軟體公司過去幾十年的生產模式就是雇用工程師、支付薪水、提供工具，換取軟體產出；但 2026 年的現在，生成式 AI 打亂了這套模式。
工程師越來越仰賴 Claude Code、Cursor 或 GitHub Copilot 生成上線用的軟體、測試與架構方案，開發過程也因此消耗大量 AI 推論資源，AI 使用逐漸變成一項實質成本。工程薪資經濟學能不能跟上這個變化，成了新問題。
AI 使用成本正變成企業一大開銷
比起 AI 釋放出來的生產力，工具花費看似微不足道，這讓任何試圖節省一點 AI 成本的誘因設計，可能摧毀比省下來還多的產出價值，但問題可能就在誘因設計方向錯了。
越來越多科技公司應徵者，會在面試時主動詢問能取得多少專屬推論運算資源，OpenAI 總裁 Greg Brockman 直言：「你能取得的推論運算資源，將決定你整體的軟體生產力。」創投機構 Theory Ventures 的 Tomasz Tunguz 估算，若工程師薪資落在薪資平台 Levels.fyi 統計的 75 分位數（375,000 美元），加上每年 10 萬美元推論成本，總負擔成本將來到 475,000 美元，AI 使用成本未來可能占整體薪資結構超過兩成。
傳統上企業支付人力專業、工時與工具，如今認知運算正成為第四項應被管理的成本項目，但是能支撐這個概念的薪資模式，目前還沒出現。
個人 AI 預算制度看似合理，實際會失靈
假設企業以年薪 15 萬美元聘用工程師，其中 12 萬美元底薪、3 萬美元個人 AI 預算，未花完部分轉換成獎金。
乍看能鼓勵謹慎使用 AI，又能獎勵節省。
但一旦 AI 使用量跟個人預算綁在一起，工程師就不再有動機花這筆錢，使用與否不再取決於生產力，而是能不能保住預算。
這種「假性節約」下，工程師可能寧願花三小時手動完成，也不願花 4 美元 token 在二十分鐘內解決，因為 4 美元是他自己的，三小時卻是公司的。
解方參考業務部門：獎酬跟著淨產出走
如果薪資跟著淨結果（產出價值減去成本）走，業務主管自然會把成本放在心上，因為亂花錢會直接讓自己的佣金變少。
把這套邏輯搬到軟體工程，可以拆成三個部分：底薪負責打底，不受業績起伏影響；團隊的變動薪資，跟扣掉成本後的實際產出綁在一起；AI 預算則是拿來用的工具，不是拿來炫耀或囤積的獎盃，工程師自己判斷這筆錢花下去划不划算，還是要省下來換獎金。
認知運算的財務治理
雲端運算興起時催生了 FinOps 這套紀律，讓團隊為基礎設施成本負責。AI 正催生同一種紀律，只是換了一套可視化指標：每項交付功能的成本、團隊 AI 支出，以及每一單位認知支出帶來的產出。
如今浪費的 AI 使用多半是結構性問題，而非行為問題。如果獎勵「降低成本」，會逼工程師迴避使用真正該用的強大模型，也讓他們迴避需要更多運算力的難題，反倒用較慢的手動作業取代更快的 AI 輔助解法。
因此，重點應放在讓總成本相對應的產出最大化，而不是為了省 token 而省。
明日的工程師，價值不在寫了多少程式碼
長期以來，企業支付工程師薪資的依據，是已結案工單數量代表的產出。但企業真正願意付費買的是判斷力，以及把智慧部署在真正重要之處的能力，token 花費本身不是問題。
真正具備前瞻性的工程師，在乎的不是自己寫了多少程式碼，而是能多有效協調人類專業、AI 能力與自動化工作流程，藉此優化軟體與認知架構本身。2026 年可能是工程師談薪水時，開始把 token 也納入談判籌碼的一年。
【推薦閱讀】
◆ Token 單價便宜的 AI 模型不代表省錢，Databricks 稱任務成本與 Harness 更關鍵
◆ AI 讓開發產出翻 3 倍，決策端卻跟不上，未來的工程師得開始做 PM 的工作
◆ AI 治理三角色：訊號架構師、判斷工程師、決策擁有者，AI 出錯才有人說得清
＊本文開放合作夥伴轉載，參考資料：Forbes、Business Insider，首圖來源：Unsplash
（責任編輯：鄒家彥）
