VOL.3 · AI × 企業軟體 · 2026-09

沒有匯率

三個分母、四種單位、一頁字典

同一筆 AI 支出,賣方用晶片小時算回本,買方用人頭編預算,帳單按機器消耗開。三本帳各自封閉,彼此之間沒有換算。這篇把三個分母並排對帳,最後試著替「判斷」寫出字典的第一頁。

怎麼讀這篇

數字後面的上標編號,連到文末出處。每筆出處都標了來源等級:揭露(財報、官方逐字稿、官方文件、論文)> 調查 > 分析師 > 轉述 > 部落格。雙線框起來的段落是判讀,也就是整理者的推論,可以被推翻,不代表任何原始機構的立場。

這篇同時是一組對讀的下篇。上篇(2026-07-28)按層拆美中 AI 與半導體,在帳本層留下三件沒對完的事:攤提年限怎麼定,合約總價值算不算數,token 單價和任務成本差多少。本篇第 03 與 04 節、第 08 與 11 節接著對。標「對讀上篇」的地方,兩篇講的是同一件事。

W/P 01 · PREFACE

缺一頁的字典

接回 番外 §07 《分層融化》第 07 節留了一個洞沒補。Gartner 的 pace layering 能在企業裡活十五年,是因為它能換算成錢:哪一層多久改一次,就編多少維護費,內部做還是外包,多久重評一次。a16z 的四級梯子(Retrieval、Process、Policy、Principal)告訴你這次動作要動用多少判斷,卻不告訴你判斷值多少、誰付,出錯又記在哪個科目。

這篇原本要找的,是那本把「判斷」翻譯成預算的字典。查下去,發現問題更底層:同一筆 AI 支出,三方各用各的分母在算。

三本帳,三個分母

實線格是公開或算得出來的。虛線格是查不到、或沒有人接起來的。

三本帳,三個分母 賣方鏈:判斷、token 量、晶片小時、營收/GW、回本期,中間兩格不公開。帳單鏈:步數、每步單價、除以成功率、每次成功成本、對任務長度作圖,最後一格沒有人公開做。買方鏈:人頭預算、中間的換算空白、業務結果。 賣方 · 分母是晶片小時 判斷token 量回本期 不公開 帳單 · 分母是機器消耗 步數每步單價÷ 成功率每次成功成本 沒有人公開做 買方 · 分母是人頭 人頭預算 業務結果 三本帳,三個分母 三欄由上而下:賣方鏈中間兩格不公開;帳單鏈最後一格沒有人公開做;買方鏈中間是空的。 賣方 分母:晶片小時 帳單 分母:機器消耗 買方 分母:人頭 判斷token 量回本期 步數每步單價÷ 成功率每次成功成本 人頭預算 業務結果 中間兩格不公開 最後一格沒人做 中間是空的
賣方公開兩端、中間不公開。帳單的每個量綱都有人量過,但沒有人接成一條曲線。買方那條鏈,中間是空的。

連 Gartner 都替賣方承認了分母在換:agentic AI「breaks the link between user growth and revenue growth for many enterprise software vendors」[1]。意思是,對許多企業軟體廠商來說,使用者數不再決定營收。

字典缺的不是詞,是匯率。賣方、買方、帳單三本帳各自封閉,彼此之間沒有換算。接下來每一節,都在對其中一個分母。

W/P 02 · SELLER

賣方的鏈:兩端公開,中間不公開

9 月 8 日,Google Cloud 執行長 Thomas Kurian 在 Goldman Sachs 的科技大會上,把賣方那條鏈的一端講得很清楚:「our payback period on AI servers in aggregate is less than two years, and on our own silicon is half that.」他接著說,基礎設施合約的總約值,多數是「long-term committed five-year contracts」。[2]

鏈的另一端在 Alphabet 七月的財報講稿裡:模型 API 每分鐘處理約 220 億個 token,一季前是 160 億。近 500 家雲端客戶,過去一年各自處理超過一兆個 token。[3]

中間那幾格,也就是 token 怎麼換成晶片小時、晶片小時怎麼換成營收,在整場逐字稿、10-Q 和財報新聞稿裡找不到一個數字。Kurian 全場沒有提 gigawatt、backlog、折舊,也沒有點名任何一家實驗室。[2, 4, 5]

順帶更正一個常見引用:「年營收執行率近一千億美元」是主持人的開場介紹詞,不是 Kurian 說的。數字本身和第二季雲端營收 247.7 億美元乘以四吻合。[2, 5]

賣方的鏈是封閉的,但只封閉在賣方內部。對外公開的只有兩端:一端是每分鐘多少 token,一端是幾年回本。中間怎麼換算,是賣方的營業祕密,也正是買方沒有的那本字典。

W/P 03 · PAYBACK

回本期是會計選擇

「不到兩年」的分母是「AI servers in aggregate」。這個分母裡,至少藏著三個選擇。

第一個選擇:混進賣出去的硬體

Alphabet 第二季 10-Q 寫得很明白:「Our Google Cloud product sales generally consist of the sale of TPU systems comprising hardware, software, installation, support, and extended warranty services.」[4] TPU 硬體銷售算在雲端營收裡,金額沒有單獨揭露。

Kurian 在同一場會上說,雲端提供「2 or 3 types of business models」:雲端訂閱、客戶資本採購,以及與 Blackstone 合作的 neocloud。客戶把硬體買回自己機房時,「we do not need to spend capital expense for data centers」。[2] Blackstone 那邊的公告只寫了初始股權承諾 50 億美元、2027 年上線 500 MW,沒有寫 Google 怎麼收錢。[6] 三種模式各佔多少營收,查無揭露。

一次性硬體銷售的回本期趨近於零。和雲端訂閱混在一起算「整體」回本期,數字自然好看。

第二個選擇:不算建築

伺服器之外還有殼。SemiAnalysis 的估計是「A large datacenter lease is typically 15+ years, with a typical payback period of ~8 years」,而 GPU 叢集的經濟壽命只有四到五年。[7] 這句講的是資料中心投資與 neocloud 的融資錯配,不是 Google 自己的數字,但它說明了殼與晶片的久期差多少。

而建築的年限一樣可以調。Microsoft 今年七月宣布,從 FY27 起「extending the estimated useful lives of our datacenters and office buildings, from 15 to 25 years」。[8]

第三個選擇:年限自己定

伺服器的耐用年限是一顆旋鈕,而且在同一個產業裡往兩個方向轉。

對讀上篇 · 帳本層 上篇把「有沒有超大規模業者主動縮短 GPU 攤提年限」列為觀察點。下表就是那一格的底稿:2025 年已經有一家縮短,同一年也有一家延長。

公司生效資產年限影響性質
Alphabet [9]FY2023伺服器/部分網路設備4→6 年
5→6 年
折舊 −39 億美元、淨利 +30 億美元年終實際(期初預估 −34 億)
Microsoft [10]FY2023雲端伺服器與網路設備4→6 年營業利益 +約 37 億美元期初預估
Microsoft [8]FY2027資料中心與辦公大樓15→25 年「minimal benefit to FY27 operating income」官方說明
Amazon [11]2024伺服器5→6 年折舊 −32 億美元、淨利 +25 億美元年報,經第三方轉引
Amazon [12]2025部分伺服器與網路設備6→5 年2025 營業利益 −約 7 億美元;另 2024 Q4 提前除役認列約 9.2 億美元CFO 法說預估
Meta [13]2025部分伺服器與網路設備延長至 5.5 年2025 年折舊 −約 29 億美元財報新聞稿
Oracle [14]FY2025電腦、網路與機器設備1–6 年(區間)未見變更揭露年報附註

Amazon 縮短的理由是「an increased pace of technology development, particularly in the area of artificial intelligence and machine learning」。[12] Goldman Sachs Global Institute 則說:「Useful life of silicon chips is the single most influential variable in determining the scale of cumulative AI infrastructure investment」。[15] Michael Burry 去年十一月估計,2026 到 2028 年產業合計低估折舊約 1,760 億美元[16]。那是他的估計,算法沒有公開,本篇不展開。

Kurian 以外,沒有任何賣方公開過可以對照的 GPU 伺服器回本期。

「回本不到兩年」不是一個物理量。分母可以含賣出去的硬體,可以不含建築,年限可以自己定。三個選擇都合法,也都往好看的方向。當同一個產業裡有人延長、有人縮短,年限就是一個選擇,不能當事實讀。

W/P 04 · OVERRUN

超出承諾五成,是誰超出

Kurian 那場最常被摘出來的一句是:「When a customer gives us a commitment, say, for $100, typically they spend more than 50% more than that.」[2]

這是逐季經營的指標,算不上隨口一說。Alphabet 第一季講稿寫客戶「outpaced their initial commitments by 45%」[17],第二季變成「exceeding their commitments by more than 50% — also an acceleration over last quarter」。[3] 分母是哪些客戶、承諾怎麼算,從來沒有說明。

backlog 的形狀

截至六月底,Alphabet 的剩餘履約義務是 5,195 億美元,其中 5,139 億美元屬於 Google Cloud,公司預計「just over 50%」在未來 24 個月內認列。[4] 以第二季雲端營收年化計算,這份 backlog 約是年營收的 5.2 倍,而且將近一半落在兩年之後。這是少數超大型多年約的形狀,不是大量中型客戶的形狀。

拆得開,但沒拆

Microsoft 今年一月揭露:「Approximately 45% of our commercial RPO balance is from OpenAI」。[18] 到了七月,它不再給比例,改說「RPO increased 25% when excluding OpenAI」,並且「All sequential commercial RPO growth was driven by commitments from customers outside of frontier model companies.」[8]

公司Backlog期間資訊實驗室佔比揭露
Microsoft [18, 8]6,780 億美元加權平均 2.3 年有:一月 OpenAI 約 45%;七月改給排除 OpenAI 的成長
Alphabet [4]5,195 億美元24 個月內略過半無
AWS [19]約 4,960 億美元加權剩餘 6.4 年無
Oracle [20]6,380 億美元未查到無;質性描述為增量多來自客戶預付或自備 GPU 的合約

外部估計補上了 Google 沒拆的那一塊。The Information 報導,Anthropic 與 OpenAI 相關合約約佔四大雲 2 兆美元 backlog 的一半。[21] UBS 估計兩家佔 Google Cloud 營收的比重,2026 年是 27%,2027 年超過 48%。這個數字經過三手轉述,只能當方向讀。[22] Kurian 自己也說,基礎設施需求「beyond just the labs」,最後補上一句「and of course, a number of labs as well」。[2]

買方看到的超支,是另一個形狀

賣方不拆,就從買方的調查看。

IDC · 超出 2025 年雲端 AI 預算

61%
其中 83% 超支在 15% 以內 · N=320,限中東、土耳其、非洲 [23]

KPMG · 因成本重新分期 agent 部署

近半
成本超過預期價值時 · 全球 N=2,145 [24]

WitnessAI · AI 專案總是或大多超支

33%
N=300,千人以上企業,資安廠商自辦 [25]

McKinsey 今年的調查裡,約兩成受訪者說 AI 營運成本(包括 token)限制了他們的使用。[26] Uber 技術長四月對 The Information 說:「the budget I thought I would need is blown away already」,報導沒有給金額。[27]

Gartner 的 John-David Lovelock 把話講白:「Up to this point, AI spending has primarily been driven by technology companies and hyperscalers.」[28]

「超出承諾五成」把兩種超支平均在同一個數字裡:實驗室的超支是有多少算力買多少,企業的超支是預測不準。Microsoft 證明這兩群客戶拆得開,Google 選擇不拆。買方調查看到的超支很普遍,但多半在一成五以內。那個五成,比較像實驗室的形狀。兩邊樣本不同,這只是形狀的對照,不是可以相減的數字。

W/P 05 · WALLET

從營運錢包裡長出來

換到買方。ETR 連續三波、每波 600 位受訪者的調查問「AI 開發的預算從哪來」,可以複選。把「較廣義的 IT 預算」勾為來源的比例,一年內從 56.7% 升到 61.7%,大型企業從 60% 升到 65.1%。ETR 對這筆預算的描述是「the operating wallet that funds renewals and infrastructure」。[29]

同一份調查裡,AI 佔 IT 預算的比重從 12.1%、13.3% 升到 14.2%。ETR 的原話是「With IT budgets growing 3.6% and AI spend growing 13%, non-AI spend is under pressure.」,以及「Reallocation has begun, but displacement has not yet arrived.」[29]

其他調查從不同角度指向同一個方向,但口徑各不相同,不能畫在同一條軸上。a16z 訪問的 100 位 CIO 說,LLM 支出裡來自創新預算的份額,從四分之一掉到 7%。[30] ISG 對 300 家 G2000 企業的調查預計,2025 年 IT 預算只增加 1.8%,AI 卻吃掉增額的三成。[31]

營運錢包的遊戲規則是可預測:續約、基礎設施、人頭,明年要花多少,今年就要說得出來。

ROI 也還對不上帳。PagerDuty 的受訪企業「預期」agentic AI 平均報酬 171%[32]。McKinsey 今年的調查裡,37% 的受訪者說 AI 帶來了任何程度的 EBIT 影響,和去年差不多。[26] 這是兩份不同的調查,一個是預期、一個是實際,只能並排讀,不能拼成一句。

買方的統計自己也在換分母。Menlo Ventures 去年公布,2024 年企業生成式 AI 支出是 138 億美元[33]。今年的報告把推論(inference)排除在外,把同一年重估為 115 億美元,才算出 2025 年的 370 億美元是 3.2 倍。[34] 治理成本更沒有共同帳目:IDC 說企業把計畫中 AI 支出的 16.7% 給「AI and Agent security and governance」[35],WitnessAI 的受訪者則有一半多把 21% 到 45% 的 AI 預算給風險管理與治理。[25]

AI 的錢沒有新開一個帳戶,它從續約與基礎設施的那個營運錢包裡長出來。營運錢包只有一條規矩:明年要花多少,今年就要說得出來。AI 帶進來的,偏偏是整本預算裡最說不出來的那一塊。

W/P 06 · SEATS

錨還在,但被掏空

接回 VOL.1 主篇寫過 Jason Lemkin 的帳單:「We now pay Salesforce ~$22,000 a year, up from $12,000. That's an 83% increase year-over-year, with 80% fewer human users.」[36] 當時的讀法是「席次死了,消耗活了」。查下去,席次沒有死。

GitHub 從六月起,Copilot Business 是「$19/user/month, including $19 in monthly AI Credits」,點數「based on token consumption, including input, output, and cached tokens, using the listed API rates for each model」。[37] Salesforce 的 Agentforce 有一個每月 5 美元的 User License,用量要另外買 Flex Credits,而且「Unused Flex Credits do not roll over into subsequent subscription terms」。[38] Microsoft 讓持有 M365 Copilot 授權的人,在 Copilot Chat、Teams、SharePoint 裡使用部分 agent 功能時「doesn't count against the Copilot Studio message pack or meter」。[39]

席次的名目按人頭算,裡面裝的是點數。Salesforce 的 Miguel Milano 去年底對分析師說出了席次真正在賣的東西:「The reality is there are a lot of customers that want seat-based because seat-based gives you the predictability.」[40] 今年八月的法說上,他又說:「Fifty percent of the bookings came from customers refilling the tank: they consume Flex Credits, they want more.」[41]

買方那一邊,IDC 對 1,448 位 IT 主管的調查發現:「Difficulty budgeting for token- and inference-based pricing is now the single largest barrier organizations report when evaluating AI vendor pricing」。[23] 賣方這一邊,Growth Unhinged 與 Metronome 對兩百三十多家軟體公司的調查裡,採用混合定價的比例一年從 25% 升到 37%。[42]

席次沒有死,是被掏空了:外殼按人頭算,裡面裝的是點數。Salesforce 自己說出席次真正在賣的東西:可預測。消耗計價把這個東西拿走,卻把人頭的外殼留在買方的預算表上。

W/P 07 · RULER

尺也掛在人頭上

預算表之外,業界衡量「agent 能做多少事」最主流的一把尺,是 METR 的時間視野。它量的是 AI 能取代多少連續的人類勞動,原文是「the amount of serial human labor they can replace」,以 50% 成功率計。[43]

讀數很驚人。METR 的長期趨勢是每六到七個月倍增。[43] 今年二月,它估計 Claude Opus 4.6 的時間視野約 14.5 小時,同時說「this measurement is extremely noisy because our current task suite is nearly saturated」[44];網站上也註明「Measurements above 16 hrs are unreliable with our current task suite」。[45]

企業能用的門檻不是 50%。BRIDGE 的測量是:「The current frontier models reach a task-length horizon of approximately 40 minutes across all tasks at 80% threshold, which is roughly 1/3 of the ~2 hours horizon observed at 50% success.」[46] METR 自己也提醒,80% 視野不是獨立估計。[43] 任務一拉長,衰退更明顯:前沿模型在人類四分鐘內做得完的任務上接近全對,四小時以上的任務成功率不到一成。短版本做得到四、五成的任務,嵌進較長的互動歷史後會掉到一成以下。[47]

這把尺回答的問題是「能取代多少人工」,不是「花了多少機器」。Toby Ord 說得直接:時間視野「meant to show the best possible performance that can be attained with a model (regardless of cost)」。[48]

評測界最主流的那把尺,分母是「人要花多久」。它回答的是「這能取代多少人工」。這是評測版的人頭預算,和買方預算表犯的是同一個錯:用人的時間,去量一個按機器計費的東西。

W/P 08 · NO RATE

尺各量各的

這一節先更正本系列自己的前提。研究開始時,我們以為「沒有人量機器花了多少」。這不成立。

Princeton 的 HAL 在 9 個 benchmark 上跑了 21,730 次 agent,總花費約 4 萬美元,每一格都記了美元成本。其中一個發現是「For 21 of 36 runs, higher reasoning effort does not improve accuracy.」[49] 它後續的可靠度研究指出,同一個任務重跑,token 與算力用量變異很大,原文是「agents allocate effort unpredictably」。[50] METR 七月推出 Expenditure Horizon,自己把量綱從人的時間換成美元。[51] OSWorld 2.0 同時記了完成率、每任務成本、工具呼叫數與步數。[52]

但每把尺只量一段

評測成功率美元token步數人類耗時重跑變異
METR 時間視野 [45]有無部分無有部分
METR Expenditure Horizon [51]部分有無無部分部分
UK AISI 算力冪律 [53]有無有無有部分
HAL [49]有有部分無無無
HAL 可靠度 [50]有待驗部分待驗無有
OSWorld 2.0 [52]有有有有部分無
ARC-AGI-3 [54]有部分無有部分待驗
Artificial Analysis [55]有有有上限無有
Terminal-Bench [56]有有有無無部分
τ-bench [57]有無無無無有

量人類耗時的不記錢,記錢的不記人類耗時。英國 AI Security Institute 量出了最接近的一段:「The compute an agent needs to solve a task scales in proportion to how long the task would take a skilled human」,擬合指數約 0.7 到 1.0。[53] 但它的單位是 token,不是錢。METR 的 Expenditure Horizon 用的是錢,卻只量了一個任務(NanoGPT 加速賽),而且在不同的人工成本假設下,結果從 120 美元到 14,400 美元,差了將近兩個數量級。[51]

帳單由單價決定,不是步數

模型(模式)完成率每任務成本步數每步成本每次成功成本
Opus 4.8(batched)20.6%~$72.4103$0.70$351
Opus 4.7(batched)18.2%~$33.6160.7$0.21$185
GPT-5.5(batched)13.0%~$25.595.2$0.27$196
Opus 4.8(single)18.5%~$76.1190.5$0.40$411
Opus 4.7(single)13.9%~$35.8318.4$0.11$258
Sonnet 4.6(single)8.3%~$22.3253.3$0.09$269
MiniMax M3(single)4.6%~$2.4326.7$0.007$52
Kimi 2.6(single)4.6%~$6.6179.3$0.04$143
Qwen 3.7-Plus(single)2.8%~$3.8173.5$0.02$136

OSWorld 2.0 的任務,人類中位數要 1.6 小時。最好的組合(Opus 4.8、最大思考、批次工具呼叫)完成 20.6%。[52] 表裡的步數跨模型大約差三倍,每步成本卻差將近一百倍,從 MiniMax M3 的不到 1 美分,到 Opus 4.8 的 70 美分。決定帳單的是單價,不是步數。論文另一句也值得記下:「The same six-fold increase in tokens adds only ∼5 partial points」。[52]

對讀上篇 · 模型層 上篇寫 Kimi K3「便宜的是 token,貴的是 turn」,看起來和這一句相反。上篇比的是同一個模型在兩種工作負載上的成本,單價沒有變,每任務從 0.94 美元到 10.57 美元,差在用量。[100, 101]這張表比的是不同模型,步數差三倍,每步成本差近百倍。帳單是用量乘單價,哪一項拉得開,哪一項就決定結果。

ARC-AGI-3 則是把步數直接放進計分的例子:每一關按人類動作數對 AI 動作數的比例計分,動作預算是人類中位數的五倍。[54]

尺已經有了,只是各量各的:量人類耗時的不記錢,記錢的不記人類耗時。缺的不是尺,是尺與尺之間的匯率。量綱都對上了,只差一步:把 token 乘上單價、除以成功率,再對任務長度畫出來。這一步,還沒有人公開做。

W/P 09 · UNITS

四種單位,沒有一種是判斷

尺之間沒有匯率,賣方怎麼開帳單?把市面上的計價單位攤開,大致只有四種:承諾消耗、動作、結果、token 或點數。

廠商單位一個單位怎麼算刻度預測風險在誰
三大雲(通則)承諾消耗+超額承諾金額換折扣承諾年期買方
Google Gemini Enterprise [58]席次+按用量「compute and tokens at API rates」模型;延後執行「pay up to half the inference cost」超額在買方;到上限 agent 暫停
UiPath [59, 60]Agent Unit/transaction每次 LLM 呼叫,64k input token 為一級;新方案把完成交易所需呼叫全包,邊界未定義模型等級 2/1/0.8買方;新方案的呼叫變異在賣方
Salesforce Agentforce [61, 38]Flex Credits1 action=20 credits=$0.10動作數買方(點數不遞延)
Microsoft Copilot Studio [62]Copilot Credits按功能類型與模型等級1/2/5/10;AI tools 1/15/100買方
GitHub Copilot [37]AI Creditstoken × 各模型 API 牌價模型買方
Sierra [63]結果事前約定;未解決「in most cases」不收結果失敗在賣方
Intercom Fin [64]結果客戶確認,或 24 小時沒回應;$0.99結果失敗在賣方;「沉默算解決」在買方
Zendesk [65]驗證過的解決賣方 LLM 驗證才計;轉人工、contained 不計驗證等級驗證者是賣方
ServiceNow [66]assist+版本Foundation/Advanced/Prime;扣點值未公開自主上限買方,且不透明
AWS AgentCore [67]vCPU-hour 等I/O 等待免費;政策檢查每次 $0.000025算力買方

「用對模型」的刻度是模型價

Kurian 把成本控制當功能在賣:企業「want to manage costs and set budget caps」,而 Google「allow people to use the right model for the right task. You do not have to always use the most expensive model」。[2] 這顆旋鈕在各家的刻度都一樣。UiPath 每次 LLM 呼叫依模型等級計 2、1、0.8 個 Agent Unit[59];Microsoft 的 AI tools 依 basic、standard、premium 每十次回應計 1、15、100 點[62];GitHub 直接用各模型的 API 牌價。[37] Microsoft 的文件寫點數「depends on the complexity of the task the agent completes」[39],但費率表按的是功能類型與模型等級。

結果計價把轉人工定成免費

Sierra 的 Bret Taylor 說:「if the AI agent resolves the case, no human intervention, there's a pre-negotiated rate for that.」以及「If we do have to escalate to a person, that's free.」[68] Intercom 的 Fin 每次結果收 0.99 美元,客戶在最後一次回答後 24 小時沒有回應,就「considered an assumed resolution」。[64] Zendesk 的轉人工與 contained 兩層,都「does not count against your resolution allowance」。[65]

買方未必喜歡這樣。a16z 訪問的 CIO 對結果計價的顧慮包括「lack of clear outcomes that map to business goals, unpredictable costs, and attribution」,多數仍偏好按用量付費。[30]

最接近分級的,也不是按判斷

ServiceNow 四月把 AI 方案改成三級,最高一級 Prime「for companies that want to replace entire roles, such as Level 1 Service Desk, with AI agents」。[66] 但它分的是「買多高的自主上限」,單次仍按 assist 點數扣,扣多少沒有公開。UiPath 則在九月的法說上說,新推的 transaction-based 定價把完成交易所需的呼叫都包進去,方向是「more towards outcome-based pricing that would be inclusive of the tokens required to complete the transaction」。[60]

預算控制本身也有副作用。Google 的預算上限一到,「the agent's API calls temporarily pause」[58],風險從超支換成停工。AWS AgentCore 的政策檢查每次 0.000025 美元[67],一次讀取和一次放款核准,在價目上同價。

承諾、動作、結果、token 這四種單位,沒有一種在量判斷。「用對模型」這顆旋鈕的刻度是模型價,不是這次判斷值不值。結果計價把「轉人工」定成免費,但接手的人是買方的員工:賣方收 agent 的錢,覆核的錢留在買方的人頭預算裡。兩本帳,又沒有匯率。

W/P 10 · DICTIONARY

字典第一頁

這一節整節都是判讀。

先處理 Gartner 兩個常被說成「互打」的數字。一個是「Gartner's best case scenario projection predicts that agentic AI could drive approximately 30% of enterprise application software revenue by 2035, surpassing $450 billion」[69];另一個是 2027 年底前,超過四成 agentic AI 專案會因為「escalating costs, unclear business value or inadequate risk controls」被取消。[70] 前者的分母是 2035 年的營收,而且是最佳情境。後者的分母是 2027 年的專案數。兩個數字沒有互打,只是又一次分母不同。

那麼,把「判斷」翻譯成預算,第一頁可以怎麼寫?

一次判斷的預算 ≈ 步數 × 每步單價 + 失敗率 × 人工重做成本 + 覆核成本 + 非 token 成本 前兩項是帳單上看得到的;後兩項落在買方自己的人頭與營運預算裡。

拿 OSWorld 2.0 的數字代進去。假設全部寫在這裡:人工時薪 150 美元(沿用 METR 的假設)[51]、人類完成一題中位 1.6 小時、人工一定做得完、agent 失敗就由人工全額重做、非 token 成本不計。

帳單差近八倍,預算只差一成多

每次成功成本,對照「agent 先做、失敗由人工兜底」的每任務總成本(美元)

帳單差近八倍,預算只差一成多 九個模型組合的每次成功成本從 52 到 411 美元;agent 先做、失敗人工重做的每任務總成本落在 230 到 272 美元,純人工為 240 美元。 $0 $100 $200 $300 $400 MiniMax M3(single) $52 Qwen 3.7-Plus(single) Kimi 2.6(single) Opus 4.7(batched) GPT-5.5(batched) Opus 4.7(single) Sonnet 4.6(single) Opus 4.8(batched) Opus 4.8(single) $411 純人工 $240
每次成功成本(每任務成本 ÷ 完成率) agent 先做+失敗人工重做的每任務總成本
數字
組合完成率每任務成本每次成功兜底總成本+覆核 15 分鐘兩平完成率
MiniMax M3(single)4.6%$2.4$52$231$2691.0%
Qwen 3.7-Plus(single)2.8%$3.8$136$237$2751.6%
Kimi 2.6(single)4.6%$6.6$143$236$2732.8%
Opus 4.7(batched)18.2%$33.6$185$230$26714.0%
GPT-5.5(batched)13.0%$25.5$196$234$27210.6%
Opus 4.7(single)13.9%$35.8$258$242$28014.9%
Sonnet 4.6(single)8.3%$22.3$269$242$2809.3%
Opus 4.8(batched)20.6%$72.4$351$263$30030.2%
Opus 4.8(single)18.5%$76.1$411$272$30931.7%
純人工———$240$240—
本篇推算,資料來源 OSWorld 2.0 Table 3。兜底總成本=每任務成本+(1−完成率)×$240;兩平完成率=每任務成本 ÷ $240。

每次成功的成本,九個組合之間從 52 美元到 411 美元,差近八倍。可是一旦把「失敗了由人工補做」算進去,九個組合的每任務總成本全落在 230 到 272 美元之間,約在純人工 240 美元的 −5% 到 +15%。如果每次輸出都要有人花 15 分鐘覆核,九個組合全部比純人工貴。

在 1.6 小時、完成率兩成以下的任務上,決定預算的是失敗率乘上人工,不是 token 價。分母又回到人頭。

這也說明,按判斷等級計價的依據不在算力。Retrieval 失敗便宜,通常可以不覆核。Policy 通常每次都要覆核,失敗很貴。貴的是責任與覆核人力。

限制要一起寫下。OSWorld 是電腦操作任務,不是企業的 Policy 級工作。人類完成率未知。15 分鐘覆核是假設。METR 的 Expenditure Horizon 顯示,實驗等非 token 成本可以佔一條軌跡成本的七到九成,只算 token 會低估。[51]

字典的第一頁寫出來,最重的那一項不是 token,是「失敗了誰來做」。帳單上差近八倍的模型,放進預算裡只差一成多,因為兜底的人工把差距吃掉了。Gartner 說四成專案會因為成本上升、價值不明而取消。一種讀法是,事前沒有人把「失敗率乘上人工」這一項算進去。按判斷計價還沒有人做,或許正是因為它要賣方替失敗定價。而我們查到的結果計價,都把失敗定成了免費。

換一個人算:時薪與熟練度

上面的示範只有一個人:時薪 150 美元、做一題 1.6 小時。可是工程師之間,時薪和用 AI 的能力都不一樣,這兩個變數各有公開數字。

時薪。美國勞工統計局 2025 年 5 月的資料,軟體開發者年薪中位數 135,980 美元[71]。時薪第 10 百分位 39.64 美元、中位 65.38 美元、第 90 百分位 103.21 美元,不含福利與股票。[72] 大型科技公司的級距更大:Levels.fyi 使用者自報的美國總薪酬中位數,入門級約 15.5 萬美元、Senior 約 31.2 萬、Staff 約 45.7 萬。[73]

個人產出。「10 倍工程師」沒有好的實證。Magne Jørgensen 用四組「解同一題」的資料,量到「the top 50% of developers having average productivity that was 2.44 times higher than the bottom 50% of developers」,而且約三成的變異來自同一個人自己的起伏。[74]

用 AI 的效果。多數研究顯示越資淺越受益,但方向還沒定。三個 Copilot 田野實驗讓每週完成任務平均增加 26%,「less experienced developers had higher adoption rates and greater productivity gains」[75]。客服研究平均 +14%、新手 +34%、資深接近零。[76] METR 2025 年初的隨機試驗裡,資深開源開發者用 AI 反而慢了 19%[77]。2025 下半年的新資料轉為加速,但信賴區間跨零,而且三到五成受試者說自己沒有提交某些「不想在不能用 AI 的情況下做」的任務。[78] 一份涵蓋 802 名開發者的 2026 年企業縱貫研究則發現,人均產出成為 2.09 倍、每位審查者的負荷約翻倍,增益「broadly shared across seniority」。[79]

覆核人時。目前最接近的實測,是 METR 試驗的螢幕錄影:「developers spend approximately 9% of their time reviewing and cleaning AI generated outputs when working with AI」,另有約 4% 在等待。[80] 業界遙測量到的多半是日曆時間,例如 Faros AI 報告 PR 審查時間增加 91%。[81] Anthropic 估計,Claude 對話裡的任務若由人做,平均要 55 美元的人工,但它自己提醒「we can't account for additional time humans spend on tasks outside of their conversations with Claude, including validating the quality or accuracy of Claude's work」。[82]

把時薪和效率代進同一個示範。仍然是推算,而且研究裡的效率數字不是對 OSWorld 任務量出來的:人用 AI 輔助自己做,耗時是 1.6 小時 ÷(1 +效率提升);agent 先做、失敗由同一個人接手,每次輸出另外覆核。

時薪/效率人自己做覆核 5 分覆核 15 分覆核 30 分
$50/時
效率 +0%
$80$99(+24%)$108(+35%)$120(+50%)
$50/時
效率 +55%
$52$75(+44%)$83(+61%)$95(+85%)
$150/時
效率 +0%
$240$247(+3%)$272(+13%)$309(+29%)
$150/時
效率 +55%
$155$173(+12%)$198(+28%)$235(+52%)
$250/時
效率 +0%
$400$394(−1%)$436(+9%)$498(+25%)
$250/時
效率 +55%
$258$271(+5%)$313(+21%)$375(+45%)

這張表背後有一條可以直接算出來的線。agent 平均每題只替人省下「完成率 × 人自己做的耗時」,所以覆核一次的時間必須短於這個數,agent 先做才有機會比較便宜。

覆核上限 = 完成率 × 人自己做的耗時 時薪越高,越接近這條線,但越不過它。OSWorld 示範:GPT-5.5 是 12.5 分鐘、Opus 4.8 是 19.8 分鐘。人用 AI 的效率 +55% 時,分別剩 8.1 與 12.8 分鐘。

1x 和 10x 的差距確實會改寫任務成本,但方向和直覺相反。時薪越高,agent 先做越接近划算。人越會用 AI,agent 先做越不划算,因為那個人自己做本來就快,agent 失敗時替他省下的時間變少,覆核卻一分鐘都不會少。長任務、完成率兩成以下時,覆核上限只有十幾分鐘。換成短任務,完成率八成、人做 40 分鐘,上限就放寬到 32 分鐘。至於「1x 對 10x 差幾倍」,目前沒有研究直接量過:還沒有一份研究同時量了熟練度、AI 使用程度和任務成本。

W/P 11 · CHINA

同一組尺,量中國實驗室

「中國追上多少」通常只給一個數字。拿本篇的尺一把一把量,答案各不相同。

對讀上篇 上篇用層來拆這件事:微影約 15 年,HBM 卡在良率,模型層 4 到 7 個月(7 月 28 日的快照,出處見上篇)。這一節只量模型與應用那幾層,用的是本篇的尺。月數和上篇差一個月,兩邊的快照與來源不同,引用時要帶日期。

能力:落後五到八個月

Epoch AI 的能力指數顯示:「Chinese models have trailed US capabilities by an average of seven months, with a minimum gap of four months and a maximum gap of 14.」[83] 美國國家標準暨技術研究院轄下的 CAISI 在五月評估 DeepSeek V4 Pro,結論是「DeepSeek V4's capabilities lag behind the frontier by about 8 months」。[84] CAISI 是美國政府機構,任務包括評估對手國家的 AI 系統,引用時要記得這個立場。七月發布的開放權重模型 Kimi K3,在 Epoch 指數上是 158 分,在 264 個模型中排第 11。[85]

METR 的時間視野,是這組尺裡唯一還沒量到 2026 年的一把。METR 最後一份中國模型報告在 2025 年 6 月,結論是「The level of autonomous capabilities of mid-2025 DeepSeek models is similar to the level of capabilities of frontier models from late 2024.」同一張表上,DeepSeek-R1-0528 的 50% 時間視野約是 o3 的三分之一。[86] 2026 年的更新紀錄沒有新增中國模型。[45]

價格:單價便宜十倍,按分數算只便宜一到三倍

Artificial Analysis 會把每個模型拿去跑同一套智慧指數,並公布跑完的總花費與 token 用量。九月十日的快照:

模型實驗室指數單價 入/出輸出 token總花費每分花費
GPT-6 Astra(max)[87]OpenAI53$10/$506,000 萬$5,324$100
Claude Fable 5.1(max)[88]Anthropic53$10/$501.9 億$13,129$248
Claude Opus 4.8(max)[89]Anthropic42$5/$251.7 億$6,874$164
GLM-5.3(max)[90]智譜45$1.40/$4.402.1 億$2,503$56
Kimi K3(max)[91]Moonshot44$3/$151.6 億$3,658$83
DeepSeek V4 Pro 0813(max)[92]DeepSeek36$1.32/$3.961.6 億$1,122$31

表中分數最高的中國模型 GLM-5.3 拿 45 分,已經超過五月發布的 Claude Opus 4.8(42 分),離九月初的 GPT-6 Astra 與 Claude Fable 5.1(53 分)還差 8 分。它的輸出單價是 GPT-6 Astra 的十一分之一,但跑同一套指數用了 2.1 億個輸出 token,是 Astra 的 3.5 倍,所以總花費只便宜 2.1 倍。token 效率也不按國別分:Claude Fable 5.1 與 Opus 4.8 的輸出 token 用量,和中國模型同一級。

換一個對手,「中國便宜」也不一定成立。CAISI 拿能力相當的 GPT-5.4 mini 比成本:「DeepSeek V4 costs less than GPT-5.4 mini on 5 out of 7 CAISI benchmarks. On those 7 benchmarks, DeepSeek V4 ranged from 53% less expensive to 41% more expensive.」[84]

放進 agent 任務:價差被兜底人工吃掉

OSWorld 2.0 測了三個中國模型(MiniMax M3、Kimi 2.6、Qwen 3.7-Plus),都只有 single 模式,也都早於 Kimi K3、GLM-5.3 這一代。[52]

模型(模式)完成率每任務成本每次成功成本成功一次的步數兜底總成本兩平完成率
MiniMax M3(single)4.6%~$2.4$527,102$2311.0%
Kimi 2.6(single)4.6%~$6.6$1433,898$2362.8%
Qwen 3.7-Plus(single)2.8%~$3.8$1366,196$2371.6%
Sonnet 4.6(single)8.3%~$22.3$2693,052$2429.3%
Opus 4.7(single)13.9%~$35.8$2582,291$24214.9%
Opus 4.8(single)18.5%~$76.1$4111,030$27231.7%
Opus 4.7(batched)18.2%~$33.6$185883$23014.0%
GPT-5.5(batched)13.0%~$25.5$196732$23410.6%
Opus 4.8(batched)20.6%~$72.4$351500$26330.2%

每次成功的成本,三個中國模型是 52 到 143 美元,美國組合是 185 到 411 美元。但完成率低,成功一次要走 3,900 到 7,100 步,美國組合是 500 到 3,050 步。加上人工兜底之後,只比 single 模式,三個中國模型的總成本最低(231 到 237 美元,美國 242 到 272 美元)。美國模型開了批次工具呼叫,Opus 4.7 以 230 美元反超。算交叉點:人工重做一題的成本只要超過約 190 到 230 美元,完成率較高的 Opus 4.7(batched)就比三個中國模型便宜。本篇假設的 240 美元,已經在線的另一側。

HAL 的結果方向一致:九個模型裡,DeepSeek R1 是唯一在九個 benchmark 上從未落在成本與準確率 Pareto 前緣的模型。HAL 也記下一件和分母有關的小事:「Together AI changed their DeepSeek R1 endpoint to serve DeepSeek R1 0528 on release day, keeping the same API endpoint name.」[49]。同一個名字底下,模型換了。

使用面上,中國開放模型在 OpenRouter 上一年平均約佔 13% 的 token 用量,某些週接近三成。同一份研究發現需求對價格不敏感:「a 10% decrease in price corresponds to only about a 0.5–0.7% increase in usage」。[93]

「追上多少」要先問用哪一把尺。能力落後五到八個月。單價便宜三到十幾倍。按指數每一分算,只比 GPT-6 Astra 便宜 1.2 到 3.2 倍。放進長時程的 agent 任務、加上人工兜底,差距幾乎歸零,交叉點就落在人工一題兩百美元上下。價差先被 token 用量吃掉一大半,剩下的再被兜底人工吃掉,最後決定帳單的是完成率。這裡沒有替哪一邊說話,只是同一件事又換了一次分母。

W/P 12 · FINDINGS

現在能說什麼

查到這裡,話可以分成三種:有證據就能說的,帶著假設才能說的,還不能說的。

有證據,可以直接說

  1. 賣方的回本期與超支率,分母都沒有說明,不能跨公司比。「不到兩年」可以含硬體銷售、不含建築、年限自定。「超出承諾五成」是逐季經營的指標,客層沒有拆。第 02–04 節
  2. 「超出承諾五成」不能當企業的 AI 超支率引用。Microsoft 證明實驗室客戶拆得開。買方調查看到的超支普遍,但多半在一成五以內。第 04 節
  3. AI 的錢從營運錢包裡長出來,而營運錢包要的是可預測。token 計價難編預算,是 IT 主管評估廠商定價時的最大障礙。第 05、06 節
  4. 席次沒有死,被改裝成點數桶。賣方自己說,席次賣的是可預測。第 06 節
  5. 評測的尺各量各的。主流的時間視野用人的時間當分母。記錢的評測不記人類耗時。沒有人公開畫過「每次成功成本對任務長度」。第 07、08 節
  6. 沒有一種計價單位在量判斷。刻度是模型價、驗證狀態或自主上限。結果計價把轉人工定成免費。第 09 節
  7. 「中國追上多少」沒有單一答案。能力落後五到八個月,單價便宜三到十幾倍,按指數每一分算只便宜 1.2 到 3.2 倍。第 11 節

帶著假設,可以這樣說

  1. 長任務、完成率兩成以下時,決定預算的是失敗率 × 人工,不是 token 價。假設人工一題 240 美元、失敗就全額重做。第 10 節
  2. 覆核有一條上限:每次覆核要短於「完成率 × 人自己做的耗時」。OSWorld 示範裡是 12 到 20 分鐘。人越會用 AI,這條線越低。第 10 節
  3. 便宜模型的價差,會被兜底人工吃掉。人工重做一題超過約 190 到 230 美元,完成率較高的貴模型反而便宜。第 11 節

還不能說

可以直接拿去講的句子

帳單上差近八倍的模型,放進預算只差一成多,兜底的人工把差距吃掉了。

W/P 13 · RECONCILIATION

分母對帳表

接回 番外 §11 延續《分層融化》的對帳表:本篇引用的每個關鍵數字,分母是什麼,沒說什麼,能跟什麼比。

數字誰說的分母分母沒說的能跟什麼比
回本 <2 年KurianAI servers in aggregate含不含硬體銷售、建築;年限假設無同業可比口徑
超出承諾 >50%Pichai/Kurian全客戶承諾客層、承諾定義自己的上一季(45%)
Backlog $514BAlphabet未認列的合約承諾客戶集中度Microsoft 部分可比(期間口徑不同)
OpenAI 約 45%Microsoftcommercial RPO半年後不再給—
61.7%ETR複選題的受訪者比例金額份額同調查的前兩波
7%a16zLLM 支出份額,N=100樣本代表性不可與 ETR 同軸
$37BMenlo排除推論的企業支出去年版本曾含推論同版的 $11.5B
37% 見 EBITMcKinsey受訪者比例影響幅度上一年(原文:about the same share)
171% ROIPagerDuty預期值實現值不可與 McKinsey 拼接
61% 超預算IDC中東、土耳其、非洲,N=320其他地區不可與 +50% 相減
14.5 小時METR人類時間、50% 成功率成本;任務集頂端飽和同一把尺上的其他模型
$3,300METR美元、中間假設、單一任務其他假設下差近兩個數量級同任務的人類 $2,400
$351/次成功本篇推算OSWorld 論文的成本定價假設同表其他模型
30%/$450BGartner2035 年營收、最佳情境基準情境不可與「四成取消」比
40% 取消Gartner2027 年專案數金額—
16.7%/21–45%IDC/WitnessAI各自定義的治理支出共同定義彼此不可比
+83%Lemkin單一客戶(Agentforce 案例客戶)代表性—
覆核上限 12.5 分本篇推算完成率 × 人自己做的耗時真實覆核時間;人類完成率同一任務、同一模型
落後約 8 個月CAISI能力,以美國前沿為參照美國政府機構的評估立場Epoch 的平均 7 個月
$2,503 對 $5,324Artificial Analysis跑同一套指數的總花費指數改版後會重標同一天的快照
13% token 份額OpenRouter × a16zOpenRouter 平台的 token企業私有部署與直連 API同平台其他模型

W/P FW · FUTURE WORK

下一根要量的尺

本篇留下三個洞,目前的資料都還補不起來。第一個在第 10 節寫過。這裡把第二、第三個攤開:手上有什麼,缺什麼,要怎樣才補得起來。

1. 覆核人時

第 10 節裡最重的一項,還是沒有直接的公開數字:最接近的是 METR 螢幕錄影的「約 9% 時間」,業界遙測量的多是日曆時間。誰先量出「每一次 agent 輸出要人看幾分鐘」,誰就寫出字典第二頁。

2. 熟練度 × AI × 任務成本

要回答「1x 與 10x 工程師的任務成本差幾倍」,同一份資料裡至少要湊齊六樣東西:人的熟練度、有沒有用 AI(最好隨機分派)、實際人時、token 帳單、這個人的薪資,以及覆核花的時間。目前查到的研究,沒有一份湊得齊。

資料熟練度隨機分派 AI人時token 帳單薪資覆核時間公開資料
METR 2025 初 RCT [94]部分:只有每題的「任務熟悉度」有有(分鐘)無無部分:只有作者回應審查的修改時間有:246 題、16 人
METR 2025 下半年 [95]部分:同上,1–5 級有有(分鐘)無無部分:同上有:1,134 題、57 人
Copilot 三個田野實驗 [75]有:年資與職級有無:量完成任務數無無無未查到
企業 2x 縱貫研究 [79]有:職級無:公司政策無:量 PR 產出無無部分:審查者負荷未查到
AIDev 資料集 [96]無:只能自行用帳號資歷代理無無:只有日曆時間無無部分:審查事件與評論時間有:93 萬個 agent PR
Anthropic 生產力估計 [82]無無部分:模型估計無部分:職業平均工資無:明說未計入未查到

最接近的是 METR 的兩份公開資料:隨機分派、有實際分鐘數,還附上作者「address post-review changes」花的時間。[95] 但它的經驗欄位問的是「Prior experience with this type of task」,那是每一題的熟悉度,不是這個人的職級。受試者以資深開源維護者為主,樣本裡沒有「1x」,也沒有薪資與 token 帳單。企業研究有職級,量的卻是產出而不是人時,也沒有公開資料。

現在能做的。用 METR 公開資料,依任務熟悉度分組重算 AI 對耗時的效果,再套上薪資級距換成每題人工成本。這能回答「同一群資深工程師,在熟與不熟的任務上,AI 帶來的成本差多少」,回答不了「1x 與 10x 差幾倍」。

資料還不夠的。要回答 1x 對 10x,需要同一批任務、隨機分派、跨職級的受試者,同時記下人時、token 帳單、職級薪資帶與覆核時間。這是企業內部研究的規模,公開資料湊不出來。

3. OSWorld 的下一版

這一件已經在發生。香港大學 XLANG 實驗室維護、Snorkel AI 資助的 OSWorld 2.0 排行榜,9 月 4 日更新,加入了兩個比本篇表格更新的美國模型。[97]

模型完成率partial108 題總成本在本篇表中
Claude Opus 531.43%68.31%未公布否
GPT-5.6 Sol27.34%62.72%未公布否
Claude Opus 4.820.6%54.8%未列(論文約 $72.4/題)是
GPT-5.513%49.5%$2.75K是
Claude Sonnet 4.69.3%41.5%$2.41K是(論文表為 8.3%)

交叉點其實只需要兩個數字。兩個模型加上人工兜底之後誰比較便宜,取決於人工重做一題的成本有沒有超過:

交叉點 = 每任務成本差 ÷ 完成率差 人工重做一題的成本高於交叉點,完成率較高的模型比較便宜;低於交叉點,便宜的模型比較便宜。

所以新模型只要有「完成率」和「每任務成本」,就能直接放進第 10、11 節重算,不必重跑整個 benchmark。完成率已經有了,缺的是成本。舉一個假設性的例子:如果 Claude Opus 5 每任務的成本和 Opus 4.8 一樣是 72.4 美元,它 31.43% 的完成率剛好越過 30.2% 的兩平線,兜底總成本約 237 美元,覆核上限放寬到約 30 分鐘。但它的成本沒有公布,這只是示範數字會怎麼動。

自己跑呢?評測程式碼以 Apache 2.0 釋出,任務放在需要申請的 Hugging Face 資料集。環境要有支援 KVM 的機器跑 Docker,或用 AWS 平行跑。排行榜不收自報成績,要和 XLANG 約時間在他們那邊跑,或交出完整軌跡。[98] 成本量級可以從排行榜反推:GPT-5.5 跑完 108 題約 2,750 美元。[97] 中國新一代模型單價低、但步數多,一輪可能在數百美元的量級。這是推算,要跑了才知道。自己跑的結果只能當自測,不能和排行榜並列。

資料還不夠的。

其他

W/P OPEN · 查核註記

還沒結案的底稿

下列項目在定稿時仍待人工開原檔核對;工具讀到的版本被截斷或在付費牆後。它們不影響本篇的論點,但數字的最後一位可能要修。

2026-11-13 補查 第 1、4、8、9 項重查了一次,結果寫在各項後面。其餘五項沒有動。

  1. Alphabet FY2025 年報的耐用年限附註:目前「伺服器現行仍為 6 年」只見二手報導。
    補查:仍然只有二手說法。The Motley Fool 7 月 30 日的稿子寫伺服器按六年折舊,2023 年起沿用。[102] 年報 PDF 找到了,附註頁還沒開。[103]
  2. KPMG Global AI Pulse Q2 的「近半重新分期」原句與頁碼。
  3. Salesforce 2025 年 12 月說明會與 FY27 Q2 法說逐字稿:Milano 兩句的原始場合、當時職稱,以及 bookings 的範圍。
  4. Microsoft FY2023 伺服器年限調整的實際影響(表中為期初預估);Amazon FY2024 年報中 6→5 年的原句。
    補查:Amazon 一項已對到。年報寫的是一部分伺服器與網路設備,自 2025 年 1 月 1 日起由六年改為五年,預估 2025 年營業利益減少約 7 億美元。[104] Microsoft 一項仍未核對。
  5. Microsoft Copilot 費率表中,M365 Copilot 授權欄的免計量範圍。
  6. METR 互動圖上 Kimi K2 Thinking 的時間視野數值;METR 報告表格未標單位,本篇只用相對比例。
  7. Artificial Analysis 各模型的分項分數與指數版本;表中數字為 2026-09-10 的模型頁快照。
  8. BLS 時薪百分位取自 O*NET 轉載,待對 OEWS 原表。
    補查:時薪第 10 百分位 39.64 美元、中位 65.38 美元,和 BLS 數列的另一份轉載一致。[106] 年薪中位 135,980 美元對到 BLS 職業展望頁。[105] 第 90 百分位查到的是年薪 214,670 美元,除以 2,080 小時是 103.21 美元。OEWS 原表頁仍沒有直接開到。
  9. OSWorld 2.0 排行榜與論文的 Sonnet 4.6 完成率不一致(9.3% 對 8.3%);本篇表格沿用論文 v2 Table 3。
    補查:兩個數字是排行榜上的兩列,不算不一致。Sonnet 4.6 用 medium 推理是 9.3%,每任務約 14.4 美元。用 max 推理是 8.3%,約 22.3 美元。[97] 本篇表格的 8.3% 與 22.3 美元是 max 那一列。

W/P REF · SOURCES

出處

  1. Gartner Says $234 Billion in Enterprise Application Software Spend Is at Risk from Agentic AI · Gartner 新聞稿,2026-07-01 分析師
    https://www.gartner.com/en/newsroom/press-releases/2026-07-01-gartner-says-us-dollars-234-billion-in-enterprise-application-software-spend-is-at-risk-from-agentic-artificial-intelligence
  2. Google Cloud at Goldman Sachs Communacopia + Technology Conference 逐字稿 · Investing.com,2026-09-08 轉述(第三方逐字稿)
    https://www.investing.com/news/transcripts/google-cloud-at-goldman-sachs-conference-ai-stack-drives-growth-93CH-4892197
  3. Alphabet earnings call, Q2 2026: Sundar Pichai’s remarks · Google 官方部落格,2026-07-22 揭露
    https://blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q2-2026/
  4. Alphabet Inc. Form 10-Q, quarter ended June 30, 2026 · Alphabet 投資人關係 揭露
    https://s206.q4cdn.com/479360582/files/doc_financials/2026/q2/GOOG-10-Q-Q2-2026.pdf
  5. Alphabet Announces Second Quarter 2026 Results · Alphabet 財報新聞稿,2026-07-22 揭露
    https://s206.q4cdn.com/479360582/files/doc_financials/2026/q2/2026q2-alphabet-earnings-release.pdf
  6. Blackstone Announces Joint Venture with Google to Create New TPU Cloud · Blackstone 新聞稿,2026-05-18 揭露
    https://www.blackstone.com/news/press/blackstone-announces-joint-venture-with-google-to-create-new-tpu-cloud/
  7. TPUv7:Google 的 TPU 與資料中心融資 · SemiAnalysis,2025-11-28 分析師
    https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the
  8. Microsoft FY26 Q4 Earnings Conference Call · Microsoft 投資人關係,2026-07-29 揭露
    https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4
  9. Alphabet Announces Fourth Quarter and Fiscal Year 2023 Results · Alphabet 財報新聞稿,2024-01-30 揭露
    https://s206.q4cdn.com/479360582/files/doc_financials/2023/q4/2023q4-alphabet-earnings-release.pdf
  10. Microsoft FY22 Q4 Earnings Conference Call · Microsoft 投資人關係,2022-07-26 揭露
    https://www.microsoft.com/en-us/investor/events/fy-2022/earnings-fy-2022-q4
  11. Amazon server depreciation · Hudson Labs,2026-07-30(轉引 Amazon 年報) 轉述
    https://www.hudson-labs.com/research/amazon-server-depreciation-amzn
  12. Amazon.com Q4 2024 earnings call transcript · MarketBeat,2025-02-06 轉述(第三方逐字稿)
    https://www.marketbeat.com/earnings/reports/2025-2-6-amazoncom-inc-stock
  13. Meta Reports Fourth Quarter and Full Year 2024 Results(Exhibit 99.1) · SEC EDGAR,2025-01-29 揭露
    https://www.sec.gov/Archives/edgar/data/1326801/000132680125000014/meta-12312024xexhibit991.htm
  14. Oracle Corporation FY2025 Form 10-K,Property, plant and equipment(XBRL R31) · SEC EDGAR 揭露
    https://www.sec.gov/Archives/edgar/data/1341439/000095017025087926/R31.htm
  15. Tracking Trillions: The Assumptions Shaping Scale of the AI Build-Out · Goldman Sachs Global Institute,2026-05-01 分析師
    https://www.goldmansachs.com/insights/articles/tracking-trillions-the-assumptions-shaping-scale-of-the-ai-build-out
  16. Michael Burry 於 X 的貼文(折舊低估估計) · X,2025-11-10 部落格(當事人貼文)
    https://x.com/michaeljburry/status/1987918650104283372
  17. Alphabet earnings call, Q1 2026: Sundar Pichai’s remarks · Google 官方部落格,2026-04-29 揭露
    https://blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q1-2026/
  18. Microsoft FY26 Q2 Earnings Conference Call · Microsoft 投資人關係,2026-01-28 揭露
    https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q2
  19. Amazon.com Form 10-Q(Q2 2026)摘要 · Stock Titan 轉述(轉引 10-Q)
    https://www.stocktitan.net/sec-filings/AMZN/10-q-amazon-com-inc-quarterly-earnings-report-0b79ef7cd1d2.html
  20. Oracle Q4 2026 earnings: AI cloud backlog and funding · ERP Today,2026-06-11 轉述
    https://erp.today/oracle-q4-2026-earnings-ai-cloud-backlog-funding/
  21. The Information 報導:Anthropic 與 OpenAI 約佔四大雲 2 兆美元 backlog 一半(經 Michael Parekh 轉引) · The Information 2026-05-06;AI: Reset to Zero 2026-05-07 轉述
    https://michaelparekh.substack.com/p/ai-anthropic-and-opemai-half-of-2
  22. Google Cloud faces 48% revenue reliance on OpenAI and Anthropic in 2027(UBS 估計,經 Ed Zitron 與 Bloomberg 轉述) · PPC Land,2026-08-02 轉述(三手)
    https://ppc.land/google-cloud-faces-48-revenue-reliance-on-openai-and-anthropic-in-2027/
  23. AI tokenomics and the cost governance gap · IDC 部落格,2026-08-25(引 IDC 雲端 AI 支出調查 N=320 與買方調查 N=1,448) 分析師(引自家調查)
    https://www.idc.com/resource-center/blog/ai-tokenomics-cost-governance-gap/
  24. KPMG Global AI Pulse, Q2 2026 · KPMG,2026-06(全球 N=2,145) 調查
    https://assets.kpmg.com/content/dam/kpmgsites/xx/pdf/2026/06/global-ai-pulse-q2.pdf
  25. New WitnessAI Report Reveals the Financial Cost and Risk Factors of Enterprise AI Adoption · PR Newswire,2026-07-22(N=300) 調查(廠商自辦)
    https://www.prnewswire.com/news-releases/new-witnessai-report-reveals-the-financial-cost-and-risk-factors-of-enterprise-ai-adoption-302831518.html
  26. The state of AI · McKinsey,2026-08-25(N=1,719) 調查
    https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
  27. Uber CTO Shows How Claude Code Can Blow Up AI Budgets · The Information,約 2026-04-14(付費牆;引文經記者轉貼) 轉述
    https://www.theinformation.com/newsletters/applied-ai/uber-cto-shows-claude-code-can-blow-ai-budgets
  28. Gartner Forecasts Worldwide AI Spending to Grow 47% in 2026 · Gartner 新聞稿,2026-05-19 分析師
    https://www.gartner.com/en/newsroom/press-releases/2026-05-19-gartner-forecasts-worldwide-ai-spending-to-grow-47-percent-in-2026
  29. Where AI Money Comes From: The Quiet Shift Inside IT Budgets · ETR,2026-05-14(三波,各 N=600) 調查
    https://research.etr.ai/etr-data-drop/where-ai-money-comes-from-the-quiet-shift-inside-it-budgets
  30. Enterprise AI 2025:100 位 CIO 如何採購與建置生成式 AI · a16z,2025-06-10(N=100) 調查(投資方自辦)
    https://a16z.com/ai-enterprise-2025/
  31. Enterprise AI Spending to Rise 5.7 Percent in 2025 Despite Overall IT Budget Increase of Less than 2 Percent · ISG 新聞稿,2024-12-05(N=300) 調查
    https://ir.isg-one.com/news-market-information/press-releases/news-details/2024/Enterprise-AI-Spending-to-Rise-5.7-Percent-in-2025-Despite-Overall-IT-Budget-Increase-of-Less-than-2-Percent-ISG-Study/default.aspx
  32. PagerDuty agentic AI survey · PagerDuty 新聞稿,2025-04-02(N=1,000) 調查(廠商自辦)
    https://www.pagerduty.com/newsroom/agentic-ai-survey-2025/
  33. 2024: The State of Generative AI in the Enterprise · Menlo Ventures,2024-11-20 調查+模型
    https://menlovc.com/2024-the-state-of-generative-ai-in-the-enterprise/
  34. 2025: The State of Generative AI in the Enterprise · Menlo Ventures,2025-12-09 調查+模型
    https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/
  35. AI agent governance and enterprise investment · IDC 部落格,2026-07-29 分析師
    https://www.idc.com/resource-center/blog/ai-agent-governance-enterprise-investment/
  36. Why We Pay Salesforce 83% More Than Last Year, But Stopped Using Notion Entirely · SaaStr,2026-04-27(作者為 Agentforce 公開案例客戶) 部落格(當事人)
    https://www.saastr.com/why-we-pay-salesforce-83-more-than-last-year-but-stopped-using-notion-entirely-the-ai-agent-seat-problem-is-real/
  37. GitHub Copilot is moving to usage-based billing · GitHub 官方部落格,2026-04-27 揭露
    https://github.blog/news-insights/company-news/github-copilot-is-moving-to-usage-based-billing/
  38. Agentforce Pricing · salesforce.com,查於 2026-09-10 揭露
    https://www.salesforce.com/agentforce/pricing/
  39. Licensing for agents powered by the standard harness · Microsoft Learn,更新 2026-08-03 揭露
    https://learn.microsoft.com/en-us/microsoft-copilot-studio/billing-licensing
  40. Salesforce AI pricing(Miguel Milano 談席次與消耗計價) · The Register,2025-12-05 轉述
    https://www.theregister.com/2025/12/05/salesforce_ai_pricing/
  41. Salesforce boasts: 50% of bookings were from “customers refilling the tank” · The Register,2026-08-27 轉述
    https://www.theregister.com/software/2026/08/27/salesforce-boasts-50-of-bookings-were-from-customers-refilling-the-tank-they-consume-flex-credits-they-want-more/5292927
  42. The state of B2B monetization in 2026 · Growth Unhinged × Metronome,2026-05-13(n=230+,受訪者為軟體賣方) 調查
    https://www.growthunhinged.com/p/the-state-of-b2b-monetization-in-2026
  43. Time horizon limitations · METR,2026-01-22 揭露(研究機構)
    https://metr.org/notes/2026-01-22-time-horizon-limitations/
  44. METR 於 X 公布 Claude Opus 4.6 時間視野 · X,2026-02-20 揭露(研究機構)
    https://x.com/METR_Evals/status/2024923422867030027
  45. Task-Completion Time Horizons of Frontier AI Models · METR,更新 2026-05-08 揭露(研究機構)
    https://metr.org/time-horizons/
  46. BRIDGE:前沿模型在 80% 門檻下的任務長度視野 · arXiv 2602.07267,2026-02 論文
    https://arxiv.org/abs/2602.07267
  47. Agent 失敗模式綜述 · arXiv 2607.05775,2026-07(轉引 Kwa et al. 2025 與 arXiv 2512.04307) 論文
    https://arxiv.org/abs/2607.05775
  48. Hourly costs for AI agents · Toby Ord,2025-12-22 部落格
    https://www.tobyord.com/writing/hourly-costs-for-ai-agents
  49. Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation · arXiv 2510.11977,ICLR 2026 論文
    https://arxiv.org/abs/2510.11977
  50. HAL Reliability: findings · Princeton HAL(Rabanser et al., arXiv 2602.16666) 論文
    https://hal.cs.princeton.edu/reliability/findings
  51. Expenditure Horizon: Measuring Optimization Ability, with an Application to NanoGPT · METR,2026-07-21 揭露(研究機構)
    https://metr.org/blog/2026-07-21-expenditure-horizon/
  52. OSWorld 2.0 · arXiv 2606.29537 v2,2026-07-13 論文
    https://arxiv.org/abs/2606.29537
  53. More compute, more capability: why AI agent evals need to account for test-time compute · UK AI Security Institute,2026-07-02 揭露(研究機構)
    https://www.aisi.gov.uk/blog/more-compute-more-capability-why-ai-agent-evals-need-to-account-for-test-time-compute
  54. ARC-AGI-3 technical report(v2) · arXiv 2603.24621,2026-04-17 論文
    https://arxiv.org/abs/2603.24621
  55. Intelligence Benchmarking Methodology · Artificial Analysis 分析師
    https://artificialanalysis.ai/methodology/intelligence-benchmarking
  56. Terminal-Bench leaderboard · tbench.ai 揭露(排行榜)
    https://www.tbench.ai/leaderboard
  57. τ-bench: A Benchmark for Tool-Agent-User Interaction · arXiv 2406.12045,2024-06 論文
    https://arxiv.org/abs/2406.12045
  58. Flexible billing and cost controls for agents on Google Cloud · Google Cloud 官方部落格,2026-08-26 揭露
    https://cloud.google.com/blog/products/ai-machine-learning/flexible-billing-and-cost-controls-for-agents-on-google-cloud
  59. Agents licensing · UiPath 官方文件,查於 2026-09-10 揭露
    https://docs.uipath.com/agents/automation-cloud/latest/user-guide/licensing
  60. UiPath (PATH) Q2 2027 earnings call transcript · The Motley Fool,通話日 2026-09-03 轉述(第三方逐字稿)
    https://www.fool.com/earnings/call-transcripts/2026/09/09/uipath-path-q2-2027-earnings-call-transcript/
  61. Salesforce Introduces New Flexible Agentforce Pricing to Accelerate the Digital Labor Revolution · Business Wire,2025-05-15 揭露
    https://www.businesswire.com/news/home/20250515332990/en/Salesforce-Introduces-New-Flexible-Agentforce-Pricing-to-Accelerate-the-Digital-Labor-Revolution
  62. Copilot Studio requirements and messages management · Microsoft Learn,更新 2026-08-03 揭露
    https://learn.microsoft.com/en-us/microsoft-copilot-studio/requirements-messages-management
  63. Outcome-based pricing for AI agents · Sierra 官方部落格,2024-12-10 揭露
    https://sierra.ai/blog/outcome-based-pricing-for-ai-agents
  64. Fin pricing: outcomes · Intercom 說明中心,更新 2026-06-19 揭露
    https://fin.ai/help/en/articles/13975800-fin-pricing-outcomes
  65. About automated resolution tiers · Zendesk 說明中心,2026-05-18 生效 揭露
    https://support.zendesk.com/hc/en-us/articles/9570369117338
  66. ServiceNow AI pricing change takes on enterprise ROI struggles · TechTarget,2026-04-10 轉述
    https://www.techtarget.com/searchitoperations/news/366641692/ServiceNow-AI-pricing-change-takes-on-enterprise-ROI-struggles
  67. Amazon Bedrock AgentCore pricing · AWS,查於 2026-09-10 揭露
    https://aws.amazon.com/bedrock/agentcore/pricing/
  68. Bret Taylor of Sierra on AI agents · Cheeky Pint,2026-03-10 轉述(podcast 謄寫)
    https://cheekypint.substack.com/p/bret-taylor-of-sierra-on-ai-agents
  69. Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026, Up from Less Than 5% in 2025 · Gartner 新聞稿,2025-08-26 分析師
    https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025
  70. Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 · Gartner 新聞稿,2025-06-25 分析師
    https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
  71. Software Developers, Quality Assurance Analysts, and Testers(Occupational Outlook Handbook) · U.S. Bureau of Labor Statistics,May 2025 資料 揭露
    https://www.bls.gov/ooh/computer-and-information-technology/software-developers.htm
  72. Local Wages: Software Developers(15-1252.00) · O*NET OnLine,轉載 BLS 2025 工資資料 揭露(官方轉載)
    https://www.onetonline.org/link/localwages/15-1252.00
  73. Levels.fyi End of Year Pay Report 2025 · Levels.fyi(使用者自報) 調查(自報)
    https://www.levels.fyi/2025/
  74. Characteristics and generative mechanisms of software development productivity distributions · Magne Jørgensen,Simula,2023 論文
    https://web-backend.simula.no/sites/default/files/publications/files/characteristicsproductivitydistributions2023.pdf
  75. The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers · Cui, Demirer, Jaffe, Musolff, Peng, Salz,SSRN 4945566 論文
    https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4945566
  76. Generative AI at Work · Brynjolfsson, Li, Raymond,NBER w31161(QJE 2025) 論文
    https://www.nber.org/papers/w31161
  77. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity · METR,2025-07-10 論文
    https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
  78. METR 開發者生產力研究更新(2025 下半年資料) · METR,2026-02-24 論文
    https://metr.org/blog/2026-02-24-uplift-update/
  79. AI Writes Faster Than Humans Can Review: A Longitudinal Study of an Enterprise 2x Mandate · He, Agarwal, Denisov-Blanch, Azaletskiy, Koyejo, Vasilescu,arXiv 2607.01904,2026-07-02 論文(預印本)
    https://arxiv.org/abs/2607.01904
  80. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity(論文版,含螢幕錄影分析) · arXiv 2507.09089 論文
    https://arxiv.org/abs/2507.09089
  81. The AI Productivity Paradox · Faros AI,2025-07-23 調查(廠商遙測)
    https://www.faros.ai/blog/ai-software-engineering
  82. Estimating AI productivity gains from Claude conversations · Anthropic,2025-11-25 揭露(模型估計)
    https://www.anthropic.com/research/estimating-productivity-gains
  83. US vs China on the Epoch Capabilities Index · Epoch AI,2026-01-02 分析師(研究機構)
    https://epoch.ai/data-insights/us-vs-china-eci
  84. CAISI Evaluation of DeepSeek V4 Pro · NIST CAISI,2026-05-01(美國政府機構,有政策立場) 揭露(政府評估)
    https://www.nist.gov/news-events/news/2026/05/caisi-evaluation-deepseek-v4-pro
  85. Kimi K3(Epoch AI 模型頁) · Epoch AI,查於 2026-09-10 分析師(研究機構)
    https://epoch.ai/models/kimi-k3
  86. METR 對 DeepSeek 與 Qwen 模型的評估 · METR,2025-06-27 揭露(研究機構)
    https://metr.org/evaluations/deepseek-qwen-report/
  87. GPT-6 Astra(Artificial Analysis 模型頁) · Artificial Analysis,查於 2026-09-10 分析師
    https://artificialanalysis.ai/models/gpt-6-astra
  88. Claude Fable 5.1(Artificial Analysis 模型頁) · Artificial Analysis,查於 2026-09-10 分析師
    https://artificialanalysis.ai/models/claude-fable-5-1
  89. Claude Opus 4.8(Artificial Analysis 模型頁) · Artificial Analysis,查於 2026-09-10 分析師
    https://artificialanalysis.ai/models/claude-opus-4-8
  90. GLM-5.3(Artificial Analysis 模型頁) · Artificial Analysis,查於 2026-09-10 分析師
    https://artificialanalysis.ai/models/glm-5-3
  91. Kimi K3(Artificial Analysis 模型頁) · Artificial Analysis,查於 2026-09-10 分析師
    https://artificialanalysis.ai/models/kimi-k3
  92. DeepSeek V4 Pro 0813(Artificial Analysis 模型頁) · Artificial Analysis,查於 2026-09-10 分析師
    https://artificialanalysis.ai/models/deepseek-v4-pro
  93. State of AI: An Empirical 100 Trillion Token Study with OpenRouter · OpenRouter × a16z,arXiv 2601.10088,2025-12 調查(平台資料)
    https://arxiv.org/abs/2601.10088
  94. Measuring-Early-2025-AI-on-Exp-OSS-Devs(公開資料與程式碼) · METR,GitHub 揭露(資料集)
    https://github.com/METR/Measuring-Early-2025-AI-on-Exp-OSS-Devs
  95. Measuring-Late-2025-AI-on-OSS-Devs(公開資料與程式碼) · METR,GitHub 揭露(資料集)
    https://github.com/METR/Measuring-Late-2025-AI-on-OSS-Devs
  96. AIDev: Studying AI Coding Agents on GitHub · Hao Li 等,arXiv 2602.09185 論文(資料集)
    https://arxiv.org/abs/2602.09185
  97. OSWorld 2.0 Leaderboard · Snorkel AI(XLANG Lab, University of Hong Kong 維護),更新 2026-09-04 揭露(排行榜)
    https://snorkel.ai/leaderboard/os-world-2-0/
  98. OSWorld-V2 README · xlang-ai/OSWorld-V2,GitHub 揭露(官方文件)
    https://github.com/xlang-ai/OSWorld-V2/blob/main/README.md
  99. Upcoming changes to GitHub Copilot policies and billing · GitHub Changelog,2026-08-28 揭露
    https://github.blog/changelog/2026-08-28-upcoming-changes-to-github-copilot-policies-and-billing/
  100. Kimi K3: second only to Fable 5 on AA-Briefcase · Artificial Analysis,2026-07-21 分析師
    https://artificialanalysis.ai/articles/kimi-k3-agentic-knowledge-benchmark
  101. Kimi K3 achieves #3 in the Artificial Analysis Intelligence Index · Artificial Analysis,2026-07-17 分析師
    https://artificialanalysis.ai/articles/kimi-k3-achieves-3-in-the-artificial-analysis-intelligence-index-comparable-to-opus-4-8-and-gpt-5-5
  102. Alphabet Will Spend as Much as $205 Billion This Year. The Depreciation Bill Starts Landing in 2027. · The Motley Fool(Mitrade 轉載),2026-07-30 部落格
    https://www.mitrade.com/ae-en/insights/news/live-news/article-8-1946313-20260730
  103. Alphabet Form 10-K(FY2025) · Alphabet,年報 PDF,附註頁未核對 揭露(年報)
    https://s206.q4cdn.com/479360582/files/doc_financials/2025/q4/GOOG-10-K-2025.pdf
  104. Amazon Form 10-K(FY2024)Note 1:耐用年限 · Amazon,SEC EDGAR 揭露(年報)
    https://www.sec.gov/Archives/edgar/data/1018724/000101872425000004/R10.htm
  105. Software Developers, Quality Assurance Analysts, and Testers · U.S. Bureau of Labor Statistics,Occupational Outlook Handbook,查於 2026-11-13 揭露(官方統計)
    https://www.bls.gov/ooh/computer-and-information-technology/software-developers.htm
  106. Software Developers(15-1252)薪資分布,轉載 BLS OEWS 數列 · Office Blues,資料日 2025-05-31 轉述
    https://officeblues.pages.dev/salaries/software-developers-15-1252.json