「你已經達到階段額度，請等到下午一點零三分之後，重新計算。」你是否也在AI對話框看過相似的句子，而且出現的次數越來越頻繁？
這句話，不只是對個人AI用量的提醒，背後更藏著一套牽動著企業競爭力、AI硬體新商機、乃至中美AI模型大戰的「Token經濟學」。
Token，是AI模型運作的最小計價單位，你對AI說的每一句話、它回覆的每一個字，都會被拆解成一個又一個的Token來計費。訂閱制的AI模型多數都設有Token使用上限。
如今，這個大小約只有○．七五個英文單字的單位，竟然成了可以撬動全球科技版圖、地緣政治的新槓桿。
先來看看過去半年，國內外企業「失控的AI帳單」。
首先是美國叫車巨頭Uber，今年不到四個月時間，它就燒光了原本編列一整年、用於編碼工具的AI預算。由於費用大幅超支，逼得它祭出限制，每位員工每個月，在每項AI工具最多只能花費一千五百美元（約合新台幣四萬七千元）。
「我們不得不開始討論Token消耗及其相關成本，與員工人數之間的對比，並在兩者之間做出權衡。」Uber總裁兼營運長麥克唐納（Andrew Macdonald）說。
AI帳單成財報不可忽視費用
Token用量增速遠超成本下跌速度
爆量的帳單，引發一票原先積極鼓勵員工用AI的科技巨頭，紛紛踩煞車。
像社群網站龍頭Meta，已發出一份內部備忘錄，警告員工AI用量正呈現「指數級增加」；電商龍頭亞馬遜（Amazon），也悄悄撤下員工比拚AI用量的排行榜。
鏡頭轉到台灣，同樣的現象也在發生。
「前五大銀行，國泰、中信這些業者，今年明顯感受到閉源模型的Token（使用量）已經爆量。」一名AI服務商高階主管指出，不只金融機構，包括國內許多傳產業者也開始憂心，公司可能會扛不住快速增加的AI成本。
而且真正的挑戰，恐怕還沒到。
一家台灣正全力開發AI代理人應用的大型金控業者估算，未來如果全流程都改由AI代理執行，屆時Token的用量，將可能較現在飆升「一百倍」。
隨Token用量飆升而來的鉅額帳單，正在重擊企業的錢包。如今的AI，已不再是企業可以忽略的實驗支出，而是財報上具有存在感的費用。
你我一般的個人，也同樣有感。近來在網路社群上，許多人因為快達到AI額度上限，而患上「AI焦慮症」。
譬如有人因為額度用光，面對五小時的空檔感到手足無措；有人時刻緊盯剩餘額度，既不敢放手使用，也擔心額度沒用完太浪費。
美中AI新決勝點：性價比
微軟、Coinbase都考慮轉投中企
弔詭的是，這波AI帳單的暴增，不是因為Token變貴了；實情是，它的每單位造價成本，反而比過去便宜。
過去三年來，在科技巨頭持續投入鉅資擴大算力與Token供給量的情況下，Token每單位成本其實是一路走跌。高盛證券指出，半導體供應商在推論成本上，每年能提供超過六○％的成本降幅。
真正問題在於：Token使用量的飆升速度，遠超過Token每單位成本的下跌速度。
今年初以來，從龍蝦熱潮、到超強模型Claude Mythos，在在顯示AI的能力越來越強，並且變成能執行大小任務的「AI代理人」，它能幫你讀完信箱、整理試算表，也可以幫你接下一段程式碼、自主除錯好幾個小時。
過去，人類與AI一問一答，即使再頻繁，消耗Token量也有限；但在代理人運作的情境，AI收到指令後，會自己做邏輯推理、拆解任務、查資料、規畫計畫、執行，每一個步驟，都是在「燒Token」。
研究機構Gartner指出，代理人執行任務消耗的Token量，大約是一般AI問答的「五倍至三十倍」。
高盛更預估，到了二○三○年，每月Token用量將會比今年大增二十四倍之多。
戒不掉AI，讓許多企業尋找替代方案，採用成本較低的AI模型。
然而，這個企業原本只想省錢的行為，卻意外掀開一場中美AI競爭的新戰場。
未來，美中AI模型的決勝點，恐不再只是誰的模型能力最強，而是誰更「划算」。
美國最大加密貨幣交易所Coinbase，近期做的幾項實驗性調整之一，就是將內部的預設模型，改為中國AI商「智譜」及「月之暗面」開發的模型，以結果來看，他們在Token數量持續增加的情況下，降低了將近一半的AI支出。
就連微軟（Microsoft）這家高居全球第二大雲端服務商的業者，也傳出考慮把中國AI業者深度求索（DeepSeek）的V4模型，做為旗下AI產品Copilot Cowork的低價模型選項，被認為是市場風向轉變的重大指標。
這些都不是個案，例如資料雲端服務商Snowflake、AI新創Lindy等，還有越來越多的美國企業都開始擁抱中國模型。
一個關鍵原因，就是中國模型已從「便宜但堪用」變成「便宜且強大」。
即便，在模型的評測成績，幾個美國頂尖模型，如Claude Fable 5、GPT 5.6，表現仍更勝一籌；但從「性價比」的視角看，中國AI模型明顯更具吸引力。
以美中旗艦AI模型的定價比較，每百萬單位Token成本差距，居然可以上看五十倍。
「天天用也不心疼」占優勢
恐釀美國AI模型反向飛輪效應
性價比，正成為中美AI大戰的新指標。
試想，如果美國AI模型的優勢，只剩「最頂尖」的性能，那麼在企業眼中，它就像一台只在特殊場合才需要出動的超跑；對比之下，中國模型則像一台省油又性能佳、天天通勤也不心疼的國民車。
當人們的日常里程，都被國民車占滿，超跑能行駛的道路，只會越來越窄。而在AI競爭上，這造成市占率的流失，將不只是營收損失的數字。
因為，使用者行為數據，是模型公司理解需求、改進產品、發展新業務的重要依據，一旦客戶、用量流失，模型迭代與再成長的養分，也會跟著減少，導致產品進步變慢，而這又會進一步流失更多用戶，形成一股「反向飛輪效應」。
AI回地端，企業伺服器再起
一味省Token，恐落入生產力陷阱
這個嚴重性也解釋了近期幾家美國AI模型商，為何紛紛加速投資硬體、發展自己專屬的客製化晶片。
像OpenAI找上博通，客製化AI推理晶片「Jalapeno」，既是要提高AI推理的運算效率，也是為了降低對晶片霸主輝達的依賴；而Anthropic宣布與記憶體大廠美光結盟，則是想從底層的記憶體著手，透過效率的提升，降低Token成本。
為了降低AI支出成本，現在也有許多企業開始把伺服器「搬回自家機房」，這個新趨勢甚至可能催生新的硬體需求。
譬如，美國連鎖藥局CVS，近期就捨棄部分向微軟租賃的雲端算力，找當地的資訊服務商協助、採購超微（AMD）的伺服器，在自家公司內打造小型AI資料中心。
「今年開始，有一些美國中小企業，跟我們單買一、兩櫃伺服器，要放在公司裡、做本地部署，原因就是為了省Token費用，」一名電子五哥副總經理說，這股趨勢有望讓衰退十五年的企業級伺服器（Enterprise Server）重新點燃需求。
勤業眾信（Deloitte）指出，一旦Token用量達某個臨界點，企業建置在地端或私有雲基礎設施的「AI工廠」，就會成為最具成本效益的選擇。於是，企業會將原先投入在雲端AI的預算，改撥一部分用於購買伺服器和GPU（圖形處理器）。
但回到最根本的問題，我們究竟為什麼要用AI？
多數人的初心都是解放勞務、提升生產力。但在這個AI費用飆升的新時代，不論是轉向中國模型或是本地部署，若都只著眼於成本，恐怕會落入AI生產力受限的陷阱。
Token價值最大化成新顯學
用最適模型！別「開超跑去超商」
如波士頓顧問公司（BCG）台北分公司董事總經理徐瑞廷所言，當任何事物被視為成本，就自然會想往「最小化」的方向走，但Token跟生產力，彼此之間是有強烈連結的。
如果今天用十萬元聘雇一個人力，可以賺回五十萬元收入，那這時你思考的就不會是砍人力省成本，而是去聘雇更多的人；同樣道理，假設每花一塊錢Token費，可省下三塊錢人工成本，那比起省Token，你應該選擇燒更多。
如何讓每一次Token花費創造最大價值，是企業與個人在AI時代的新顯學。想在這個新學科拿高分，關鍵就是最根本的「AI素養」。過去，不論問題難度，人們總習慣用最新、最強的模型去解題，但這種做法，就像去走路僅需三分鐘的巷口超商，卻堅持開法拉利出門一樣浪費。
就企業而言，解方也是同一套邏輯。如果員工在使用AI、燒Token之前，先釐清每項業務真正的需求，接著，再依複雜度、精準度、成本，為每項任務搭配最合適的AI模型，自然就可以用最少Token、創造最大價值。
自二二年以來，AI就一直處在高速變動的狀態，或許二十年後回頭看，這段人們對Token精打細算的經歷，只會是AI發展長河中的一段過渡期；但不變的是，AI素養始終都是這場賽局中最根本的競爭力。
因為當AI好用到你一不小心就會用過頭，這其實代表了AI供給比過去更充沛；也因此，市場上真正稀缺的，從來就不是Token，而是一個人、一間公司選擇該做什麼、不該做什麼的判斷力。
