事件
KPMG 調查顯示,只有 26% 受訪企業對自家 AI 成本擁有全面掌握;50% 僅有部分可見度;22% 完全無法預測,得等帳單寄來才知道實際支出。這個比例對比傳統企業軟體(SaaS)的成本透明度——企業習慣為使用者座位或年度授權支付固定費用——形成鮮明對比。
KPMG 全球 AI 主管 Steve Chase 指出,這是「過去不存在、如今卻需要被管理的新資源」,而且正以指數級速度增長。問題不在於 AI 廠商隱瞞成本,而在於收費模式本身的邏輯轉變:從「每位使用者每月 X 美元」變成「每百萬 token Y 美元」。
為什麼固定費用制更容易被預測
過去 20 年,企業財務部門習慣一套簡單公式:
年度 SaaS 成本 = 使用者人數 × 每人月費 × 12 個月
這套公式有三個關鍵性質: 1. 輸入變數少:只需預估人數,單位固定、易於規劃 2. 邊際成本透明:增加一位使用者,成本增加多少一目瞭然 3. 支出與使用量解耦:支付不跟實際使用強綁定(用多少 Slack 訊息、存多少 Salesforce 紀錄都不影響月費)
企業可以在年初審視預算、做 3 年滾動預測,財務長睡得著覺。
動態量計制的複雜性爆炸
AI 按 token 計費後,邏輯反轉:
年度 AI 成本 = ∑(提示詞 token 數 + 輸出 token 數)× 模型費率 × 部署規模 × 未知使用成長率
這個公式的問題: 1. 輸入變數爆炸:同一個任務,不同提示詞工程、不同模型選擇、不同批次處理方式,token 消耗差 10 倍都是常事 2. 邊際成本隱形:新增一個 AI 代理功能,成本取決於它被呼叫頻率(未知)、用什麼模型(可能動態切換)、輸出長度(取決於提示詞設計) 3. 支出與使用強綁定:員工多用一次,成本就多一分。但員工無法預知自己會使用多少 4. 模型定價本身就在變:OpenAI 3 月降一次價,今年預算用明年價格計算就有 20% 差異
結果是:財務部門需要預測「企業未來 6 個月會生成多少 token」——這個問題等同於預測「所有員工的集體使用行為」,複雜度像從預測「公司會招多少人」(相對可控)變成「預測每位員工的認知工作量」(幾乎不可能)。
為什麼這不只是「工具問題」
很多人會說:「買個成本監控平台、整合 AI API 使用日誌不就解決了?」但 KPMG 的 26% 數字恰恰暴露了癥結:已經有企業在用成本監控工具,仍然無法掌握全貌。
原因有三個層面:
1. 架構碎片化: - 行銷團隊用 OpenAI API - 產品團隊用 Anthropic - 財務團隊自己部署開源模型 - HR 用的是微軟 Copilot(內嵌在 Microsoft 365 套件裡,成本被埋在辦公軟體帳單裡)
沒有單一儀表板能看到全部。財務長得自己拼圖,但拼圖本身就在實時變化。
2. 認知負擔的本質性增加:
預測 SaaS 成本時,財務長只需問一個問題:「明年公司會有多少員工?」
預測 AI 成本時,要問十個問題: - 明年每位員工平均會用幾次 AI 功能? - 這些功能會用哪些模型? - 提示詞長度會變嗎(員工會學著寫更好的提示詞,可能讓 token 消耗下降)? - 會有新的 AI 功能上線嗎? - 哪些應用會從 gpt-4 遷移到 gpt-4-mini、省成本? - 業務成長時,AI 使用量是線性成長還是超線性成長? - 模型廠商會降價嗎?
每一個問題都引出 3-5 個子問題。認知負擔從「一維」(員工人數預測) 變成「十維」(使用行為、架構設計、模型選擇的聯合預測)。人類大腦無法舒適地在十維空間裡推理。
3. 反饋迴圈被打破:
在 SaaS 時代,預算與實際支出的差異通常很小(人力預測誤差 ±15%),所以財務長的預測能力會不斷被校正,形成良好的反饋迴圈。