果不是效率提升，而是公司被巨額AI帳單反噬。

表面上這是一場技術成本問題，但實質上，它是由錯誤定價模式、短視管理決策與畸形職場文化共同造成的後果。

在這種情況下，很多企業與外包團隊其實已經開始調整策略。對於不需要高階推理能力的任務，例如資料清洗、初步翻譯、客服自動回覆等，企業往往不再使用最昂貴的西方大模型，而是悄悄切換到中國大模型或低成本開源模型，以壓低支出。

這背後反映的是不同商業模式的競爭。部分西方AI公司希望靠單次呼叫直接獲利，把模型當高價產品販售；而一些中國廠商則更像在經營基礎設施，先用低價甚至近乎白送的方式綁定企業，再透過雲服務與客製化方案賺錢。這種策略對高成本AI市場形成了直接衝擊。

但即使有了更便宜的替代方案，很多大型金融、醫療、法律等高度敏感產業，仍不敢輕易切換。因為更深層的問題已經浮現：資料安全與供應商綁定。企業過去幾年為了接入AI，把大量財務資料、客戶資訊、內部流程與商業知識輸入外部模型。如今他們開始擔心，自己不只是在付費使用工具，還可能在無形中把核心資產交給供應商。

企業擔憂的是，當AI公司吸收了足夠多的行業知識後，未來完全可能直接推出垂直產品，反過來與原客戶競爭。再加上一旦企業的工作流程、系統架構與員工習慣都被某個模型綁住，未來供應商漲價、改規則或技術升級，企業幾乎沒有議價能力。

也因此，2026年開始出現另一股明顯趨勢：企業轉向開源模型與小參數模型。經歷高昂帳單之後，許多公司終於意識到，不是所有任務都需要最強、最貴的大模型。對很多日常場景而言，本地部署的小模型就已經夠用。

例如客服中心、報表整理、制式文件生成等固定型任務，若改用部署在內部伺服器的開源模型，雖然能力不如頂尖商業模型全面，但成本更固定、資料更安全，也更容易控管。與其長期支付昂貴的雲端API費，不如一次性投入設備，在本地穩定運行。

因此，市場上開始出現一種新的角色：「AI降本工程師」。這類人才的任務不是把更多業務丟給AI，而是精準拆解流程，判斷哪些地方該用本地模型、哪些能用規則系統處理、哪些根本不需要AI。他們存在的目的，就是幫企業擺脫對高價大模型的依賴。

事情發展到這一步，整個局面變得相當諷刺。AI原本是為了取代人類、降低成本而來，結果企業現在不僅要支付高昂的Token費、雲端費與伺服器費，還得再聘請一批專家專門控制AI成本，避免AI本身成為新的財務黑洞。

當市場熱潮退去，企業開始重新面對一個原本不願承認的問題：如果AI的成本已經高於真人，而且還伴隨資料風險、供應商綁定與管理失控，那麼當初那些為了追逐AI風口而被裁掉的員工，是否其實裁錯了？

近幾個月，部分公司已經開始悄悄把過去裁掉的基礎職位重新招回來。只是對外，他們通常不會承認原因是AI太貴，而會用其他更體面的說法包裝。這也意味著，這場AI取代人力的浪潮，或許正在進入一個意想不到的反轉期。

最終，這不只是技術效率的問題，而是一場企業經營現實對AI狂熱敘事的集體修正。當機器的使用成本開始超越人的成本，企業真正要面對的問題，也許已經不再是「該裁多少人」，而是「該把多少不合理的AI幻想裁掉」。