「新聞說 AI 又降價了，為什麼我們的 AI 帳單還是一直漲？」

這是今年很多老闆和財務主管會問的問題。去年公司只用 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。

這不是誰在亂花錢，而是一個 160 年前就被寫下來的經濟現象 —— 傑文斯悖論（Jevons paradox）。它在 2025 年初因為 DeepSeek 突然成為科技圈的熱門詞，到了 2026 年，已經是討論 AI 成本、用電與就業時繞不開的概念。這篇文章說明它是什麼、為什麼適用在 AI 上，以及中小企業該怎麼因應。

1865 年的煤炭問題：什麼是傑文斯悖論？

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，瓦特改良的蒸汽機比舊式機器省煤得多，英國的用煤量應該會減少。傑文斯卻指出相反的事：蒸汽機更省煤，用起來就更划算，於是更多工廠、礦場和鐵路用上了蒸汽機，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。

要注意，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。

為什麼它成了這兩年最熱門的 AI 話題？

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）股價單日重挫約 17%，市值蒸發近 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。」一個 19 世紀的經濟學名詞，一夕之間成了科技圈的熱門話題。

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）在 2026 年 4 月的報告裡，幾乎把傑文斯悖論原封不動寫了出來：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，所以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，用量卻成長 45 倍，總支出反而變成 3 倍多。

AI 變便宜，工作會變少還是變多？

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）。

放射科是常被引用的例子。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。

但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落後約 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，是過去拿來給新人練手的基礎工作。

對台灣中小企業：為什麼 AI 預算只會越來越大

原本不划算的事，突然划算了

這是傑文斯悖論在公司裡最直接的樣子。以前因為人力有限、成本太高而「算了」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
客服紀錄沒人有空看每通對話都摘要、分類，找出常見客訴
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

用量增加的另一個原因，是 AI 的用法越來越複雜。從一問一答的聊天，進化到會自己查資料、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。真正的問題是：沒有人知道錢花在哪裡、換到了什麼。

管住 AI 成本的四個槓桿

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）。

1. 額度與部門預算

替每個部門、每個應用設定每月額度，用到 80% 時通知負責人，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。

2. 快取：重複的內容不重複付全價

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。

3. 模型分流：簡單的事交給小模型

分類、擷取欄位、摘要這類範圍明確的工作，交給便宜、快速的小模型（甚至是公司內部的地端小模型）；需要複雜推理、處理長文件時才用大模型。再加上「小模型沒把握就轉給大模型」的規則，就能兼顧品質與成本。

4. 批次：不急的工作晚上跑

月底對帳、整批改寫商品描述、整理歷史資料，都不需要即時回覆。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。

看「每個成果的成本」，不是每個 token

最重要的觀念轉換：不要只盯著 token 單價，而是追蹤每完成一件事花多少錢，例如「每張訂單建檔的成本」「每則客服問題解決的成本」，並和原本的人工成本、錯誤率一起比較。這樣才看得出預算變大，是因為做了更多有價值的事，還是單純的浪費。

對員工的意義：角色會變，而不只是消失

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、初稿撰寫交給 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項目，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，現在可以改成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、開發過去沒空經營的市場，才是 AI 投資真正的回報。

從哪裡開始？

  1. 先把帳看清楚：列出公司目前所有的 AI 服務與訂閱，每月花多少、誰在用、用在哪裡。
  2. 挑一個流程算出「每件成本」：選一個已經在用 AI 的流程，算出每完成一件事的成本，和人工比較。還沒開始用 AI 的話，可以先參考〈傳產導入 AI 先別急著買工具〉挑出最值得做的流程。
  3. 導入額度與分流：從用量最大的應用開始，設定部門額度，把簡單的任務改用小模型。

AI 會越來越便宜，公司花在 AI 上的錢卻很可能越來越多 —— 這不是問題，只要每一塊錢都換得到看得見的成果。想知道你的流程該用哪些模型、怎麼設計分流與成本追蹤，可以參考我們的 AI 導入與整合服務，或和我們聊聊你的需求。