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。
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。
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% | ~$72.4 | 103 | $0.70 | $351 |
| Opus 4.7(batched) | 18.2% | ~$33.6 | 160.7 | $0.21 | $185 |
| GPT-5.5(batched) | 13.0% | ~$25.5 | 95.2 | $0.27 | $196 |
| Opus 4.8(single) | 18.5% | ~$76.1 | 190.5 | $0.40 | $411 |
| Opus 4.7(single) | 13.9% | ~$35.8 | 318.4 | $0.11 | $258 |
| Sonnet 4.6(single) | 8.3% | ~$22.3 | 253.3 | $0.09 | $269 |
| MiniMax M3(single) | 4.6% | ~$2.4 | 326.7 | $0.007 | $52 |
| Kimi 2.6(single) | 4.6% | ~$6.6 | 179.3 | $0.04 | $143 |
| Qwen 3.7-Plus(single) | 2.8% | ~$3.8 | 173.5 | $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 Credits | 1 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 Credits | token × 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?
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)
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 | $269 | 1.0% |
| Qwen 3.7-Plus(single) | 2.8% | $3.8 | $136 | $237 | $275 | 1.6% |
| Kimi 2.6(single) | 4.6% | $6.6 | $143 | $236 | $273 | 2.8% |
| Opus 4.7(batched) | 18.2% | $33.6 | $185 | $230 | $267 | 14.0% |
| GPT-5.5(batched) | 13.0% | $25.5 | $196 | $234 | $272 | 10.6% |
| Opus 4.7(single) | 13.9% | $35.8 | $258 | $242 | $280 | 14.9% |
| Sonnet 4.6(single) | 8.3% | $22.3 | $269 | $242 | $280 | 9.3% |
| Opus 4.8(batched) | 20.6% | $72.4 | $351 | $263 | $300 | 30.2% |
| Opus 4.8(single) | 18.5% | $76.1 | $411 | $272 | $309 | 31.7% |
| 純人工 | — | — | — | $240 | $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。
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] | OpenAI | 53 | $10/$50 | 6,000 萬 | $5,324 | $100 |
| Claude Fable 5.1(max)[88] | Anthropic | 53 | $10/$50 | 1.9 億 | $13,129 | $248 |
| Claude Opus 4.8(max)[89] | Anthropic | 42 | $5/$25 | 1.7 億 | $6,874 | $164 |
| GLM-5.3(max)[90] | 智譜 | 45 | $1.40/$4.40 | 2.1 億 | $2,503 | $56 |
| Kimi K3(max)[91] | Moonshot | 44 | $3/$15 | 1.6 億 | $3,658 | $83 |
| DeepSeek V4 Pro 0813(max)[92] | DeepSeek | 36 | $1.32/$3.96 | 1.6 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 | $52 | 7,102 | $231 | 1.0% |
| Kimi 2.6(single) | 4.6% | ~$6.6 | $143 | 3,898 | $236 | 2.8% |
| Qwen 3.7-Plus(single) | 2.8% | ~$3.8 | $136 | 6,196 | $237 | 1.6% |
| Sonnet 4.6(single) | 8.3% | ~$22.3 | $269 | 3,052 | $242 | 9.3% |
| Opus 4.7(single) | 13.9% | ~$35.8 | $258 | 2,291 | $242 | 14.9% |
| Opus 4.8(single) | 18.5% | ~$76.1 | $411 | 1,030 | $272 | 31.7% |
| Opus 4.7(batched) | 18.2% | ~$33.6 | $185 | 883 | $230 | 14.0% |
| GPT-5.5(batched) | 13.0% | ~$25.5 | $196 | 732 | $234 | 10.6% |
| Opus 4.8(batched) | 20.6% | ~$72.4 | $351 | 500 | $263 | 30.2% |
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
- 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
- 「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
- 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
- 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
- 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
- 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
- 「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
- 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
- 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
- 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
- 企業側真實的 AI 超支率:賣方沒有揭露,買方調查的樣本各有偏誤。
- 1x 與 10x 工程師的任務成本差幾倍:沒有研究同時量了熟練度、AI 使用程度與任務成本。
- 每一次 agent 輸出要人看幾分鐘:最接近的只有 METR 螢幕錄影的「約 9% 時間」。
- AI 替企業省錢還是花錢:買方的回本期目前無法定義。
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 | Kurian | AI 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 $514B | Alphabet | 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% | Microsoft | commercial 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% | a16z | LLM 支出份額,N=100 | 樣本代表性 | 不可與 ETR 同軸 |
| $37B | Menlo | 排除推論的企業支出 | 去年版本曾含推論 | 同版的 $11.5B |
| 37% 見 EBIT | McKinsey | 受訪者比例 | 影響幅度 | 上一年(原文:about the same share) |
| 171% ROI | PagerDuty | 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 |
| $3,300 | METR | 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%/$450B | Gartner | 2035 年營收、最佳情境 | 基準情境 | 不可與「四成取消」比 |
| 40% 取消 | Gartner | 2027 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 $5,324 | Artificial 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 × a16z | OpenRouter 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 | partial | 108 題總成本 | 在本篇表中 |
|---|---|---|---|---|
| Claude Opus 5 | 31.43% | 68.31% | 未公布 | 否 |
| GPT-5.6 Sol | 27.34% | 62.72% | 未公布 | 否 |
| Claude Opus 4.8 | 20.6% | 54.8% | 未列(論文約 $72.4/題) | 是 |
| GPT-5.5 | 13% | 49.5% | $2.75K | 是 |
| Claude Sonnet 4.6 | 9.3% | 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:
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。
- 新模型的成本欄是空的:Claude Opus 5、GPT-5.6 Sol 只有完成率。
- 中國新一代(Kimi K3、GLM-5.3、DeepSeek V4)和美國最新一代(GPT-6 Astra、Claude Fable 5.1)都還沒測。
- 同一個模型,排行榜與論文的數字不一致(Sonnet 4.6:9.3% 對 8.3%),版本要逐一對。
- 人類完成率沒有公布;本篇的 240 美元,是用中位耗時 1.6 小時乘上假設時薪算的。
- 中國模型只有 single 模式,無法和 batched 模式的美國模型對等比較。
其他
- 席次掏空的後續。GitHub 十月起新席次要先付款[99],Salesforce 半數 bookings 來自續購點數。2027 年初的財報,看席次的外殼還剩多少。
- 合規成本入帳。歐盟 AI 法的高風險義務延到 2027 年 12 月(見《分層融化》第 08 節),監督成本會進產品價,還是留在買方的法遵預算。
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。
- 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] - KPMG Global AI Pulse Q2 的「近半重新分期」原句與頁碼。
- 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。
- 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。 - Microsoft Copilot 費率表中,M365 Copilot 授權欄的免計量範圍。
- 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。
- 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。
- 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。 - 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
- Gartner Says $234 Billion in Enterprise Application Software Spend Is at Risk from Agentic AI 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 - Google Cloud at Goldman Sachs Communacopia + Technology Conference 逐字稿 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 - Alphabet earnings call, Q2 2026: Sundar Pichai’s remarks 揭露
https://blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q2-2026/ - Alphabet Inc. Form 10-Q, quarter ended June 30, 2026 揭露
https://s206.q4cdn.com/479360582/files/doc_financials/2026/q2/GOOG-10-Q-Q2-2026.pdf - Alphabet Announces Second Quarter 2026 Results 揭露
https://s206.q4cdn.com/479360582/files/doc_financials/2026/q2/2026q2-alphabet-earnings-release.pdf - Blackstone Announces Joint Venture with Google to Create New TPU Cloud 揭露
https://www.blackstone.com/news/press/blackstone-announces-joint-venture-with-google-to-create-new-tpu-cloud/ - TPUv7:Google 的 TPU 與資料中心融資 分析師
https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swing-at-the - Microsoft FY26 Q4 Earnings Conference Call 揭露
https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4 - Alphabet Announces Fourth Quarter and Fiscal Year 2023 Results 揭露
https://s206.q4cdn.com/479360582/files/doc_financials/2023/q4/2023q4-alphabet-earnings-release.pdf - Microsoft FY22 Q4 Earnings Conference Call 揭露
https://www.microsoft.com/en-us/investor/events/fy-2022/earnings-fy-2022-q4 - Amazon server depreciation 轉述
https://www.hudson-labs.com/research/amazon-server-depreciation-amzn - Amazon.com Q4 2024 earnings call transcript 轉述(第三方逐字稿)
https://www.marketbeat.com/earnings/reports/2025-2-6-amazoncom-inc-stock - Meta Reports Fourth Quarter and Full Year 2024 Results(Exhibit 99.1) 揭露
https://www.sec.gov/Archives/edgar/data/1326801/000132680125000014/meta-12312024xexhibit991.htm - Oracle Corporation FY2025 Form 10-K,Property, plant and equipment(XBRL R31) 揭露
https://www.sec.gov/Archives/edgar/data/1341439/000095017025087926/R31.htm - Tracking Trillions: The Assumptions Shaping Scale of the AI Build-Out 分析師
https://www.goldmansachs.com/insights/articles/tracking-trillions-the-assumptions-shaping-scale-of-the-ai-build-out - Michael Burry 於 X 的貼文(折舊低估估計) 部落格(當事人貼文)
https://x.com/michaeljburry/status/1987918650104283372 - Alphabet earnings call, Q1 2026: Sundar Pichai’s remarks 揭露
https://blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q1-2026/ - Microsoft FY26 Q2 Earnings Conference Call 揭露
https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q2 - Amazon.com Form 10-Q(Q2 2026)摘要 轉述(轉引 10-Q)
https://www.stocktitan.net/sec-filings/AMZN/10-q-amazon-com-inc-quarterly-earnings-report-0b79ef7cd1d2.html - Oracle Q4 2026 earnings: AI cloud backlog and funding 轉述
https://erp.today/oracle-q4-2026-earnings-ai-cloud-backlog-funding/ - The Information 報導:Anthropic 與 OpenAI 約佔四大雲 2 兆美元 backlog 一半(經 Michael Parekh 轉引) 轉述
https://michaelparekh.substack.com/p/ai-anthropic-and-opemai-half-of-2 - Google Cloud faces 48% revenue reliance on OpenAI and Anthropic in 2027(UBS 估計,經 Ed Zitron 與 Bloomberg 轉述) 轉述(三手)
https://ppc.land/google-cloud-faces-48-revenue-reliance-on-openai-and-anthropic-in-2027/ - AI tokenomics and the cost governance gap 分析師(引自家調查)
https://www.idc.com/resource-center/blog/ai-tokenomics-cost-governance-gap/ - KPMG Global AI Pulse, Q2 2026 調查
https://assets.kpmg.com/content/dam/kpmgsites/xx/pdf/2026/06/global-ai-pulse-q2.pdf - New WitnessAI Report Reveals the Financial Cost and Risk Factors of Enterprise AI Adoption 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 - The state of AI 調查
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai - Uber CTO Shows How Claude Code Can Blow Up AI Budgets 轉述
https://www.theinformation.com/newsletters/applied-ai/uber-cto-shows-claude-code-can-blow-ai-budgets - Gartner Forecasts Worldwide AI Spending to Grow 47% in 2026 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 - Where AI Money Comes From: The Quiet Shift Inside IT Budgets 調查
https://research.etr.ai/etr-data-drop/where-ai-money-comes-from-the-quiet-shift-inside-it-budgets - Enterprise AI 2025:100 位 CIO 如何採購與建置生成式 AI 調查(投資方自辦)
https://a16z.com/ai-enterprise-2025/ - Enterprise AI Spending to Rise 5.7 Percent in 2025 Despite Overall IT Budget Increase of Less than 2 Percent 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 - PagerDuty agentic AI survey 調查(廠商自辦)
https://www.pagerduty.com/newsroom/agentic-ai-survey-2025/ - 2024: The State of Generative AI in the Enterprise 調查+模型
https://menlovc.com/2024-the-state-of-generative-ai-in-the-enterprise/ - 2025: The State of Generative AI in the Enterprise 調查+模型
https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/ - AI agent governance and enterprise investment 分析師
https://www.idc.com/resource-center/blog/ai-agent-governance-enterprise-investment/ - Why We Pay Salesforce 83% More Than Last Year, But Stopped Using Notion Entirely 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/ - GitHub Copilot is moving to usage-based billing 揭露
https://github.blog/news-insights/company-news/github-copilot-is-moving-to-usage-based-billing/ - Agentforce Pricing 揭露
https://www.salesforce.com/agentforce/pricing/ - Licensing for agents powered by the standard harness 揭露
https://learn.microsoft.com/en-us/microsoft-copilot-studio/billing-licensing - Salesforce AI pricing(Miguel Milano 談席次與消耗計價) 轉述
https://www.theregister.com/2025/12/05/salesforce_ai_pricing/ - Salesforce boasts: 50% of bookings were from “customers refilling the tank” 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 - The state of B2B monetization in 2026 調查
https://www.growthunhinged.com/p/the-state-of-b2b-monetization-in-2026 - Time horizon limitations 揭露(研究機構)
https://metr.org/notes/2026-01-22-time-horizon-limitations/ - METR 於 X 公布 Claude Opus 4.6 時間視野 揭露(研究機構)
https://x.com/METR_Evals/status/2024923422867030027 - Task-Completion Time Horizons of Frontier AI Models 揭露(研究機構)
https://metr.org/time-horizons/ - BRIDGE:前沿模型在 80% 門檻下的任務長度視野 論文
https://arxiv.org/abs/2602.07267 - Agent 失敗模式綜述 論文
https://arxiv.org/abs/2607.05775 - Hourly costs for AI agents 部落格
https://www.tobyord.com/writing/hourly-costs-for-ai-agents - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation 論文
https://arxiv.org/abs/2510.11977 - HAL Reliability: findings 論文
https://hal.cs.princeton.edu/reliability/findings - Expenditure Horizon: Measuring Optimization Ability, with an Application to NanoGPT 揭露(研究機構)
https://metr.org/blog/2026-07-21-expenditure-horizon/ - OSWorld 2.0 論文
https://arxiv.org/abs/2606.29537 - More compute, more capability: why AI agent evals need to account for test-time compute 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 - ARC-AGI-3 technical report(v2) 論文
https://arxiv.org/abs/2603.24621 - Intelligence Benchmarking Methodology 分析師
https://artificialanalysis.ai/methodology/intelligence-benchmarking - Terminal-Bench leaderboard 揭露(排行榜)
https://www.tbench.ai/leaderboard - τ-bench: A Benchmark for Tool-Agent-User Interaction 論文
https://arxiv.org/abs/2406.12045 - Flexible billing and cost controls for agents on Google Cloud 揭露
https://cloud.google.com/blog/products/ai-machine-learning/flexible-billing-and-cost-controls-for-agents-on-google-cloud - Agents licensing 揭露
https://docs.uipath.com/agents/automation-cloud/latest/user-guide/licensing - UiPath (PATH) Q2 2027 earnings call transcript 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/ - Salesforce Introduces New Flexible Agentforce Pricing to Accelerate the Digital Labor Revolution 揭露
https://www.businesswire.com/news/home/20250515332990/en/Salesforce-Introduces-New-Flexible-Agentforce-Pricing-to-Accelerate-the-Digital-Labor-Revolution - Copilot Studio requirements and messages management 揭露
https://learn.microsoft.com/en-us/microsoft-copilot-studio/requirements-messages-management - Outcome-based pricing for AI agents 揭露
https://sierra.ai/blog/outcome-based-pricing-for-ai-agents - Fin pricing: outcomes 揭露
https://fin.ai/help/en/articles/13975800-fin-pricing-outcomes - About automated resolution tiers 揭露
https://support.zendesk.com/hc/en-us/articles/9570369117338 - ServiceNow AI pricing change takes on enterprise ROI struggles 轉述
https://www.techtarget.com/searchitoperations/news/366641692/ServiceNow-AI-pricing-change-takes-on-enterprise-ROI-struggles - Amazon Bedrock AgentCore pricing 揭露
https://aws.amazon.com/bedrock/agentcore/pricing/ - Bret Taylor of Sierra on AI agents 轉述(podcast 謄寫)
https://cheekypint.substack.com/p/bret-taylor-of-sierra-on-ai-agents - Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026, Up from Less Than 5% in 2025 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 - Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 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 - Software Developers, Quality Assurance Analysts, and Testers(Occupational Outlook Handbook) 揭露
https://www.bls.gov/ooh/computer-and-information-technology/software-developers.htm - Local Wages: Software Developers(15-1252.00) 揭露(官方轉載)
https://www.onetonline.org/link/localwages/15-1252.00 - Levels.fyi End of Year Pay Report 2025 調查(自報)
https://www.levels.fyi/2025/ - Characteristics and generative mechanisms of software development productivity distributions 論文
https://web-backend.simula.no/sites/default/files/publications/files/characteristicsproductivitydistributions2023.pdf - The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers 論文
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4945566 - Generative AI at Work 論文
https://www.nber.org/papers/w31161 - Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity 論文
https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ - METR 開發者生產力研究更新(2025 下半年資料) 論文
https://metr.org/blog/2026-02-24-uplift-update/ - AI Writes Faster Than Humans Can Review: A Longitudinal Study of an Enterprise 2x Mandate 論文(預印本)
https://arxiv.org/abs/2607.01904 - Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity(論文版,含螢幕錄影分析) 論文
https://arxiv.org/abs/2507.09089 - The AI Productivity Paradox 調查(廠商遙測)
https://www.faros.ai/blog/ai-software-engineering - Estimating AI productivity gains from Claude conversations 揭露(模型估計)
https://www.anthropic.com/research/estimating-productivity-gains - US vs China on the Epoch Capabilities Index 分析師(研究機構)
https://epoch.ai/data-insights/us-vs-china-eci - CAISI Evaluation of DeepSeek V4 Pro 揭露(政府評估)
https://www.nist.gov/news-events/news/2026/05/caisi-evaluation-deepseek-v4-pro - Kimi K3(Epoch AI 模型頁) 分析師(研究機構)
https://epoch.ai/models/kimi-k3 - METR 對 DeepSeek 與 Qwen 模型的評估 揭露(研究機構)
https://metr.org/evaluations/deepseek-qwen-report/ - GPT-6 Astra(Artificial Analysis 模型頁) 分析師
https://artificialanalysis.ai/models/gpt-6-astra - Claude Fable 5.1(Artificial Analysis 模型頁) 分析師
https://artificialanalysis.ai/models/claude-fable-5-1 - Claude Opus 4.8(Artificial Analysis 模型頁) 分析師
https://artificialanalysis.ai/models/claude-opus-4-8 - GLM-5.3(Artificial Analysis 模型頁) 分析師
https://artificialanalysis.ai/models/glm-5-3 - Kimi K3(Artificial Analysis 模型頁) 分析師
https://artificialanalysis.ai/models/kimi-k3 - DeepSeek V4 Pro 0813(Artificial Analysis 模型頁) 分析師
https://artificialanalysis.ai/models/deepseek-v4-pro - State of AI: An Empirical 100 Trillion Token Study with OpenRouter 調查(平台資料)
https://arxiv.org/abs/2601.10088 - Measuring-Early-2025-AI-on-Exp-OSS-Devs(公開資料與程式碼) 揭露(資料集)
https://github.com/METR/Measuring-Early-2025-AI-on-Exp-OSS-Devs - Measuring-Late-2025-AI-on-OSS-Devs(公開資料與程式碼) 揭露(資料集)
https://github.com/METR/Measuring-Late-2025-AI-on-OSS-Devs - AIDev: Studying AI Coding Agents on GitHub 論文(資料集)
https://arxiv.org/abs/2602.09185 - OSWorld 2.0 Leaderboard 揭露(排行榜)
https://snorkel.ai/leaderboard/os-world-2-0/ - OSWorld-V2 README 揭露(官方文件)
https://github.com/xlang-ai/OSWorld-V2/blob/main/README.md - Upcoming changes to GitHub Copilot policies and billing 揭露
https://github.blog/changelog/2026-08-28-upcoming-changes-to-github-copilot-policies-and-billing/ - Kimi K3: second only to Fable 5 on AA-Briefcase 分析師
https://artificialanalysis.ai/articles/kimi-k3-agentic-knowledge-benchmark - Kimi K3 achieves #3 in the Artificial Analysis Intelligence Index 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 - Alphabet Will Spend as Much as $205 Billion This Year. The Depreciation Bill Starts Landing in 2027. 部落格
https://www.mitrade.com/ae-en/insights/news/live-news/article-8-1946313-20260730 - Alphabet Form 10-K(FY2025) 揭露(年報)
https://s206.q4cdn.com/479360582/files/doc_financials/2025/q4/GOOG-10-K-2025.pdf - Amazon Form 10-K(FY2024)Note 1:耐用年限 揭露(年報)
https://www.sec.gov/Archives/edgar/data/1018724/000101872425000004/R10.htm - Software Developers, Quality Assurance Analysts, and Testers 揭露(官方統計)
https://www.bls.gov/ooh/computer-and-information-technology/software-developers.htm - Software Developers(15-1252)薪資分布,轉載 BLS OEWS 數列 轉述
https://officeblues.pages.dev/salaries/software-developers-15-1252.json