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。