同一件事，AI 耗用卻能差 30 倍：企業開始追問代理做完任務值多少
David Tepper 回憶，在 Azure 管理生成式 AI 用量時，各部門每天各花約 25 萬美元，支出卻只能靠試算表追蹤。他走訪團隊、調整幾項做法後，向主管回報每週省下約 30 萬美元。這是他在麥肯錫訪談中的回述；它也點出一個正在擴大的問題：企業知道 AI 用得愈來愈多，卻未必知道每項工作花了多少、換回什麼。
如今身為 AI 成本衡量公司 Pay-i 執行長的 Tepper，接觸的對象也變了。以前是工程主管想追蹤費用；現在財務長與資訊長更常問：這些代理究竟值不值得繼續運作？
從鼓勵員工使用，到看懂每一項任務
過去企業替員工開通 AI 助理，費用常像軟體席次一樣列在預算裡。當 AI 代理開始替人查資料、寫程式、呼叫工具與反覆修正，帳單就跟著每次執行的路徑變動。即使指派同一件事，代理也可能走不同步驟，產生不同用量。麥肯錫引述代理程式研究指出，在所研究的任務裡，token 用量最高可相差 30 倍；這不是企業總支出將上漲 30 倍的預測。
麥肯錫 2026 年全球 AI 調查顯示，28% 的受訪者說其組織已將超過一成的資訊與通訊技術預算用在 AI；約五分之一表示，包含 token 在內的營運成本已限制 AI 使用。另一方面，60% 預期未來一年仍會增加 AI 投資。企業並非突然不想用 AI，而是從「先讓大家用」走到「哪些工作值得持續付費」。
便宜的 token，未必帶來便宜的工作
Tepper 的經歷揭示帳單最難回答的部分。他在麥肯錫訪談中說，token 告訴企業花了多少，卻不告訴企業這筆錢是否值得。Pay-i 因此把代理用量與業務指標連起來，試圖看清不同應用完成一件事的成本與成果。
麥肯錫另以銀行客服代理為例分析：在其模型中，token 往往只占代理每次執行可變成本的 20% 至 25%，人工監督卻占 70% 至 75%。這是特定情境的估算，提醒人們：代理若反覆出錯，便宜的模型也可能把時間與審核成本轉給員工。相反地，較昂貴的模型若提高完成率、減少人工覆核，總成本也未必較高。
麥肯錫自己也在改變使用方式
這個轉向不只發生在客戶身上。麥肯錫披露，內部正試行一項工具，在員工使用大型語言模型時，提示如何改寫提問與選擇模型。與其等月底帳單出現才追究超支，這項試驗把提醒放在實際使用當下；目前公開資料沒有提供它節省多少費用，不能把試行寫成已證實的成效。
更大的問題仍在工作本身。麥肯錫調查中，約 80% 受訪者認為 AI 提高了自己的生產力，但只有 37% 將至少一部分企業息稅前利益影響歸於 AI；能把顯著價值與至少 5% 息稅前利益影響連在一起的高績效組織約占 6%。個人快一點，尚未自然變成公司賺得更多。
Tepper 當年在試算表裡找成本，如今企業要看的不只是試算表是否下降，而是一項客服處理、一次程式修改或一個決策完成後，省下多少人力、減少多少錯誤、帶來什麼結果。AI 代理可能把工作做得更快，也可能讓用量在看不見的迴圈裡增加。下一階段的競爭，將是誰能把這兩面放進同一張帳單。
留言