AI 越來越聰明，token 單價也越來越便宜，但只要缺乏管控，帳單很可能失控。根據高盛（Goldman Sachs）研究團隊預估，隨著消費者與企業導入 AI 代理（AI Agent），全球 token 消耗量將在 2026 至 2030 年間暴增 24 倍，來到每月 120 千兆（quadrillion）token。《華爾街日報》報導，企業開始部署一系列策略，包括雲端時代練就的老方法，以應對不斷攀升的 AI 成本。
Token 單價在跌，帳單卻越滾越大？
帳單失控，並不是因為 token 變貴了。根據貝恩（Bain & Company）研究，模型價格在 2024 年 12 月至 2025 年 12 月間約下跌 50%，但同期 token 消耗量卻成長 4.5 倍，漲的量遠遠蓋過跌的價。
而這波用量之所以壓不下來，源自 AI 使用型態的根本轉變：過去以提示（prompt）為主的聊天機器人，正被「一直開著」的自主 AI 代理取代，而後者消耗的 token 遠遠更多。高盛半導體與 IT 服務資深分析師 Jim Schneider 指出，相較於向聊天機器人提問，指派一個 Agent 去完成任務所需的運算量可高達 50 倍；高盛更預估，光是企業端的 AI 代理，到 2040 年就會讓 token 消耗量成長 55 倍。
AI 的計費模式也在轉向用量制：Anthropic 已改採用量計費，GitHub 則在 4 月調整定價，改成依 token 用量扣抵點數。如此一來，一旦缺乏控管，用量就會失速，《ITPro》就報導，曾有未具名公司因沒設用量上限，意外在 Claude 上花掉 5 億美元；Uber 也在四個月內燒完 AI 預算後，把員工用量上限設在每月 1,500 美元。
更長期的壓力可能來自寫程式。根據《TechRadar》，市場研究機構 Gartner 預測，最快到 2028 年，AI coding 工具的支出可能超過一名開發者的平均薪資，背後同時受到授權費增加與 token 消耗成長兩股力量推動。
於是，一度比拼誰用得多的「tokenmaxxing」風潮開始退燒，企業從鼓勵員工多用，轉為替使用踩煞車。《ITPro》引述外流的內部會議內容指出，顧問業巨頭埃森哲（Accenture）已要求非工程師減少把 AI 用在瑣碎工作上，例如把 PDF 轉成簡報。這樣的做法並非個案，亞馬遜與 Meta 日前就撤下鼓勵內部員工多用 AI 的排行榜、微軟因成本移除對 Claude Code 的存取，沃爾瑪（Walmart）則限縮員工對內部 AI 代理的使用。
把雲端時代的 FinOps 搬來管 AI
不過，替使用踩煞車、甚至直接拔掉工具，都只是最直接的手段，也有企業開始搬出一套更有系統、也似曾相識的方法：FinOps。據《華爾街日報》訪談多位企業技術主管，這套結合財務、工程與產品的做法源自 2010 年代的雲端熱潮，當初就是為了管理不斷膨脹的雲端支出，如今被原封搬來對付性質相近的 AI 帳單。
其中一步是可視化與問責。線上旅遊公司 Priceline 的 IT 財務資深總監 Chris Reed 向《華爾街日報》比喻，導入 AI 等於把信用卡交到終端使用者手上，一旦沒有控管、使用者又不夠了解，帳單就會被刷爆。Priceline 的做法是用儀表板追蹤 token 用量，每月向財務長與技術長回報；一旦某位員工用量偏高，就會展開一次對話，釐清他如何使用 AI，而額度並非一成不變，若用在能創造營收的專案上仍可放寬。
金融服務業者 Principal Financial Group 資訊長 Kathy Kay 則表示，公司比照過去管理雲端的做法建立治理與最佳化機制，核心是「用對的模型做對的任務」，讓用量提高不必然等於成本提高。軟體公司 Smartsheet 則由專責的 FinOps 團隊統管整體 AI 支出，設定自動告警提醒員工快觸及上限，並提供可依部門與主管細分的儀表板，讓成本即時被看見，不會到月底才驚覺。
根據《華爾街日報》，這股需求甚至反映在人才招募上，CVS Health 就正在徵求具備 FinOps 專長的 AI 維運工程主管，職務內容明確包含 GPU 成本治理與成本削減。
選對模型、用對方法，壓低每一筆 Token 成本
除了整體治理，另一條路是直接降低每次任務的單價。高通（Qualcomm）資訊長 Atilla Tinic 表示，公司對特定團隊設定 token 上限，並推行一套「show back」機制：把各部門的用量換算成實際金額攤給他們看，讓每個團隊理解自己的花費到底造成了什麼。
企業軟體公司 OpenText 資訊長暨數位長 Shannon Bell 指出，這類把成本攤給各部門看的做法，例如 show back 或 chargeback，可以讓組織的 token 成本下降 20% 至 30%，關鍵是讓開發主管為自己的支出與成果負起責任。
模型選擇是另一個施力點。與其把所有任務都跑在龐大又昂貴的模型上，一些公司改用較小、較舊或開源的模型來處理。高通則更進一步把這些模型跑在自家硬體上，成本還能再往下壓。零售商 Lowe’s 數位資訊長 Seemantini Godbole 表示，公司建立準則與機制來避免「token 浪費」，方法之一就是採用較小與開源的模型，但她也強調，只要是為了達成商業目標，用量本身就是好事，關鍵在於別把資本花在不需要的地方。
同樣的邏輯，加密貨幣交易所 Coinbase 執行長 Brian Armstrong 講得更具體。《Business Insider》報導，Armstrong 公開五項策略：一是把較便宜的開源模型設為預設；二是依任務難度把提示分流到最合適的模型，例如規劃時用前沿模型、執行時就不必動用；三是善用快取；四是切換任務時開新的工作階段，讓脈絡保持精簡；五是提升全公司的 AI 花費可視化。
Armstrong 強調，目的不是壓抑使用，而是打造讓指數成長得以持續的基礎設施，他也秀出公司 token 用量創下歷史高點、AI 支出卻已降至高峰時近半的數據。
Token 管理，正成為新的競爭門檻
真正的難題，其實不只是控制成本，而是判斷這筆錢值多少。Priceline 的 Reed 直言，高用量本身無所謂好壞，端看它連結到什麼樣的商業成果，而這正是最難量化的部分。Gartner 資深首席分析師 Nitish Tyagi 也點出同一個缺口：多數組織仍缺乏成熟的框架去衡量成本與商業影響的關係，加上供應商對 token 如何計算揭露不足，企業難以預估花費、也難以據此最佳化。
但這也正是這波成本課題的關鍵所在。綜合上述做法可以看出，企業要的不是少用 AI，而是把每一分花費都用在刀口上，既看清成本，也分辨哪些用量真正換得成果。當 token 成為 AI 的計費單位，管理 token 的能力，也正從一道後勤成本題，逐漸變成企業的競爭維度。
【推薦閱讀】
◆ 台灣 AI 採用贏全球，產出成果卻落後一截？微軟揭企業 AI 的導入盲點
＊本文開放合作夥伴轉載，資料來源：《The Wall Street Journal》、Goldman Sachs、《Business Insider》、《ITPro》、《Techradar》，首圖來源：Unsplash
