AI 帳單會漲，是因為 AI 變便宜之後，公司用它的地方和次數增加得比降價更快：單價降了，總額還是往上走。經濟學稱為傑文斯悖論（Jevons paradox）。這通常不是誰在亂花錢，而是 AI 好用，用的地方自然變多。

很多公司今年都是這樣：去年只用 AI 翻譯幾封外文信件，一個月花不了多少錢；今年客服用它回覆 LINE 訊息、業務用它寫報價初稿、會計用它比對對帳單。每一項的單價都比去年便宜，加起來卻是好幾倍。

這篇先給你可以直接問 AI 的問法和現在就能做的 6 件事，幫你看清楚錢花在哪裡、把明年的預算編得更準；再說明背後的原因，以及用量變大之後可以怎麼管。

先直接問 AI

從各 AI 服務的帳單頁面下載帳單或用量明細（CSV 或 PDF），交給 ChatGPT、Claude 或 Gemini 這類 AI 助理，它可以依部門、依流程加總，算出每件成本。複製下面的句子，換成你們的資料就好（範例是示意）。

依部門和流程加總

附件是過去 3 個月各 AI 服務的帳單與用量明細，還有一張對照表：每個帳號或 API 金鑰屬於哪個部門、用在哪個流程。請依部門和流程加總每個月的費用，列出成長最多的前 5 項，並把每月加總和帳單總額核對一次。對照表裡找不到的帳號或金鑰，另外列出來。結果用表格列出，讓我可以貼回試算表。

算出每件成本

另外附上各流程上個月完成的件數（例如訂單建檔 1,200 張、客服回覆 3,500 則）。請算出每個流程每件的 AI 成本，再照「明年預計件數 × 每件成本，加上預計新增的用途」列一張明年預算的試算表；需要我補的數字留空並標出來。

AI 加總完，先確認總數和帳單對得上，對不上就請它列出沒算進去的那幾列；對照表沒列到的帳號，要問過才知道是誰在用。帳單明細裡有員工姓名、Email 或信用卡末碼的欄位，先刪掉或換成代號再上傳。

現在就能做的 6 件事

1. 把公司所有 AI 支出列成一張表

用 Excel 或 Google 試算表，列出公司正在用的每個 AI 服務與訂閱：每月花多少、誰在用、用在哪個流程。資料可以從信用卡帳單和各服務的帳單頁面整理，加總交給第一句問法；列出來後，哪些用量最大、哪些可以合併就很清楚。

2. 挑一個流程，算出「每件成果的成本」

選一個已經在用 AI 的流程，例如訂單建檔或客服回覆。一個月的 AI 費用除以完成的件數，就是每件成本；再和原本人工處理一件的時間、錯誤率一起看。還沒開始用 AI 的話，可以先參考導入 AI 從哪裡開始挑出流程。

3. 替部門和應用訂每月額度

在同一張表上，替每個部門、每個應用寫下每月額度和一位負責人，用到 80% 時提醒負責人，每月檢視一次。目的不是限制使用，而是讓每一筆花費都有人負責。

4. 用「要完成多少件事」來編明年的預算

單價下降，不代表預算可以照比例砍。比較穩的估法是：明年想讓 AI 完成多少件事，乘上每件成本，再加上預計新增的用途；之後每月追蹤每件成本有沒有下降。

5. 簡單的工作，用真實案例試試小模型

分類、擷取欄位、摘要這類範圍明確的工作，小模型常常就夠用。挑 50–100 個真實案例，讓大小模型各做一次，用試算表記下正確率與成本，再決定哪些工作改用小模型，並訂好規則：小模型沒把握的，轉給大模型或人工。

6. 問你的服務商或開發夥伴：快取與批次

如果公司的 AI 應用是透過 API 串接的，可以問這兩件事：

  • 重複的內容有沒有用快取？ 公司規章、產品目錄、固定的指示文字，每次呼叫都會重複送出；主要的 AI 服務都提供提示快取（prompt caching），例如 Anthropic 的快取讀取價格約是一般輸入的一成。
  • 不急的工作有沒有排進批次？ 月底對帳、整批改寫商品描述、整理歷史資料，不需要即時回覆；OpenAI 與 Anthropic 都提供批次 API，在 24 小時內完成，價格約是即時呼叫的五折。

傑文斯悖論是什麼？1865 年的煤炭問題

1865 年，英國經濟學家威廉・史丹利・傑文斯（William Stanley Jevons）出版了《煤炭問題》（The Coal Question）。當時很多人以為，瓦特改良的蒸汽機省煤得多，英國的用煤量應該會減少。傑文斯卻指出：蒸汽機更省煤，用起來就更划算，於是更多工廠、礦場和鐵路用上了它，全國的用煤量反而大增。

他在書中寫道：「以為節約使用燃料就等於減少消耗，完全是觀念上的混淆，事實正好相反。」

背後的機制可以拆成三步：

  1. 效率提高：做同一件事需要的資源變少。
  2. 單位成本下降：原本不划算的用途，變得划算了。
  3. 用途和用量大增：增加的部分超過省下的部分，總消耗反而上升。

這不是必然的定律。如果需求已經飽和 —— 例如家裡的燈泡換成 LED，你不會因此多裝十盞燈 —— 效率提升就會真的省下資源。傑文斯悖論成立的前提，是還有大量「因為太貴而沒被滿足」的需求。AI 正好就是這種情況。

為什麼 AI 正好符合傑文斯悖論？

DeepSeek 與 Nadella 的一句話

2025 年 1 月，中國新創 DeepSeek 推出以低成本著稱的推理模型 R1，市場開始擔心「AI 不再需要那麼多晶片」。1 月 27 日，輝達（Nvidia）股價單日下跌約 17%，市值減少近 6,000 億美元，創下美國企業的單日最大跌幅。就在這波震盪中，微軟執行長 Satya Nadella 在 X 上發文：「傑文斯悖論又來了！隨著 AI 變得更有效率、更容易取得，它的使用量會暴增，變成一種我們怎麼用都不夠的日常商品。」

單價一路降，總量一路升

一年多後回頭看，數據大致站在 Nadella 這一邊：

變便宜的一面用得更多的一面
token達到 GPT-3.5 水準的模型，推論成本從 2022 年 11 月每百萬 token 20 美元，降到 2024 年 10 月的 0.07 美元，降幅超過 280 倍Google 每月處理的 token 數，從 2024 年 5 月的 9.7 兆，成長到 2026 年 5 月的 3,200 兆
用電每個 AI 任務的耗電量，近年每年至少降為原本的十分之一全球資料中心用電 2025 年成長 17%，預估從 485 TWh 增加到 2030 年的 950 TWh（IEA）
2026 年7 月 OpenAI 將 GPT-5.6 Luna 降價 80%，9 月推出的 GPT-6 Sol 與 Luna 又再砍一半Gartner 預估 2026 年全球 AI 支出約 2.7 兆美元，比前一年成長 49.5%

國際能源總署（IEA）2026 年 4 月的報告也是同樣的描述：AI 每個任務的能源效率，正以能源史上前所未見的速度進步；但使用的人越來越多，AI Agent 這類更耗能的用法也在增加，總用電仍在快速上升。

示意圖：每件任務的成本下降、交給 AI 的任務數上升，兩者相乘的總支出仍然上升
單價 × 用量 = 總支出（示意數字）：單價降到約 1/14，用量成長 45 倍，總支出變成 3 倍多。

在公司裡：原本不划算的事，變划算了

以前因為人力有限、成本太高而先放著的事，在 AI 單價降下來之後，都變得值得做：

以前的做法AI 變便宜之後
只有大客戶的詢價當天回覆每則 LINE 詢問都能即時產生回覆初稿
對帳只抽查金額大的單據每一張進貨單、發票都自動比對
客服紀錄只能偶爾抽看每通對話都摘要、分類，找出常見的客訴
產品說明只有中文版每個產品頁都有英文、日文版本

每一項單獨看都很便宜，但全部加起來，公司的 AI 用量可能是一年前的好幾倍。

用法變「重」了

另一個原因，是 AI 的用法越來越複雜。從一問一答的聊天，到會自己查資料、呼叫工具的 AI Agent，一件任務背後可能是幾十次模型呼叫。Anthropic 在說明自家研究功能的文章中提到，Agent 使用的 token 大約是一般聊天的 4 倍，多個 Agent 協作時約 15 倍。每個 token 更便宜，不代表每件任務更便宜。

花得多不一定是壞事。如果多花的錢換來更快的回覆、更少的錯誤、更多的訂單，預算變大是合理的；關鍵是知道錢花在哪裡、換到了什麼，這正是前面 6 件事在做的。

員工的工作會怎麼變？

傑文斯悖論也被拿來討論就業。Apollo 首席經濟學家 Torsten Slok 在 2026 年 4 月提出「傑文斯就業效應」：當 AI 讓法律、會計、顧問這類專業服務變便宜，願意購買的人會變多，相關工作的總量可能不減反增（見 Fortune 的報導）。

常被引用的例子是放射科：2016 年，AI 先驅 Geoffrey Hinton 曾說應該現在就停止培訓放射科醫師；將近十年後，Works in Progress 的分析指出，美國已核准數百款 AI 影像工具，放射科卻仍普遍缺人，2025 年住院醫師的招收名額還創下新高。

另一面的數據同樣重要。史丹佛數位經濟實驗室 2026 年 8 月的更新發現，整體就業並沒有出現大規模被取代的現象；但在最容易受 AI 影響的職業裡，22–25 歲年輕人的就業，比同齡、在較不受影響職業的人低約 19%。落差主要來自企業少招新人，而不是裁掉現有員工；資深員工則沒有類似的落差。

比較穩健的解讀是：工作總量可能變多，但工作的組成會改變，最先受影響的，是過去給新人練手的基礎工作。在我們看過的導入案例裡，AI 接手的是步驟，不是職位：資料輸入、格式整理、初稿交給 AI，人負責審核、處理例外、和客戶溝通，以及做最後的決定。幾個實際的建議：

  • 盤點任務，而不是盤點人：列出每個職位的工作內容，看哪些適合交給 AI、哪些一定要人來做。
  • 重新設計新人的學習路徑：過去新人靠輸入、整理資料熟悉業務，現在可以和資深同事一起審核 AI 的產出。
  • 讓省下的時間有去處：更快回覆客戶、接更多訂單、經營過去沒空顧的市場，才是 AI 投資真正的回報。

什麼時候可以考慮下一步

前面 6 件事，用 AI 助理、試算表和現有的服務就做得到。遇到下面這些情況，可以考慮往下一步走：

  • AI 用在越來越多部門和流程，每個月下載帳單、整理用量、再貼給 AI 加總的時間越來越長。
  • 希望隨時看到各部門、各流程的每件成本，不用等到月底整理。
  • 希望簡單的工作自動交給小模型，沒把握時再轉給大模型或人。

下一步：讓 AI 請求經過同一個閘道

AI 成本治理示意：各部門的請求經過 AI 閘道，依序檢查額度、快取、分流與批次，再送到小模型、大模型或批次佇列，並在儀表板追蹤每個成果的成本
讓所有 AI 請求都經過同一個閘道：先看額度、再查快取、依難度分流、不急的排進批次，並記錄每個成果的成本（示意）。

做法是在公司的應用和 AI 服務之間加一層「AI 閘道」，各部門的 AI 請求都先經過它。前面用試算表和 AI 助理做的事，在這裡自動完成：

  1. 額度：依部門、應用計算用量，接近額度時通知負責人。
  2. 快取與批次：重複的規章、目錄走提示快取；不急的工作排進批次，晚上處理。
  3. 分流：依難度送到小模型或大模型；沒把握的往上轉，重要的決定交給人確認。
  4. 每件成本：儀表板記錄每個成果的成本，和原本的人工成本、錯誤率一起看。

可以分階段做：先接上用量最大的一個應用，其他應用和現有的 AI 服務、帳號照舊；數字確認沒問題、團隊用習慣了，再接其他應用。有了每件成本，就看得出預算變大，是因為做了更多有價值的事，還是有些用量可以再省下來。

AI 會越來越便宜，公司花在 AI 上的錢卻很可能越來越多；只要每一塊錢都換得到看得見的成果，這是好事。想知道你的流程適合用哪些模型、怎麼設計分流與成本追蹤，可以先做一次免費的 AI 健檢，或看看 AI 導入與整合服務與系統整合，也歡迎直接和我們聊聊你的需求。