過去兩年，企業導入 AI 的問題是：「要不要用？」
2026 年，問題變成：「哪些 AI 值得繼續付錢？」
這個轉變很重要。因為 AI 工具開始從個人訂閱，變成企業級支出：Microsoft 365 Copilot、ChatGPT Enterprise、Claude Team、Cursor、Codex、客服 agent、資料分析 agent、會議摘要工具、翻譯工具、內容工具，每一項看起來都不貴，加起來卻很可觀。
更麻煩的是，AI 的成本不只在帳單上。
AI ROI 為什麼突然變成焦點？
Axios 在 2026 年 5 月 28 日報導，企業開始更嚴格檢查 AI 支出的投資報酬。這不是因為企業不想用 AI，而是因為 AI 已經從實驗階段進入預算階段。
實驗階段可以接受模糊收益。
預算階段就不同了。CFO 會問：
- 這些 AI 授權實際有多少人每天使用？
- 使用 AI 後，工作時間真的縮短了嗎？
- 是否減少外包費、人力成本或錯誤率？
- 是否帶來更多成交、留存或客戶滿意度？
- 是否增加新的資安、法務與審核成本？
- 如果停掉某些 AI 工具，業務會不會真的受影響？
一旦 AI 進入年度預算，熱潮就會遇到表格。
AI 的成本不只訂閱費
很多公司一開始低估 AI 成本，是因為只看工具價格。
實際上，企業 AI 成本至少有七層：
| 成本類型 | 說明 |
|---|---|
| 授權費 | Copilot、ChatGPT、Claude、Cursor、會議工具、客服工具 |
| API 成本 | 模型呼叫、embedding、語音、影像、長上下文 |
| 資料整理 | 文件清理、權限整理、知識庫維護 |
| 系統整合 | CRM、ERP、客服、資料庫、內部 API 串接 |
| 治理成本 | 權限、稽核、資安、法務、合規 |
| 訓練成本 | 員工教育、流程改造、prompt 範本 |
| 錯誤成本 | 幻覺、錯誤決策、品牌風險、人工修正 |
如果企業只看「每人每月多少錢」，通常會低估真實成本。
尤其是 AI Agent。Agent 一旦能讀取系統、呼叫工具、寫入資料，企業就必須多付治理與風險管理成本。
Tokenmaxxing 為什麼會變成管理問題？
6 月 11 日，Business Insider 報導 Satya Nadella 在《Hard Fork》現場錄製中談到 Microsoft 內部的 AI 使用文化。外界把這種「能用高階模型就盡量用、token 用量越大越有 AI 感」的現象稱為 tokenmaxxing。
這個詞有點玩笑，但問題很真。AI 剛導入企業時，管理層通常鼓勵大家多用、多試、多把流程交給模型。可是當帳單、延遲、review 負擔和品質差異開始出現，企業就會發現：AI 用量增加，不等於 AI 價值增加。
Nadella 的重點不是限制員工用 AI，而是「任務要配對正確模型」。他提到 Copilot 的 auto mode，方向就是讓系統依任務難度選模型，而不是每個問題都丟給最貴、最強、最慢的 frontier model。
這件事對企業 AI ROI 很重要，因為 AI 成本治理會從「買不買工具」進入「每個任務該用哪種智能」。
| 任務類型 | 常見錯誤 | 比較好的做法 |
|---|---|---|
| 摘要、分類、格式整理 | 一律用最強模型 | 用便宜快速模型，搭配抽樣稽核 |
| 客服草稿、行銷初稿 | 只看產量，不看轉換率 | 追蹤採用率、修改率、成交或滿意度 |
| Coding agent 長任務 | 讓 agent 反覆跑、不設預算 | 每任務 token / build / review 上限 |
| 複雜研究與策略 | 為省錢用弱模型 | 用高階模型，但要求來源、推理與人工審查 |
| 企業知識查詢 | 每次都塞完整上下文 | 做 RAG、cache、權限過濾與上下文壓縮 |
所以 2026 年的 AI ROI 會多一個新指標：模型選擇效率。不是誰用最多 token，而是誰能用剛好的模型完成剛好的任務。
這也是 OpenRouter 模型路由與 AI 成本治理 會變重要的原因。當公司同時用 GPT、Claude、Gemini、開源模型與內部小模型，管理問題就不只是採購，而是 routing、fallback、品質評分、成本上限和稽核。
什麼樣的 AI 最容易有 ROI？
AI ROI 不是看模型多強，而是看場景是否適合。
通常最容易算出 ROI 的場景，有幾個共同特徵：
高頻
每天都發生的工作，比一年只發生幾次的工作更容易回收成本。
例如客服摘要、會議紀錄、銷售 follow up、程式碼 review、資料清理，都比偶爾一次的品牌提案更容易產生穩定價值。
重複
流程越固定，AI 越容易穩定輸出。
如果每次任務都高度客製，AI 可能還是有用，但 ROI 會比較難量化。
可驗證
能快速檢查對錯的任務，比只能靠感覺判斷的任務更適合導入。
例如資料分類、合約條款比對、客服工單摘要、單元測試產生，都比高風險決策更容易控管。
影響流程瓶頸
AI 如果只是讓大家產生更多草稿，價值有限。
AI 如果能縮短交付時間、降低等待時間、減少返工、加速客戶回覆，ROI 才會明顯。
最容易被砍的 AI 工具
企業重新計算 ROI 時，最容易被檢討的通常是這幾類：
| 類型 | 被檢討原因 |
|---|---|
| 使用率低的全公司授權 | 很多人有帳號，但很少真的用 |
| 功能重疊的工具 | ChatGPT、Claude、Gemini、Copilot、Notion AI 同時存在 |
| 很難衡量產出的內容工具 | 產量增加，但流量、成交、留存沒有明顯提升 |
| 無法接上流程的單點工具 | 好用但不在工作流裡，最後變成偶爾使用 |
| 風險高但管理不足的 agent | 省時間，但帶來資安、法務與責任問題 |
這不代表這些工具不好，而是企業會開始要求它們證明價值。
企業該怎麼算 AI ROI？
不要只問「AI 省了多少時間」。這個問題太容易被高估。
比較好的算法，是把 AI 放進流程裡看：
AI ROI ＝ 節省的人力時間 ＋ 增加的收入 ＋ 降低的錯誤成本 － 工具與治理總成本實務上可以用四個指標開始：
| 指標 | 問法 |
|---|---|
| 使用率 | 有多少人每週使用？使用幾次？ |
| 時間節省 | 任務完成時間是否真的下降？ |
| 產出品質 | 錯誤率、返工率、客訴是否下降？ |
| 業務結果 | 成交率、回覆速度、交付速度是否改善？ |
| 模型選擇效率 | 簡單任務是否使用低成本模型？高階模型是否用在真正需要推理的任務？ |
| Token 預算 | 每部門、每流程、每 agent 任務是否有合理上限？ |
最重要的是，不要只看 AI 產出量。
文章變多、會議摘要變多、程式碼變多，不一定代表公司變有效率。有時候只是製造更多需要人類審核的半成品。
2026 年企業 AI 會怎麼變？
我認為 2026 年會出現三個變化。
第一，企業會減少重疊訂閱。不是每個部門都需要同時買三種聊天 AI。
第二，AI Agent 的導入會更慢但更正式。公司會要求權限、稽核、approval 與停用機制。
第三，model routing 會從技術團隊的小技巧變成企業 AI 採購條件。CFO 不會永遠接受「因為最強所以最貴」這種說法，AI 平台必須說清楚什麼任務用什麼模型、為什麼值得。
第四，真正留下來的 AI 工具，會是能嵌入流程、產生可量化結果、並且能被治理的工具。
AI 不會退潮，但預算會變聰明。
接下來，企業不會只問「我們有沒有 AI 策略」，而會問：「這個 AI 每個月替我們賺回多少？」
FAQ
什麼是 tokenmaxxing？企業需要禁止嗎？
Tokenmaxxing 指的是過度追求 AI 用量、token 消耗或高階模型使用量，好像用越多 AI 就越先進。企業不一定要禁止，但要避免把用量當成價值本身。比較好的做法是設定任務預算、模型路由規則、品質指標與人工抽查。
企業一定要自己做 model routing 嗎？
不一定。小團隊可以先用單一平台的 auto mode 或內建模型選擇。當使用量、部門數、agent 任務和成本變大，再考慮 OpenRouter、AI Gateway、內部 routing layer 或多模型治理工具。
AI ROI 一定要用金錢計算嗎？
最好能轉成金錢，但不一定一開始就完全精準。企業可以先用時間節省、錯誤率、回覆速度、交付週期、使用率作為代理指標，再慢慢連到營收或成本。
為什麼很多 AI 導入看起來有效，最後 ROI 卻不高？
常見原因是 AI 只改善個人工作片段，沒有改善整體流程。如果瓶頸在審核、決策、資料品質或跨部門協作，單點 AI 工具很難產生明顯 ROI。
公司應該先砍 AI 工具還是先整合？
先盤點再整合。直接砍工具可能傷到真正有價值的流程。比較好的做法是看使用率、任務類型、資料風險與業務結果，再決定保留、整合或停用。
Sources: