事件
2026 年 7 月、Palo Alto Networks 執行長 Nikesh Arora 在 CNBC 訪問中拋出驚人論點：即使 OpenAI 最新的 GPT-5.6「Sol」模型在推理效率上提升了 54%，企業 AI 規模化部署仍需要 Token 成本在未來兩年內下降 90% 才算達標。他預期價格在未來一年先下降最多 20%，之後的降幅會「爆炸性」擴大至 90%。
OpenAI 執行長 Sam Altman 將此視為技術進步的里程碑。但 Arora 的反應冷淡：這「只是好的開始」。背後隱含的訊息是——在企業採購決策的邏輯裡，漸進改良根本不夠。
為什麼 54% 的進步「不夠看」
表面上看，54% 的效率提升是技術進展。但企業財務部門的算術很簡單：
- 一個年度 AI 推論成本「只降 54%」的組織，要靠「用得更聰明」來平衡支出，這意味著每次 token 生成的邊際收益必須提升 2 倍以上。
- 換句話說：效率進步被「期待」所抵消。企業習慣了每 6 個月都有 20-30% 的新能力、這次效率進步卻反而被解讀為「衰退」——因為無法帶來成本端的根本變化。
- 一旦成本沒有達到企業財務模型的「可規模化」閾值，決策者就會延遲部署。延遲購買 = 廠商收不到錢 = 無法回收基礎設施投資。
臨界質量的經濟學邏輯
Geoffrey Moore 在《跨越鴻溝》裡描述過類似現象：從早期採用者（Early Adopters）跳到主流市場（Mainstream Market）的轉折點，不是「產品稍微改進」，而是產品要達到某個質的門檻——使用體驗從「專業人士才能駕馭」變成「普通人也能用」。
AI 成本門檻的邏輯類似：
1. 早期階段（2022-2024）：企業只要能用上 GPT-4，就願意付 50 倍的成本溢價。因為能力的邊際效應巨大（從 0 到「有」的躍遷）。
2. 過渡階段（現在）：能力逐漸「商品化」（OpenAI、Claude、Gemini、DeepSeek 都接近）。競爭維度從「能否做到」轉向「成本多少」。54% 的效率進步無法改變這個局面——因為相同能力的對手也在進步。
3. 規模化階段：只有當成本下降到讓企業財務模型從「ROI 困難」轉向「ROI 顯然」，大規模部署才會爆發。這個轉折點的特徵是——同一筆預算過去能買 100 個 token、現在能買 1000 個甚至 10000 個。
90% 成本下降等於成本縮小到 1/10，這不是改進、是規則重寫。
企業採購的隱藏決策模型
Palo Alto Networks 是資安軟體公司，年營收 80 億美元，跟幾千家大企業直接接觸。Arora 知道這些企業內部在問什麼問題——不是「GPT-5.6 有多聰明」，而是：
- 我們年 IT 預算是 X、如果每次 AI 呼叫平均花 $0.001，一年會產生多少成本？
- 如果成本不降、我們能支持多少個內部應用同時跑推論？
- 如果我不用 OpenAI 而改用便宜的開源模型、效果掉多少？（= 決策者開始做價格-品質權衡）
一旦企業開始在「OpenAI vs 開源」之間做 trade-off、前沿模型就輸了。因為開源免費、只有計算成本。
54% 效率提升的真實含義：計算成本從降不夠多，轉向了企業對開源替代品的重新考量。這是危險信號。
產業鏈的綁架
紅杉資本的估算提到，全球 AI 基礎設施支出在 2026 年達到龐大規模。但這些投資的 IRR（內部報酬率）被「Token 價格無法下降」這個瓶頸卡住。
- Nvidia、超大規模雲端廠商（AWS、Azure、Google Cloud）、以及 OpenAI 等模型廠商，都需要通過規模化來攤平成本。
- 但規模化需要需求。需求需要企業認為成本「划算」。