AI 價格衝擊：當企業炒作遇上 Token 帳單

過去幾年，企業界正處於一場淘金熱中。在錯失恐懼症（FOMO）和前所未有的生產力承諾驅動下，高階主管們紛紛趕在將大型語言模型（LLMs）整合到營運的各個面向。其策略很簡單：大量購買授權並觀察效果。

然而，蜜月期即將結束。美國企業界現在正經歷「價格衝擊」（sticker shock）——一種突然且痛苦的體悟，即運行這些 AI 系統的成本往往超過了它們所提供的實質價值。從 Microsoft 取消 Claude Code 授權，到 Uber 的領導層承認 AI 成本變得越來越難以合理化，整個產業正從盲目實驗階段轉向被迫實施紀律的階段。

「Tokenmaxxing」時代

目前的財務壓力很大程度上源於 Micro1 執行長 Ali Ansari 所描述的「tokenmaxxing」現象。這是一種激進的推動，假設使用量越多就自動等同於價值越高，進而試圖消耗盡可能多的 AI tokens。

在某些極端案例中，缺乏監督導致了災難性的帳單。一位 AI 顧問報告稱，一名客戶在未能對員工授權實施使用限制後，單月花費了五億美元。這種治理缺失凸顯了一個根本性的脫節：雖然領導層將 AI 視為可擴展的生產力工具，但底層的成本結構並非「吃到飽」。

ROI 差距：為什麼算不起來

儘管支出激增，許多公司發現承諾的生產力增益只是幻覺。幾個摩擦點導致了這種差距：

1. 使用案例錯位

正如 Microsoft 前首席 AI 官 Sophia Velastegui 所指出的，員工經常使用 AI 來自動化他們「不喜歡」的任務，而不是對公司「有價值」的任務。當 AI 被用於瑣事——例如檢查天氣或簡化電子郵件——時，token 成本會迅速累積，卻無法驅動營收或戰略增長。

2. 「更多程式碼，相同時間線」的悖論

在軟體工程領域，AI 的影響尤其具有爭議性。雖然 GitHub Copilot 等工具增加了程式碼量和合併請求（MRs）的數量，但一些觀察者指出，專案里程碑並未因此加快達成。

"Thanks to AI we're producing more code and more MRs, faster than ever, but the milestones aren't getting hit any sooner."

這表明軟體開發的瓶頸不在於輸入程式碼的速度，而在於架構、產品市場契合度（product-market fit）以及解決問題的複雜工作——在這些領域，AI 仍難以提供決定性的優勢。

3. 數據瓶頸與人類摩擦

AI agent 的效能取決於其能存取的數據。當企業出於安全原因限制對專有數據的存取時，agent 就變得不再那麼有用，進一步侵蝕了 ROI。此外，「千花齊放」式的做法——在沒有明確策略的情況下部署工具——使得許多組織擁有了碎片化的 AI 工具生態系統，這些個體工具之間無法溝通或提供凝聚性的價值。

反向敘事：破壞與策略

有趣的是，「價格衝擊」可能不完全是模型的錯。一些社群成員建議，不滿的員工（特別是 Z 世代和千禧世代）可能會故意在無用任務上「燒掉 tokens」，作為對 AI 驅動的裁員和企業監控的一種無聲反抗。

此外，技術層面也有論點認為目前的做法從根本上是有缺陷的。透過將 LLMs 視為必須「無所不知」的豪華搜尋引擎，公司被迫陷入了一場昂貴的硬體軍備競賽。更永續的做法應涉及使用模型進行「推理」，同時將「知識」委託給更便宜、可擴展的軟體工具，如資料庫和網路搜尋。

前瞻：修正還是限制？

企業目前正處於一個轉折點。產業必須決定是要過度修正並完全限制 AI 使用，還是轉向更具紀律、價值驅動的實施方式。

如果公司繼續將 AI 視為創新變革的魔杖，他們很可能會繼續看到令人失望的結果。真正的創新需要利用有限的資源解決真實問題——這個過程無法透過一個旨在產生統計平均結果的工具來自動化。下一波 AI 採用的挑戰將是超越炒作，將 AI 視為針對特定高價值問題的精確工具，而非企業效率的通盤解決方案。