黃朝健觀點：AI時代真正昂貴的，不只是模型，而是失控的Token

生成式AI快速走進企業之後，競爭的焦點也正在改變。過去大家關心的是哪一家模型更強、誰的推理能力更好，但當AI真正進入客服、採購、行銷、研發與行政流程後，企業面對的問題開始變得務實：AI不只是要會用，更要用得起、用得久，而且必須創造足以支撐成本的價值。

過去談數位轉型，企業習慣計算伺服器、軟體授權、人力與系統維護成本；進入生成式AI時代後，成本結構裡又多了一個過去很少被管理階層注意的項目——Token。從員工的一次提問、文件摘要、資料分析，到AI Agent自主搜尋資訊、呼叫工具、反覆推理與執行任務，每一個動作背後，其實都伴隨著Token的消耗。當企業只有少數人使用AI時，這筆成本或許並不起眼；但當數百名員工、數十個AI Agent開始全天候運作，Token就不再只是技術名詞，而會逐漸成為企業必須管理的營運成本。

如果把GPU視為AI時代的發電設備，那麼Token就像這座「AI工廠」持續生產與消耗的數位能源。模型能力愈強、任務愈複雜、Agent執行的步驟愈多，需要投入的算力與Token通常也愈多。因此，未來企業的競爭力，恐怕不能只看擁有多少GPU、採用了多強的模型，而要進一步追問：同樣完成一項工作，誰能消耗更少的Token、付出更低的成本，卻創造更高的商業價值？

這也是「Token經濟」真正值得台灣企業關注的原因。它談的其實不只是AI怎麼計價，而是一套新的企業經營邏輯：當算力開始像人力、電力與資本一樣成為生產要素，企業就必須學會衡量每一次AI運算究竟創造了多少價值。下一階段的AI競爭，因此不會只是模型之戰，也將是一場**成本效率與生產力之戰。

這兩年，ChatGPT、Claude、Gemini陸續走進企業，愈來愈多公司也開始嘗試自行部署開放權重模型。面對快速增加的選擇，企業最常問的問題往往是：「到底哪一個模型最好？」

但當生成式AI真正進入企業日常營運後，這個問題其實已經不夠用了。比起一味追求最強模型，企業更應該開始思考另一件事：眼前這項工作，真的需要花這麼多Token嗎？

一封客服信件的摘要、一張採購單的分類，或是一段會議紀錄的整理，通常並不需要動用最昂貴、推理能力最強的模型。如果所有工作不分難易，都交給最高階模型處理，就像只是送一份文件，卻每次都派出一輛大型聯結車。技術上當然做得到，但從企業經營的角度來看，卻未必划算。而當AI從「回答問題的聊天工具」進一步走向Agentic AI，這個成本問題還會被進一步放大。

傳統Chatbot的互動相對單純，通常是使用者提出一個問題，模型產生一次回答；AI Agent卻不同。為了完成一項任務，它可能先搜尋資料、讀取文件、呼叫外部工具或API，接著分析結果、重新推理、檢查錯誤，再根據新的資訊繼續下一個步驟。一個看似簡單的任務，背後可能已經經歷多輪模型呼叫與大量上下文交換。 （相關報導： 張瀞文專欄：5000億美元豪賭AI─黃仁勳把風險從科技業推向華爾街，中國卻在另一頭打價格戰 ｜ 更多文章 ）

對使用者而言，最後看到的也許只是一份報告、一張表格，或一句「任務已完成」；但企業真正付出的，卻是整個Agent執行過程累積下來的Token與算力成本。因此，AI進入企業的下一個管理難題，很可能不是「模型價格到底有多高」，而是企業是否真正知道自己的AI正在做什麼、呼叫多少次模型，又消耗了多少Token。

當AI Agent從幾個實驗性專案，擴大到採購、客服、財務、行銷甚至內部管理流程時，這個問題就會從幾美元、幾十美元的API帳單，逐漸變成必須被管理的企業成本。換句話說，AI時代真正危險的，未必是Token太貴，而是Token在企業看不見的地方持續被消耗。

這樣的發展，其實和企業過去導入雲端服務的歷程十分相似。

AWS、Azure與Google Cloud剛開始普及時，企業看中的是彈性、快速部署，以及不必一次投入大量硬體設備的便利性。但隨著系統愈搬愈多、使用規模愈來愈大，許多企業才逐漸發現：雲端雖然方便，帳單卻可能在不知不覺中快速增加。也因此，後來才發展出FinOps的概念，透過財務、技術與營運團隊共同管理雲端資源，讓每一筆算力支出都能對應到實際的業務價值。生成式AI很可能正在重演同樣的過程。

企業現在導入AI，多半還在關注「有多少員工使用」、「導入多少個Agent」，或者「模型效果好不好」；但當AI真正擴大到日常營運後，管理者遲早必須面對更現實的問題：完成一次任務到底花了多少Token？處理一張採購單需要多少成本？客服AI解決一個案件花多少錢？一個AI Agent為公司創造一萬元營收的同時，又消耗了多少模型與算力資源？因此，未來企業可能需要建立一套類似「AI FinOps」的管理思維，把過去相對抽象的Token消耗，轉換成可以被財務與管理階層理解的經營指標。

例如完成一項工作的Cost per Task、做出一次判斷的Cost per Decision，甚至真正產生商業成果之後的Cost per Outcome。到了這個階段，企業衡量AI的方式就不會只是看呼叫多少次模型、用了多少Token，而是開始追問：這些Token究竟替公司換回了什麼？

員工多問幾次、文件多分析幾份，成本可能還不明顯；但當數百名員工與大量AI Agent同時運作，而且Agent還能自行呼叫模型、工具與資料來源時，每一次看似微不足道的成本，都可能在規模放大之後累積成可觀的支出。因此，企業真正需要管理的不是「少用AI」，而是讓每一次AI運算都有值得付出的理由。

否則就可能出現一個看似矛盾的情況：AI導入愈成功、員工使用愈頻繁、Agent部署愈多，企業的AI帳單也成長得愈快，最後卻無法證明生產力或營收以相同速度增加。

到了那個時候，問題就不再是AI好不好用，而是這筆AI投資究竟划不划算。

當AI Agent開始接手愈來愈多流程性工作後，另一個值得企業重新思考的問題，就是管理者的角色將如何改變。 （相關報導： 張瀞文專欄：5000億美元豪賭AI─黃仁勳把風險從科技業推向華爾街，中國卻在另一頭打價格戰 ｜ 更多文章 ）

近年不少討論認為，AI可能壓縮中階管理層的需求。這樣的變化未必會在短時間內發生，但背後的趨勢確實值得注意。因為傳統主管有相當一部分時間，用在資訊彙整、工作分派、進度追蹤與跨部門協調，而這些工作正逐漸成為AI Agent可以協助甚至部分自動完成的領域。但這並不代表管理者因此失去價值。相反地，當例行性的管理工作被AI接手之後，主管真正重要的能力反而會更加凸顯。

未來管理者需要思考的，不只是「工作要分給誰」，而是「這項工作究竟應該交給人，還是交給AI」。哪些任務可以自動化？哪些決策必須保留人類判斷？AI產生的結果要如何驗證？一旦發生錯誤，又該由誰承擔責任？這些問題，都會逐漸成為企業管理的新日常。換句話說，管理的重心正在從「管理人力」，進一步走向「設計人與AI如何共同工作」。

因此，未來的主管可能更接近「Player-Coach」的角色——既是球員，也是教練。他不能只是站在組織上層分派任務，而必須理解AI工具的能力與限制，親自參與流程設計、檢查關鍵成果，同時帶領團隊把AI真正轉化成生產力。這也意味著，未來衡量一名主管價值的方式可能會有所不同。過去我們常用「管理多少人」來理解一個職位的重要性；但在AI時代，真正具有競爭力的管理者，未必是帶領最多員工的人，而可能是最懂得讓人、AI Agent與企業流程有效協作的人。

當管理者開始同時調度人力與數位勞動力，企業的管理邏輯也就正式從「管人」，進入「管理人機協作」的新階段。

這樣的變化，也讓Individual Contributor，也就是「獨立貢獻者」的重要性重新被放大。

過去，一個人即使能力再強，仍然受到時間與體力的限制，一天終究只有24小時。但在AI Agent加入之後，個人的工作邊界開始被重新定義。

一名工程師可以同時操作程式碼Agent、測試Agent、文件Agent與資料分析Agent，讓原本需要多人分工的工作，在更短時間內完成；行銷人員也可能同時使用市場研究Agent、內容生成Agent、SEO Agent、廣告分析Agent與客戶資料Agent，把分析、企劃到執行的流程串接起來。

這意味著，未來企業衡量生產力的方式可能會出現明顯改變。過去要擴大產能，往往意味著增加人力；未來則可能先思考，能不能透過AI Agent放大既有人才的能力。

因此，企業未來的基本生產單位，未必仍然是一個傳統的十人團隊，而可能逐漸變成：

一個專業人才，加上一群AI Agent。

但個人產能被放大的同時，另一個問題也隨之而來：AI並不是免費的勞動力。

當一名員工背後只有一個聊天機器人時，Token成本或許並不明顯；但當每位員工都同時操作多個Agent，而這些Agent又能自行讀取資料、呼叫模型、使用工具與反覆推理時，企業消耗的Token與算力也會快速增加。換句話說，AI讓「一個人可以做更多事」，同時也意味著「一個人可以消耗更多算力」。

因此，未來企業不能只衡量每位員工創造多少產值，還必須進一步思考：為了放大這名員工的生產力，公司究竟投入了多少Token與運算成本？到了這個階段，Token就不再只是工程師關心的技術參數，而會逐漸變成主管、財務部門與經營者都必須理解的管理指標。 （相關報導： 張瀞文專欄：5000億美元豪賭AI─黃仁勳把風險從科技業推向華爾街，中國卻在另一頭打價格戰 ｜ 更多文章 ）

Token經濟真正的意義，也正在於此：AI把個人能力放大的同時，也把算力成本帶進了企業日常管理。

台灣企業導入AI時，一個很常見的誤區，就是太容易把模型排行榜當成採購指南。哪一個模型Benchmark最高、推理能力最強，就傾向把更多工作交給它處理。但對企業來說，「最強」不一定等於「最適合」，更不代表所有任務都值得使用最高階模型。真正成熟的做法，應該是建立Model Routing，也就是模型分流機制。

簡單、重複性高的工作，可以交給成本較低的小型模型；一般摘要、客服回覆或內容整理，可以使用中型模型；只有涉及複雜推理、高風險判斷或重要決策時，才需要動用Frontier Model。例如文件分類、格式轉換與資訊抽取，通常不需要最強模型；但法律分析、資安判斷、複雜程式碼或重大商業決策，對準確率與推理能力的要求較高，就有理由投入更多Token成本。

這背後其實是一個很基本的經營原則：不同價值的工作，不應該使用相同成本的資源來處理。

未來成熟的企業AI架構，很可能不會只依賴單一模型，而是讓不同規模、不同能力與不同成本的模型共同存在，再依照任務難度、風險與價值，自動決定由哪一個模型接手。現在很多討論容易走向兩個極端：不是認為所有AI都應該搬上雲端，就是認為資料安全起見，所有模型都應該留在地端。但對多數企業而言，真正合理的做法往往不是二選一，而是混合式架構。

大量、固定而且可預測的工作，可以考慮部署在地端，降低長期運算成本；涉及機密資料、個資或法規限制的內容，也可以留在企業內部處理。至於流量變動大、需要快速擴充的工作，可以交由公有雲負責；真正需要高階推理能力的特殊任務，再透過API呼叫外部Frontier Model。因此，未來企業的AI環境，很可能會同時存在地端小模型、企業私有模型、公有雲與外部高階模型API。企業真正需要解決的，也就不再只是「到底要選哪一家模型」，而是更務實的問題：什麼工作，應該交給哪一個模型，又應該放在哪一個地方執行？當企業開始從這個角度思考AI，模型選擇與算力配置就不再只是IT部門的技術問題，而會直接進入財務與經營決策。這也是為什麼，台灣企業下一步真正需要建立的，不只是AI能力，而是Token ROI的概念。

台灣企業對ROI並不陌生，但目前不少AI專案的績效指標，仍然停留在「導入多少套AI工具」、「多少員工接受AI訓練」、「建立多少個AI Agent」，甚至「模型回答速度有多快」。

這些數字可以反映導入進度，卻無法真正回答最重要的問題：AI到底替企業創造了多少價值？因此，企業應該進一步把Token成本納入投資報酬率的計算。

簡單來說：

Token ROI＝AI創造的商業價值 ÷ AI相關運算成本。

例如，一套客服AI每月需要10萬元的模型、雲端與系統成本，但可以減少50萬元的人工作業成本，或者讓客服團隊處理原本數倍的案件量，那麼這項AI投資就有相對清楚的商業意義。 （相關報導： 張瀞文專欄：5000億美元豪賭AI─黃仁勳把風險從科技業推向華爾街，中國卻在另一頭打價格戰 ｜ 更多文章 ）

反過來說，如果一套AI Agent每月花費20萬元，最後只是讓一名行政人員每個月少做幾個小時的例行工作，即使它使用的是最先進的模型、最複雜的Agent架構，也不代表這項投資具有真正的商業價值。所以未來企業AI主管真正需要回答的問題，不會只是「我們用了GPT、Claude還是Gemini」，也不只是「公司部署了多少個Agent」。

真正重要的是：

每花一塊錢在AI上，到底替公司創造多少價值？

當企業開始計算這個問題，AI的競爭邏輯就會完全不同。

企業不再追求所有事情都使用最強模型，而會開始思考哪一個任務值得投入更多Token；不再執著所有系統一定放在雲端或地端，而是根據成本、安全性與彈性配置算力；也不再用「用了多少AI」衡量數位轉型成果，而是用AI真正創造了多少產值來衡量。這才是Token經濟真正進入企業經營的關鍵。

未來真正具有競爭力的企業，不一定是擁有最大模型、最多GPU或最多AI Agent的公司，而是最懂得配置模型、調度算力，並讓每一個Token都能產生最大商業價值的企業。

Token經濟真正值得企業關注的，並不只是Token這個技術名詞，而是它正在重新改變企業的成本結構、工作流程與組織設計。過去企業擴張，往往意味著增加員工；未來則可能同時意味著增加AI Agent。過去主管主要管理人力，未來可能還要管理AI與人之間的協作；過去企業習慣計算人均產值，未來也可能進一步衡量「Token產值」——也就是每100萬Token究竟完成了多少工作、節省多少工時、降低多少成本，又創造了多少營收。當AI逐漸成為企業基礎設施後，競爭的重點就不會只是誰擁有最強模型、最多GPU或最多AI Agent，而是誰能用更低的成本完成更多工作，並把AI放在最適合的位置，讓人真正專注在判斷、創造力與責任承擔等更高價值的工作。

因此，台灣企業下一階段真正需要重新思考的，或許已經不是「公司還可以導入什麼AI」，而是「公司每消耗100萬Token，到底創造了多少價值？」這兩個問題看似只是換了一種問法，背後代表的卻是完全不同的經營思維：前者仍把AI視為一項新工具，後者則開始把AI當成真正的生產要素來管理。當企業開始計算Token成本、衡量Token產值，並持續調整模型、算力與Agent配置時，AI才算真正離開科技展示的階段，進入企業經營的核心。到了那個時候，AI競爭真正比的，或許不再是誰的模型最大，而是誰能讓每一個Token，都轉化成更高的商業價值。 （相關報導： 張瀞文專欄：5000億美元豪賭AI─黃仁勳把風險從科技業推向華爾街，中國卻在另一頭打價格戰 ｜ 更多文章 ）

＊作者為中華民國內部稽核協會講師、嘉南藥理大學講師