今年每一位簽核 AI 預算的財務長都被告知同一件事：Token 價格正在崩跌，所以 AI 的成本會下降。然後發票寄到了，金額比去年還高。沒有任何東西出錯，沒有人超支，每 Token 價格也確實下跌了。帳單還是漲了。如果這聽起來像是哪裡出了錯，其實並沒有。這是一條有 160 年歷史的經濟規律在做它一貫在做的事，也是當今企業 AI 規劃中最容易被誤解的一項事實。
這條規律叫做傑文斯悖論（Jevons Paradox）。AI 分析師 Nate B Jones 在過去一年裡反覆回到這個主題，在談勞動市場、算力供給與企業支出的多集節目中都提到它，因為它解釋了組織為 AI 編列的預算與實際支付金額之間的落差。在 Big Hat Group，我們在每一次客戶專案中都看到同樣的落差：領導者按照下行的價格曲線做規劃，如今卻活在上行的消耗曲線上。本文介紹這個悖論、攤開數字，並說明該怎麼做。它與我們的 AI 成熟度模型互為搭配：那篇談組織如何演進，本篇談這場演進要花多少錢。
什麼是傑文斯悖論？
1865 年，英國經濟學家 William Stanley Jevons 研究英國的煤炭消耗，注意到一件違反常識的事。James Watt 的蒸汽機遠比它所取代的引擎更有效率，照理說英國應該燒更少的煤。結果煤炭消耗量反而爆炸性成長。高效率的引擎讓蒸汽動力在過去從來不值得燒燃料的應用上變得划算：工廠、鐵路、船舶、抽水機。效率移除了一道成本門檻，而需求蜂擁而入，填滿了它留下的空間。
此後，這個模式在每一種主要資源上都重演過。雲端運算是最接近的現代類比。整個 2010 年代，每單位算力的價格大幅下降，雲端帳單卻上漲了，因為便宜的算力讓那些過去沒人會為之採購伺服器的工作負載變得值得執行。同樣的事情現在正發生在 AI 推論上，而且速度比歷史上任何一種資源都快。
2025 年初，在 DeepSeek 的低成本模型短暫震撼市場之後，Satya Nadella 直接點名引用了傑文斯悖論。他的回應是：隨著 AI 變得更有效率、更容易取得，它的使用量將會一飛沖天。他說對了，而此後的數據也給出了斬釘截鐵的證明。
朝相反方向運行的兩條曲線
AI 經濟學由兩條同時朝相反方向移動的曲線所支配。價格曲線正在快速下跌。消耗曲線上升得更快。第二條曲線才是你的預算需要追蹤的那一條。
價格曲線。每 Token 的推論成本正以讓摩爾定律顯得溫和的速度下跌：依你衡量的基準不同，大約在每年 10 倍到 200 倍之間。這項原始大宗商品的通縮速度，比歷史上任何一種運算資源都快。
每 Token 價格通縮，由 Nate B Jones 整理（2026 年 2 月）
| 基準 | 2022 年成本 | 2026 年成本 |
|---|---|---|
| GPT-4 等級效能 | 每百萬 Token 20 美元 | 每百萬 Token 約 0.40 美元 |
| Claude 4.5 Sonnet | 尚未推出 | 每百萬輸入 Token 3 美元，預計一到兩年內降至幾美分 |
消耗曲線。在價格下跌的同時，每一項使用量與支出指標都在攀升，而花得最多的組織正是全世界成長最快的公司之一。它們的支出超過自己的營收，因為它們預期消耗曲線會證明這場押注是對的。
企業 AI 消耗與支出，依 2026 年 2 月各集節目所報導
| 指標 | 數字 |
|---|---|
| 2026 年組織平均 AI 支出 | 每月 85,000 美元，年增 36% |
| 計畫每月支出超過 100,000 美元的組織 | 45%，高於先前的 20% |
| 2025 年企業平均 LLM 支出 | 每年 700 萬美元，高於 2023 年的 450 萬美元 |
| 2026 年企業平均 LLM 支出預測 | 每年超過 1,100 萬美元 |
| Google 每月處理的 Token 數 | 1,300 兆（1.3 quadrillion），約一年內成長 130 倍 |
| Perplexity 2024 年的雲端 AI 支出 | 佔其 2024 年營收的 164% |
Google 的數字值得再看一眼。Google 是地球上最老練的 AI 基礎設施營運者，而它的消耗量在大約一年內成長了 130 倍。它的消耗曲線就是你的領先指標。
落實到任務層級是什麼樣子
當你觀察一位積極使用 AI 的知識工作者時，抽象的曲線就會變得具體。Token 數量遠比多數預算負責人所假設的大得多。
一位知識工作者的 Token 消耗量
| 活動 | Token 成本 |
|---|---|
| 複雜分析，例如審閱 50 份文件並綜整結論 | 約 500,000 個 Token |
| 一整天積極的 AI 輔助編程 | 數百萬個 Token |
| 一場多次迭代的研究工作階段 | 最多 1,000 萬個 Token |
| 重度年度使用，目前基準 | 每年約 10 億個 Token |
| 頂級使用者 18 個月後的預測上限 | 每年 250 億個 Token 或更多 |
而這一切還沒把代理算進來。
代理式乘數。人有生理極限。他們要打字、要休息、要開會，在絕對巔峰狀態下一天或許能撐到 5,000 萬個 Token。代理式系統沒有這些限制。它持續不斷地監控、分析、回應與規劃，單一個代理每天就能消耗數十億個 Token。一支平行運行的代理艦隊則消耗數兆個。這不是消耗量的一次階躍式變化，而是好幾個數量級的變化，也是消耗曲線未來多年將持續跑贏價格曲線的原因。
企業級的數學
以一個 10,000 人的組織、混合價格每百萬 Token 2 美元計算。帳單完全取決於你按哪一個消耗等級做規劃。
10,000 人組織在每百萬 Token 2 美元下的年度算力帳單
| 消耗等級 | 年度算力帳單 |
|---|---|
| 每名員工 10 億個 Token（今日的重度使用者） | 2,000 萬美元 |
| 每名員工 100 億個 Token（18 個月後的預測） | 2 億美元 |
| 每名員工 1,000 億個 Token（完全代理式規模） | 20 億美元 |
傳統的規劃框架讓情況更糟。資本支出模型、折舊時程與多年期採購週期都假設兩件事：需求可預測，以及你需要時供給一定會到位。在傑文斯悖論之下，這兩個假設都不成立。需求隨能力提升而非線性成長，而算力供給在這十年剩下的時間裡都將受限。
認知工作是新的煤炭
這個悖論套用在勞動力上，與套用在算力上一樣乾淨俐落。AI 正在讓一種特定類型的工作成本崩跌：可 Token 化的認知。起草、摘要、分析、研究、編程、規劃與產生變體，都是能以文字捕捉的思考，而它們的邊際成本正趨近於零。
直覺的預測是，企業會少做這類工作，因為它們不再需要付錢請人來做。傑文斯悖論的現實是，企業正在大量地多做這類工作。認知產出的數量正在爆炸，而非收縮。實務上看起來像這樣：
- 更多客戶分群，每一群都有自己的細緻訊息
- 更多 A/B 測試，因為每個變體幾乎免費就能產出
- 更多內部報告與分析，之所以被要求，是因為做得到
- 更多初稿可供挑選，然後才敲定其中一份
- 整個軟體待辦清單都在推進，而不只是前十項
過去因為難以產出而能帶來競爭優勢的工作，如今變得輕而易舉。這同時製造了兩股壓力。認知工作的成本底線已降到接近零，所以產出它不再是差異化因素。而真正的限制因素向上游移動，移到判斷力、問責與實體執行：這些是 AI 仍然做不到的事，也是你的組織現在應該據以最佳化的事。
加速消耗的三股驅動力
三股力量推著消耗曲線向上，而且彼此複合放大。
能力解鎖用量。每當模型在某件事上有了實質進步，例如複雜推理或多步驟規劃，就會打開過去行不通的應用。每一次改進都創造出非線性的新需求。從管理一個代理走到管理十個，Token 足跡就增加十倍；而模型越好，值得運行的代理就越多。
整合倍增接觸點。AI 不再是一個你需要時才打開的獨立工具。它被嵌入電子郵件用戶端、文件編輯器、開發環境、CRM 系統與服務台。每一個整合都是一道通往環境式、持續性消耗的入口，而這些消耗沒有人有意識地決定要啟動。
代理式轉移。從人在迴圈中走向代理式系統——AI 在自動化迴圈中呼叫 AI——是最大的驅動力。單一個代理式工作流在一小時內消耗的 Token，可能比一個人一個月產生的還多，而企業才剛開始大規模部署它們。
企業該怎麼做
這個悖論不是放慢腳步的理由，而是正確規劃的理由。以下這些行動，區分了從 AI 獲得價值的組織與只收到發票的組織。
- 別再把 AI 當作降低成本的工具來編列預算。這個前提是錯的。傑文斯悖論保證效率提升會被擴大的用量吸收，而不會作為節省存入銀行。把 AI 當作有自身報酬的能力擴張投資來編列預算，而不是當作某種能神奇地讓科目縮水的裁員手段。
- 把 Token 管理建設為一項組織能力。稀缺的技能不再是模型存取權限；人人都有。稀缺的技能是知道如何瞄準 Token：結構化每個模型所接收的情境，讓它用更少的資源完成工作；把每項任務路由到正確成本下的正確模型；設計能長期維持品質而非逐漸劣化的代理迴圈；並衡量所購買的智慧是否產出你需要的成果。你叫它 Token 管理、智慧營運還是情境工程，目前都無關緊要。正在建設這項能力的組織，正與其他所有人拉開距離。
- 建構內部路由層。一流企業會運行一個內部平台，把工作送往正確價位的正確模型：定義明確的任務用便宜模型，模糊或高風險的工作用前沿模型。它們洽談客製化 API 協議、承諾消耗量下限以換取專屬容量，並保留多廠商選擇權，讓任何單一供應商的定價都無法左右其路線圖。我們的 AI 自動化服務建構的正是這一層。
- 把 Token 效率視為競爭優勢，而非成本控制。你的競爭對手能存取與你相同的模型。用一半 Token 完成同樣任務的組織，擁有兩倍的有效產能。正確的問題不是「我該如何讓代理更便宜？」，而是「我花的錢是否用在對的事情上？」更有能力的代理以更低的每 Token 價格做更多工作，總帳單依然會更大。槓桿在於重新設計工作流，而不只是收緊提示詞。
- 在供給進一步緊縮前鎖定算力容量。DRAM 與高頻寬記憶體的供給在 2028 年之前都處於結構性受限狀態。超大規模雲端業者既是供應商也是競爭者，在供給受限的市場中，它們會優先把容量分配給自家產品。現在就透過 Azure 預留容量或供應商層級協議鎖定合約容量承諾的企業，處境會遠好於那些觀望等待的企業。我們的 Azure 諮詢團隊協助客戶建模並預留其消耗曲線實際需要的容量。
- 拿一份計畫。Big Hat Group 協助企業建模真實的消耗曲線，建立 Token 管理與路由機制，並設計代理式營運，把 AI 支出轉化為可衡量的能力，而不是一張無法解釋的發票。
這對企業 IT 與 AI 領導者意味著什麼
你不斷上漲的 AI 帳單是領先指標，不是失敗。如果每 Token 價格在下跌，而支出卻在攀升，代表你的組織找到智慧新用途的速度快過供應商降價的速度。採用就是這個樣子。失敗模式反而是一張持平的帳單，那通常意味著 AI 卡在沒人使用的試點裡。
瓶頸已從存取移到瞄準。每個組織都能按 Token 購買前沿智慧。很少有組織能把它導向正確的方向。情境設計、模型路由、代理迴圈工程與成果衡量如今已是核心 IT 能力，就像十年前雲端成本管理成為核心能力一樣。如果沒有人負責這些，你將付出傑文斯的帳單，卻得不到傑文斯的好處。
容量與廠商選擇權是架構決策。在供給受限的市場裡，你的 Token 來自哪裡、依什麼條款取得，與你使用哪個模型同等重要。多廠商路由、預留容量與模型無關的抽象層不再是錦上添花。它們是你防止上行的消耗曲線演變成採購危機的方法。
差距會複利。把 AI 當作待壓縮成本科目的組織，不只是落後於把 AI 當作待部署產能的競爭對手。差距每一季都在擴大，因為後者在同一條下行的價格曲線上，運行著更多實驗、更多代理與更多認知產出。在傑文斯悖論之下，贏家不是花得最少的人，而是把最多 Token 轉化為成果的人。
取得企業 AI 諮詢
Big Hat Group 與企業 IT 及 AI 領導者合作，協助他們按消耗曲線而非價格曲線做規劃：建模真實的 Token 需求、建構讓每個 Token 都發揮價值的路由與情境層、確保大規模運行代理所需的容量，並治理代理式營運，讓帳單對應到業務成果。
相關閱讀：AI 成熟度模型：從追逐模型到面向未來 · 超越 Microsoft Copilot 的企業 AI 策略 · lean-ctx：AI 代理程式真正需要的上下文層
本文取材自 Nate B Jones 的 AI News & Strategy Daily 四集節目：The 3-Layer Framework That Predicts Which Jobs AI Will Replace（2026 年 1 月 11 日）、Why the Smartest AI Teams Are Panic-Buying Compute（2026 年 2 月 8 日）、$1,000 a Day in AI Costs（2026 年 2 月 20 日），以及 You can be ambitious without the huge token bill（2026 年 9 月 20 日）。支出與消耗數字均依各集節目所報導。