AI 成本
還沒算完

Benedict Evans 在 a16z 談的不是「AI 會不會很大」。他問的是：用量成本會怎麼收斂、模型有沒有定價權，還有 SaaS 會被改寫成什麼樣子。

向下捲動
PART 1 ｜ 今年真正變了什麼

AI 先在寫程式找到產品市場契合

Benedict Evans 說，過去一年最大的變化，不是模型又變大，而是產品策略開始分岔。原本大家還在問「這東西到底能做什麼」，現在答案先在 agentic coding 出現：使用者不是被說服來試用，而是把產品從公司手上搶走。

這讓整個討論變窄，也變得更具體。AI 寫程式已經從「有點有用」變成「真的改變工作方式」。至於工程團隊會怎麼重組、初階工程師還要不要招、資深工程師的價值怎麼變，Evans 的答案很克制：還不知道。因為這件事六個月前才剛開始真正運作，市場需要時間消化。

寫程式
先跑出需求
開發者最早把模型拿來改造自己的工作。
供給吃緊
價格還沒穩
用量、容量、資本支出與定價仍在拉扯。
聊天介面
只是 v1
很多工作需要工具、資料、權限與流程設計。
SaaS
進入重排
不是軟體消失，而是更多工作被軟體化。

他把現在比成 PC、網路與行動網路的早期：令人興奮，但東西還不穩，能做什麼也還沒完全看清楚。每一波平台轉換都會先做舊事，然後才長出舊工具做不到的新事。

PART 2 ｜ 用量經濟學

AI 的價格混亂，很像早年的行動數據

Evans 用行動數據做比喻。iPhone 剛出現時，吃到飽方案讓大家開始大量看 YouTube，電信網路容量跟不上；另一邊，也有人因為漫遊或資料用量收到天價帳單。後來產業才慢慢把成本曲線、容量、使用者感知價值與價格方案對齊。

AI 現在也在這個階段。一邊是每月 20 美元的方案，可能讓重度使用者跑出非常高的 token 成本；另一邊是公司試用幾天 API，突然看到巨大帳單。這不是長期均衡，而是供需、價格與容量還沒對上的過渡期。

面向
行動數據早期
AI 使用量現在
使用者體感
以為上網只是多按幾下，卻可能收到高額帳單。
以為只是叫模型多試幾次，成本卻可能快速累積。
供給端
基地台與頻譜容量有限，流量暴增後網路會塞住。
GPU、資料中心與電力有限，熱門模型供不應求。
長期問題
電信商建了昂貴基礎設施，但主要利潤流向上層應用。
模型公司投下龐大資本，仍要問自己能不能抓住上層價值。

這個比喻的重點不是「AI 一定等於電信」。重點是：基礎設施可以很重要、很昂貴、使用量暴增，卻不一定拿走最多利潤。真正的商業問題，是哪一層有定價權。

PART 3 ｜ 模型會不會商品化

模型可能很重要，卻不像完整產品

Evans 的論點很直接：他不認為 foundation model 本身就是完整產品，也不認為聊天機器人就是最終產品。模型很強，但目前看不出像社群網路、搜尋或作業系統那種持久網路效應。幾家模型都用類似晶片、類似方法、類似資料往前推，差異可能存在，卻未必足以形成長期定價權。

更大的問題是介面。聊天視窗對某些任務好用，對多數企業工作卻不夠。公司真正需要的是正確資料、正確權限、正確工具、正確使用者介面，以及有人坐下來重新設計工作流。會做那份工作的人，不一定知道工具應該怎麼設計；會設計工具的人，也不一定懂那個產業。

價值可能停在哪一層
工作流與判斷
法律、顧問、金融、廣告、電商。問題越靠近產業現場，越需要懂那個產業的人重寫流程。
應用與垂直 SaaS
把 AI 包進特定任務、資料、權限與例外處理，讓使用者不用自己摸索提示詞。
模型與雲端基礎設施
非常昂貴、非常必要，但若買方能切換，長期價格可能往邊際成本靠攏。

如果一家律師事務所買企業軟體，它通常不會先問「這套是用 Claude 還是 OpenAI」。就像買 SaaS 時，客戶多半不在乎背後跑 AWS、Azure 還是 Google Cloud。模型若被抽象成底層能力，價值就可能流向上面的產品設計。

PART 4 ｜ SaaS 的下一步

AI 不是讓軟體變少，而是讓軟體變更多

談到 SaaS，Evans 不覺得答案是單一巨頭把所有應用吞掉。他反而認為會有更多軟體。原因很簡單：AI 讓做軟體更快、更便宜，也讓過去不值得做成軟體的工作，變得可以被軟體化。

今天企業裡大概有三種工作方式：大型橫向系統，例如 SAP、Workday、CRM；垂直 SaaS 和公司內部自建工具；以及夾在中間的大量 Excel、email、共享資料夾。AI 會插進這片混亂地帶。有些任務會變成 Salesforce 裡的一個按鈕，有些任務會變成跨系統的 AI 助理，有些任務會被員工自己做成臨時工具。

企業現在怎麼做事
AI 加進來之前
AI 加進來之後
大型系統
把公司標準流程寫進 SAP、Workday、CRM。
AI 成為功能按鈕，幫使用者產生建議、整理脈絡、補齊下一步。
垂直 SaaS
針對特定產業或部門，把流程包成產品。
更貼近資料、權限與例外處理，變成真正懂場景的工作流。
Excel 與 email
很多中間地帶太小、太變動，不值得買一套正式軟體。
臨時工具更容易被生成，長尾工作也能被軟體化。

他提醒，軟體公司的工作不是把現有流程原封不動搬上螢幕，而是坐下來設計一套「以後就這樣做」的流程。顧問公司做的事也類似，只是輸出是組織流程、訓練與簡報。AI 會讓這兩件事更接近，因為企業需要的不只是模型，而是有人弄懂公司實際怎麼運作。

PART 5 ｜ 下一個日常場景

重點不是把舊事做更多，
而是找出以前不可能的事

主持人問，除了寫程式，下一個高頻場景會在哪裡。Evans 沒有假裝知道答案，而是提出幾個判斷按鈕。

💸
變便宜之後，需求會不會暴增？
同一件事成本下降後，是少花錢做同樣多，還是用同樣預算做十倍多？
🚪
哪個進入門檻會消失？
以前因為成本太高，只有大公司能做的事，是否突然變成新創也能做？
✨
什麼事以前根本想不到？
不是更多試算表、更多簡報，而是像 YouTube 或 Spotify 那種舊技術做不到的新模式。

他舉電商和廣告當例子。Google、Meta、Amazon 過去知道一件商品的 SKU、文字描述和「買了這個也買那個」的相關性，但不真正理解人為什麼買。LLM 讓系統更接近理解商品、風格、意圖與情境。從「找照片裡那件外套」到「看我的 Instagram，推薦一件能改變造型但不要太誇張的冬季外套」，這種抽象層級以前很難做。

新的大機會通常不是「用新技術重做舊產品」，而是有人突然指出一個洞，讓大家回頭想：為什麼以前沒人發現這個問題？

這也是他不相信模型可以自己包辦一切的原因。很多好新創不是解決產業早就知道的問題，而是花兩年說服客戶：你其實一直有這個問題。模型本身不會自動替產業發明這種產品判斷。

PART 6 ｜ 資本支出與 ROI

投入不足很危險，
但錢也不是無限的

Evans 承認大型科技公司現在有不得不投的壓力。如果 AI 是下一代運算平台，Google、Meta、Microsoft、Amazon、Apple 都不能缺席。對它們來說，沒有參與的風險可能比花太多錢更可怕。

但他也把問題拉回財務重力。幾家大公司今年的 AI 相關資本支出指引已經非常巨大，甚至接近全球大型基礎設施產業的量級。這筆錢不是不可能花，但成長曲線不可能無限往上。資料中心、晶片、電力、資本市場和公司營收都會形成上限。

ROI 也很難在早期量化。企業把 AI 發給員工之後，最先看到的常是更快做分析、更快產出簡報、更好的客服與更好的內部判斷。這些有價值，但不一定能直接對應到新增營收或節省多少成本。就像 Excel 讓 DCF 從一週變成十秒，你可能不是少做工作，而是做五十個版本，最後客戶仍付同樣的錢。

一部分 AI 生產力會變成競爭必要條件。每家公司都得用，但好處會在競爭中被吃掉，不一定留在採用者的損益表上。

PART 7 ｜ 這支影片真正留下的問題

不要急著問誰贏，
先問價值停在哪裡

Evans 最有用的地方，是他拒絕把不確定講成確定。現在的 AI 像 1997 年的網路：我們知道它會很大，卻不可能真的預測 Uber、Airbnb 或 YouTube 會長什麼樣。

所以更好的問題不是「誰會贏」，而是幾個更能幫人做判斷的問題：模型能差異化多久？聊天介面會不會被更垂直的工作流取代？資本支出會把價格推到哪裡？哪些產業的任務會先被自動化？哪些過去太貴、太慢、太麻煩的事，突然變成每天都能做？

他的收束也很 Benedict Evans：AI 會很神奇，也會讓很多事變糟或讓很多工作消失；但二十年後，大家可能只會覺得電腦本來就該這樣。就像今天我們開視訊、手機串流到電腦、網路不卡，已經不再覺得那是魔法。

AI 最大的商業問題，不是它能不能用，而是價值最後會停在哪一層。

如果模型變成基礎設施，真正的競爭就會往工作流、資料、分發與產業判斷移動。

你會把 AI 的價值
押在哪一層？

選完之後，分享你的觀點

你的觀點

想看原始對話？

a16z 這集完整談到 AI 用量、資本支出、模型商品化、SaaS 定價與企業工作流，適合搭配這份互動頁回到原始脈絡。

觀看原始影片 →

來源：a16z YouTube 頻道，影片 The Economics of AI Usage and What's Next For SaaS | Benedict Evans on a16z。本頁依已驗證逐字稿改寫為繁體中文互動閱讀版。