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

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」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? 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 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」。

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 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。

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）：

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

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。

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。

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 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。