> ## Content Index > Fetch the complete content index at: https://growthhackers.tw/llms.txt > Use this file to discover other available public pages before exploring further. # AI 成本怎麼算？麥肯錫：別看 token 多便宜，要算每完成一件事花多少 - URL: https://growthhackers.tw/blog/mckinsey-agentic-ai-cost-per-task/ - Published: 2026-10-28T13:00:00.000Z - Updated: 2026-10-28T13:00:00.000Z - Description: 同等能力的 AI 推論價格跌了約 280 倍，卻有五分之一企業因為 AI 成本開始踩煞車。麥肯錫的答案是換計價單位：別算每個 token，算每完成一件事。附一條判斷 agent 值不值得的公式，用台灣電商三個情境實際算一次。 - Author: Lewis wang - Tags: AI agent, AI 導入, 企業 AI, 電商經營, 趨勢解碼 AI 成本怎麼算？如果你問我，最常見的算法從第一步就錯了：大家都在看每百萬 token 幾塊錢，但 agent 時代真正該看的是「完成一件事，總共花了多少」。這也是麥肯錫在 2026 年 9 月那場 McKinsey Live 研討會[「Improving the economics of agentic AI」](https://www.mckinsey.com/featured-insights/mckinsey-live/webinars/improving-the-economics-of-agentic-ai-a-guide-for-business-leaders?ref=growthhackers.tw)裡反覆講的重點。 先看一組很矛盾的數字。 根據麥肯錫在 [Is that AI agent worth it?](https://www.mckinsey.com/capabilities/quantumblack/our-insights/is-that-ai-agent-worth-it-agentic-economics-and-the-modern-operating-model?ref=growthhackers.tw) 引用的 Stanford HAI 2025 AI Index，GPT-3.5 等級的能力，推論成本從每百萬 token 20 美元降到 0.07 美元，大約便宜了 280 倍。 同一時間，麥肯錫最新的 [The state of AI in 2026](https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai?ref=growthhackers.tw) 調查發現：大約五分之一的受訪者說，公司已經因為 AI 營運成本（包含 token）而限制 AI 的使用。 單價跌到地板，帳單卻高到要踩煞車。 這篇把麥肯錫兩位資深合夥人 Tanguy Catlin、Lari Hämäläinen 在研討會上的說法，加上麥肯錫同一系列的書面研究拆開來看，最後用台灣電商三個常見情境，實際算一次「這個 agent 到底值不值得」。 ## 麥肯錫 2026 AI 報告：近九成在用 AI，高績效者只有 6% 先交代背景，這組數字只是開場。 麥肯錫 The state of AI in 2026 在 2026 年 8 月發布，調查 97 個國家、1,719 位受訪者： ★ 近九成組織至少一個職能定期使用 AI，44% 說 AI 正在全企業規模化（去年 38%） ★ 80% 說 AI 提升了個人生產力，但只有 37% 說 AI 對公司 EBIT（息稅前利潤）有正向貢獻，跟去年差不多 ★ AI 高績效者（AI 貢獻至少 5% EBIT、且自評價值顯著）只占約 6% ★ 28% 的組織把超過一成的資訊與通訊總預算花在 AI，60% 預期明年還要加碼 個人很有感，公司帳上沒感。錢一直加，結果沒跟上。 麥肯錫給的解法有很多層，這篇只挑最實際、你明天就能用的那一層：成本怎麼算。 ## 為什麼 AI 越便宜，帳單越貴？ 研討會主持人 Lucia Rahilly 直接問了這個悖論。綜合兩位講者的回答和麥肯錫的書面研究，原因可以濃縮成三個。 **一、用量的成長，遠遠超過單價的下跌** 以前你用 AI 是聊天：問一句、回一段。現在你用的是 agent：它自己拆任務、查資料、呼叫工具、寫完再檢查。 麥肯錫在 Is that AI agent worth it? 裡寫到，agentic 任務消耗的 token 大約是一般聊天或單輪推理的 1,000 倍，原因之一是模型本身不記事，agent 每走一步都要把前面的脈絡重新送一次。Anthropic 自己公布的數據也是同一個方向：在他們的[多 agent 研究系統](https://www.anthropic.com/engineering/multi-agent-research-system?ref=growthhackers.tw)裡，單一 agent 大約用掉聊天的 4 倍 token，多 agent 系統大約 15 倍。 這兩個數字的比較基準不同，不能直接相乘，但方向很清楚：用量成長的速度，足以把單價下跌吃掉。 另外，Lari Hämäläinen 在研討會中表示，商業模型廠的推論毛利率過去一年大約從 35-40% 拉到 60% 中段，部分 API 業務超過 80%。換句話說，成本降下來的好處，不會全數回到你手上。 **二、錢主要花在「改」，不是花在「做」** 這是我覺得整場最值錢的一句觀察。 麥肯錫在書面研究中引用的數據指出，一個 agentic 任務大約有六成成本，是花在答案產出之後的檢查、修正、再驗證。第一版答案其實很便宜，貴的是後面那一輪又一輪的「再改一次」。 ![模型費只是冰山一角：麥肯錫引用的數據指出，agentic 任務約六成成本與檢查、修正答案有關](https://growthhackers.tw/content/images/2026/10/inline-iceberg-v1.png) 模型費只是冰山一角：麥肯錫引用的數據指出，agentic 任務約六成成本與檢查、修正答案有關 **三、同一件事，每次的花費可以差到 30 倍** Lari Hämäläinen 在研討會上把它稱為 agent 的「自然法則」：同一個任務交給 agent，因為它每次走的路徑不同，成本是一個機率分布，不是固定單價。麥肯錫書面引用的程式任務資料顯示，不同次執行的成本可以差到 30 倍。 想像一下，你的客服 agent 平常處理一張退貨單的成本很穩定，但雙 11 隔天湧進一批訂單編號打錯、照片糊掉、一張單問三件事的客訴，agent 開始反覆查單、重試、繞路。你用「平均成本」編的預算，會在最忙的那幾天被長尾整個吃掉。 更麻煩的是，怎麼搭 agent 也會放大差距。單一 agent 還是一群 agent 分工？呼叫工具時走 MCP（Model Context Protocol，讓 AI 呼叫外部工具的協定）還是直接打 API？Lari Hämäläinen 在研討會中表示，這類系統設計的選擇，成本可以差到大約 10 到 20 倍。 ## AI 成本怎麼計算？算每完成一件事的總成本 麥肯錫的答案很直接：衡量單位要換。寫成算式大概是這樣： **每件任務成本 ＝（模型費＋人工驗證＋失敗重做＋固定成本分攤）÷ 完成件數** 在 Is that AI agent worth it? 裡，他們寫得很明白，治理的單位是「完成的業務成果」，不是 token、不是模型呼叫次數。文中也引用了 AI 成本監控新創 Pay-i 執行長 David Tepper 的一句話："Tokens are not value; tokens are the bill."（token 不是價值，token 是帳單。） 這就像從看油價，進化到看每一趟運費。 你經營物流不會只盯著每公升油多少錢，你看的是每送一件貨的總成本：油錢、司機工時、退件重送、客訴處理全部算進去。油價便宜一塊錢，但如果路線繞、退件多，每件運費還是會變貴。 麥肯錫另一篇 [Where AI agents pay off](https://www.mckinsey.com/capabilities/quantumblack/our-insights/where-ai-agents-pay-off-a-practical-guide-to-the-economics-of-agentic-workflows?ref=growthhackers.tw) 給了一個很具體的數字：在銀行的客服 agent 案例裡，token 費用只占 agent 變動成本的 20-25%，人工監督占了 70-75%。同一篇也試算，銀行開戶流程改成 agent 協作後，每位客戶的完成成本可以從大約 50-150 美元降到 10-30 美元。 重點是什麼？ 你以為 AI 的成本是模型費，其實大頭常常是「人在後面幫它檢查和收拾」的時間。 ## 一條公式：這個 agent 值不值得用？ 研討會上，Lari Hämäläinen 給了一個他自己也承認是簡化版、但非常好用的判斷法： **當 agent 的成功率，明顯高於「驗證時間 ÷ 人工自己做的時間」，就值得交給 agent。** 他的例子是：寫一段程式你自己要 1 小時，但檢查 agent 寫的版本只要 6 分鐘。6 分鐘除以 60 分鐘是 10%，所以只要 agent 的成功率明顯高於 10%，就值得讓它先試。 這條公式的邏輯其實很樸素。你每次都得花 6 分鐘驗證；成功了，你省下 60 分鐘；失敗了，你就自己重做。只要成功的機率夠高，期望上就是賺。 ![麥肯錫 Lari Hämäläinen 的簡化判斷法：人工 1 小時、驗證 6 分鐘，agent 成功率明顯高於 10% 就值得先試](https://growthhackers.tw/content/images/2026/10/inline-formula-v1.png) 麥肯錫 Lari Hämäläinen 的簡化判斷法：人工 1 小時、驗證 6 分鐘，agent 成功率明顯高於 10% 就值得先試 放到台灣電商，我們用三個常見情境算一次（以下時間都是假設值，請換成你自己的數字）： | 情境 | 人工自己做 | 驗證 agent 成果 | 門檻（驗證 ÷ 人工） | 判讀 | | ---------------- | ----- | ----------------- | ----------- | ------------------------ | | 蝦皮、momo 上架的商品頁文案 | 40 分鐘 | 4 分鐘 | 10% | 門檻低，多數情況值得一試 | | 每週廣告成效週報 | 3 小時 | 30 分鐘 | 約 17% | 值得，但驗證要有固定檢查表 | | 客服退換貨判定 | 6 分鐘 | 4 分鐘（回頭對訂單、照片、對話） | 約 67% | agent 成功率要很高才划算，而且錯一次代價大 | 你會發現，同樣叫「導入 AI」，第一個跟第三個的難度完全不同。 商品頁文案的驗證很快，看一眼就知道對不對；退貨判定的驗證幾乎跟自己做一樣久，agent 的成功率就必須逼近七成才打平。這還沒算上 Tanguy Catlin 在研討會上特別補充的那個隱藏成本：agent 一旦出錯，收拾殘局的成本可能非常高。退錯一筆款、回錯一則客訴，影響的是客人，不是那幾分鐘。 所以公式算出來的門檻越高，你越要謹慎。 另外要提醒，這條簡化公式沒有把模型費和錯誤損失算進去。把下一段商品頁試算的模型費加進去，好模型的打平門檻大約變成 12.5%，便宜模型大約 10.5%，差距不大，真正拉開距離的是成功率。 ## 便宜模型為什麼常常更貴？算給你看 Tanguy Catlin 在研討會中說，他們常看到企業做出錯誤取捨：為了省錢選了便宜模型，卻沒意識到高品質模型多付的錢，常常完全值得。 這件事做過工廠的人一聽就懂：原料單價便宜一點，良率掉了，重工和報廢的成本會把省下的錢全部吃回去。 我們把上面的商品頁情境，加上模型費，做一個假設試算： ★ 任務：1,000 個商品頁文案 ★ 人工自己寫一頁 40 分鐘，驗證 agent 版本 4 分鐘，失敗就人工重寫 ★ 假設人力成本每小時 NT$300 ★ 好模型：成功率 70%，每頁模型費 NT$5（含重試） ★ 便宜模型：成功率 50%，每頁模型費 NT$1 | 方案 | 人工時間 | 人力成本 | 模型費 | 合計 | | ---- | ---------------------------- | ---------- | -------- | ---------- | | 全部人工 | 40,000 分鐘 | NT$200,000 | 0 | NT$200,000 | | 好模型 | 驗證 4,000＋重寫 12,000＝16,000 分鐘 | NT$80,000 | NT$5,000 | NT$85,000 | | 便宜模型 | 驗證 4,000＋重寫 20,000＝24,000 分鐘 | NT$120,000 | NT$1,000 | NT$121,000 | 模型費省了 NT$4,000，總成本多了 NT$36,000。 這就是只看 token 單價會看漏的地方。 ## 真正的槓桿：先把驗證時間砍半 同一個試算再往下推一步，你會看到一個更有意思的結果。 如果你把驗證時間從 4 分鐘壓到 2 分鐘，1,000 頁就省下 2,000 分鐘，約 NT$10,000。這筆錢，是好模型整批模型費 NT$5,000 的兩倍。 **很多時候，最大的省錢槓桿是驗證時間，不是模型單價。** 驗證時間怎麼壓？幾個方向： ► 叫 agent 用固定格式交件：品名、規格、賣點、禁用詞檢查各一欄，驗證的人掃欄位，不用通篇讀 ► 驗證清單寫死：價格、規格、法規用語（例如食品、化妝品不能寫療效）三項必查，其餘抽查 ► 讓 agent 自己附上「我不確定的地方」，人只看那幾行 這跟麥肯錫在 Where AI agents pay off 的建議一致：與其只在模型選擇和 token 上打轉，更有效的做法是重新設計流程，降低例外率、簡化需要昂貴人工介入的審核。我之前在[導入 AI 之後瓶頸往後推一格](https://growthhackers.tw/blog/ai-automation-bottleneck-shift/)那篇也寫過同一個現象：AI 讓產出變快之後，塞車點常常就移到了驗證那一站。Anthropic 自家的就業研究報告也看到同一個訊號：agent 產出多到員工讀不完，[人的注意力反而成了最缺的資源](https://growthhackers.tw/blog/anthropic-employment-report-human-attention/)。 還有一個台灣團隊特別要注意的點：麥肯錫提到，非英文文字會被切成更多 token，同樣的意思，某些語言就是比較貴。麥肯錫沒有量化繁中會多多少，但你的 prompt 和工具回傳的內容越冗長，這筆額外成本就越容易累積。 ## 30 倍的長尾：給每個 agent 一條停損線 回到那個 30 倍。 成本是分布，不是單價，所以只編平均預算一定不夠。麥肯錫在 Is that AI agent worth it? 裡給 CEO 的要求很硬：沒有任何自主系統應該在沒有明確任務、預算和停止規則的情況下運作。 ![同一任務不同次執行的成本可差到 30 倍：成本是分布不是單價，每個 agent 都要有停損線](https://growthhackers.tw/content/images/2026/10/inline-long-tail-v1.png) 同一任務不同次執行的成本可差到 30 倍：成本是分布不是單價，每個 agent 都要有停損線 落到實務，就是幫每類任務設上限：一張客服單最多查幾次、重試幾次，超過就轉真人。我在[自我改進迴圈空轉燒 token](https://growthhackers.tw/blog/ai-self-improvement-target-function/) 那篇談過類似的事：沒有停損點的自動化，最後只會在報酬遞減區一直燒錢。 研討會上 Tanguy Catlin 把優化 AI 支出拆成三層（整體約 40 個槓桿）：先做可視性與歸因，搞清楚哪個流程、哪個 agent、哪個模型在花錢；再做技術與流程優化，依任務難度配模型、快取可重用的脈絡、限制迴圈和工具呼叫；最後是需求與採購紀律，清掉沒在用的授權、別被單一供應商綁死。 他也特別提醒，最危險的做法是把這件事當成單純砍成本。目標是找出哪裡的 AI 支出報酬最高，再為那個報酬優化。 模型分流這件事，我在[行銷 AI agent 別先接廣告帳號](https://growthhackers.tw/blog/marketing-ai-agent-software-not-tokens/)那篇也提過同一個架構判斷：能用規則和程式做的步驟就用程式做，模型只在需要判斷的地方出場。 ## AI 成本太高怎麼辦？先做這 5 件事 ► **把一個 AI 流程改用「每完成一件」來記帳**：模型費＋驗證時間＋失敗重做時間，一起算，不要只看 API 帳單 ► **用公式篩任務**：列出你想交給 agent 的工作，算「驗證時間 ÷ 人工時間」，門檻低於 20% 的先做，高於 50% 的先緩 ► **先砍驗證時間，再談換模型**：固定交件格式、寫死驗證清單，這通常比換便宜模型省得更多 ► **每個 agent 設停損**：最多重試幾次、單次任務成本上限多少，超過就轉人工 ► **看帳單之前先看歸因**：至少分得出是哪個流程、哪個模型在花錢，不然你連要優化哪裡都不知道 如果你還在找第一個流程從哪裡下手，可以先回頭看[先刪掉假等待](https://growthhackers.tw/blog/ai-workflow-fake-waiting/)那篇，把流程裡不該存在的步驟拿掉，再來算 agent 的帳。要往公司層級的治理走，[Stripe 內部 AI 助理的分層治理](https://growthhackers.tw/blog/stripe-kai-agent-platform-governance/)是很好的參考。 ## 趨勢判斷：會被帳單卡住的，是真的在用的人 最後補一個很多人會漏看的數字。 麥肯錫的調查顯示，AI 高績效者在 coding agent 上被成本卡住的比例，大約是其他人的 3 倍。而且近四分之三的高績效者已經根本性地重新設計工作流程，其他人只有約四分之一。 換句話說，AI 帳單變貴，不一定是你做錯了，很可能是你終於開始真的在用。 差別在於，贏家會把成本攤開來看，知道每一塊錢買到了什麼。要算的帳不是 token 用了多少，而是每完成一件工作花了多少。 ## 常見問題 **AI 成本怎麼計算？** 建議以「每完成一件任務」為單位計算：把模型與 token 費用、人工驗證時間、失敗後重做的時間與錯誤代價、固定成本分攤加總，再除以完成件數。麥肯錫的研究指出，在銀行客服 agent 的案例中，token 只占變動成本的 20-25%，人工監督占 70-75%。 **AI 成本太高，先從哪裡降？** 先把一類任務的成本拆成模型費、人工驗證、失敗重做、異常重試四塊，優先處理占比最高的那一塊。很多流程最大的一塊是人工驗證，固定交件格式和驗證清單通常比換便宜模型更有效。 **為什麼 AI 越來越便宜，企業的 AI 帳單卻變高？** 同等能力的推論單價確實大幅下跌，但 agent 的 token 用量成長得更快：麥肯錫估計 agentic 任務的 token 用量約為一般聊天的 1,000 倍，而且麥肯錫引用的數據顯示約六成成本與修正答案有關。 **什麼情況下值得把工作交給 AI agent？** 麥肯錫資深合夥人 Lari Hämäläinen 在研討會中提出簡化判斷法：當 agent 成功率明顯高於「驗證時間 ÷ 人工執行時間」，就值得交給 agent。例如人工 1 小時、驗證 6 分鐘，門檻是 10%。 **用便宜的 AI 模型比較省嗎？** 不一定。便宜模型若成功率較低，失敗後的人工重做與錯誤修復成本，常常超過省下的模型費。麥肯錫的 Tanguy Catlin 在研討會中表示，為了省錢選便宜模型常是錯誤取捨。 --- **協作聲明與免責** 這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 `[來源名稱](URL)` 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。 內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。