事件
高盛研究團隊預估全球 AI token 消耗量將在 2026 至 2030 年間暴增 24 倍、來到每月 120 千兆 token。與此同時、根據貝恩諮詢研究、模型價格在 2024 年 12 月至 2025 年 12 月間約下跌 50%。但企業面臨的詭異現象是：儘管單位成本腰斬、企業總計算帳單卻在同期成長 4.5 倍。
觀察
帳單失控的邏輯看似矛盾：成本便宜了、消費應該更有效率、為什麼反而更貴？
根本原因不在價格、而在使用模式的質變。過去聊天機器人（ChatGPT、Claude）的典型用法是「人類提問、AI 回答」——這是間歇性、點對點的互動。現在企業開始部署「永遠在線」的自主 AI 代理（autonomous agent），它們持續思考、迭代、呼叫工具、與其他系統互動，每一個決策都要消耗成倍的 token。舉例：人類寫一次提示詞可能耗費 500 token、但同樣的任務交給自主代理、它內部可能要循環推理 50 次、消耗 25,000 token。
成本悖論的經濟學根源
這個現象並不新穎。1865 年、英國經濟學家威廉·史坦利·傑文斯（William Stanley Jevons）在研究煤炭價格下跌後的消費模式時發現：蒸汽引擎效率提升、燃煤成本下降後、整個產業對煤炭的需求反而暴增。為什麼？因為便宜的煤炭讓新的應用場景變得可行——之前不划算的工廠現在能開工、新的運輸方式變得有利可圖。整個經濟系統的需求曲線向右平移、消耗的總煤量遠遠超過成本下降幅度。
AI token 消耗正在重演同樣的故事：
第一層：需求曲線位移 當推理成本從每百萬 token 60 美元跌到 0.55 美元、過去「付不起的用途」突然變得可行。客服機器人 24 小時運轉、數據分析代理持續爬梳日誌、程式碼生成代理為每個開發者工作——這些應用在成本高企時根本無法規模化、現在卻成為預設。
第二層：使用量超線性增長 不只是「更便宜的同樣用途」、而是「全新的、高耗能用途」。一個自主代理可能替代 3 個傳統 API 呼叫、但消耗 10 倍的 token。企業因為成本便宜、更願意讓 AI 做複雜的多步驟任務——而這些任務本身就是「token 怪獸」。
第三層：組織邊際成本認知扭曲 決策者會算總成本、但在成本下降時、往往低估邊際成本的決策權過度分散。一百個團隊各自「只是用一點 AI」、加總起來卻形成黑洞。這叫做「成本自動化悲劇」——每個人都覺得自己的邊際支出很小、但集體行為卻無人監管。
失控的跡象
高盛的「24 倍增長預估」反映的是産業廣泛進入「代理時代」——不再是「員工用 ChatGPT 寫文案」、而是「公司級的自主系統在跑」。Anthropic、OpenAI、Google 都在推自主代理框架、這會加速 token 消耗的非線性增長。
與此同時、企業面臨一個黑暗森林：沒有人能準確預測下一季的 AI 成本。成本下降 → 使用量爆增 → 總成本反彈、這個迴圈可能會重複多次、直到： 1. 新的成本管控機制成熟（雲端時代的配額制、優先級隊列等） 2. 市場找到新的供給-需求均衡點 3. 或者、企業因為帳單衝擊而被迫收縮使用範圍
舊藥新用：雲端時代的成本對策
根據《華爾街日報》報導、企業開始重新啟用雲端時代已驗證的成本管理技巧： - 配額制與優先級隊列：限定每個部門的月度 token 預算、核心任務優先執行 - 批次處理與推理最佳化：避免即時 AI 呼叫、改為非尖峰時段批量處理 - 模型混搭：簡單任務用便宜的小模型、複雜任務才用旗艦模型 - 邊界隔離：自主代理的運行時間 / 呼叫深度設上限、防止失控迴圈
但這些對策都有限制：太嚴苛的管控會扼殺 AI 的高價值應用、太寬鬆又回到失控狀態。
反思
成本悖論的深層含義是：技術進步不是「更便宜做同樣的事」、而是「變便宜後、人們會做全新的、更耗能的事」。這本身不是壞事——蒸汽革命帶來工業化、互聯網便宜後帶來數據爆炸、都創造了巨大價值。但管理層需要認識到：成本下降 ≠ 總支出下降、反而常常相反。
企業需要的不只是「用便宜模型」、而是「理解新使用模式本身帶來的成本結構變化」、提前建立治理框架。