企業 AI 導入成本結構拆解:授權、工程、維運與被忽略的隱藏成本

去年底我們幫一家中型產險公司算過一筆帳。他們原本以為導入一套理賠 AI 助理的成本,就是報價單上那個授權年費的數字。等我們把整年的實際支出攤在桌上,那個授權費只佔了總花費的三分之一。剩下的三分之二,合約簽的時候沒有人提。

這不是特例。AI 導入成本從來不是一張報價單能講完的事,它是一個總持有成本 (TCO) 的問題。所謂 TCO,指的是一套 AI 系統從採購、開發、上線到穩定運轉,在其整個生命週期內企業實際掏出去的全部支出,而不只是軟體授權那一項。決策會議上最常犯的錯,就是拿授權費去對比效益,然後在半年後被維運帳單追著跑。

AI 導入成本的四層結構

我們習慣把 TCO 拆成四層來看:授權、工程、維運,以及最容易被漏掉的變革管理。前兩層通常寫得進預算,後兩層才是真正決定這個案子活不活得下去的地方。

授權層是最直觀的。SaaS 平台的訂閱費、模型 API 的基礎方案、向量資料庫的託管費,這些有明確報價,好編列。工程層是把系統「接進你公司」的成本:資料清理、系統整合、RAG 知識庫的建置、權限與稽核串接、以及把 Demo 改造成能扛真實流量的那段工程。這一層的金額浮動很大,取決於你的舊系統有多亂。

麻煩的是後面兩層。

被忽略的隱藏成本

第一個是 token 成本,也就是模型的推論用量費。這一項在 Demo 階段幾乎看不出來,因為測試時只有幾個人在點。一旦全公司上線,尤其是 RAG 或 Agentic 工作流這種一次請求會塞進大量上下文、還會多輪往返的架構,token 用量是以量級在跳的。我們看過一個內部知識問答系統,試點時月費不到台幣兩萬,全員推廣後第一個月直接衝到十八萬——因為每次查詢都把整份長文件塞進 context,而且沒有人設快取。

第二個是維運成本。模型會漂移,供應商會改版,你接的那個 API 明年可能就下架了。知識庫的內容會過期,需要有人定期重建索引。還有監控、幻覺的人工抽查、以及出錯時的回溯。這些是持續性的人力,不是一次性的建置費。

第三個,也是最貴的一個,是變革管理成本。系統上線不等於有人用。要讓第一線員工改掉舊習慣、信任 AI 的產出、把它織進日常流程,需要教育訓練、需要種子使用者、需要好幾輪根據真實回饋的調整。這筆錢幾乎不會出現在任何報價單上,卻是決定使用率是 4% 還是 60% 的關鍵。

下面這張表是我們給客戶做預算時的粗估基準,實際比例會因產業與系統複雜度浮動:

怎麼把這件事算對

真正該問的 KPI 不是「這套系統多少錢」,而是「每一個真正在用它的員工,一年花我多少」。分母是採用人數,不是授權席次。當你用這個角度看,變革管理的投資就不再是額外開銷,而是把前面三層花掉的錢從沉沒成本變成有效資產的槓桿。

實務上我們會建議客戶在立項時就做兩件事:一是先跑一個帶真實流量的小規模試點,用實際 token 用量反推全員成本,別拿 Demo 數字編年度預算;二是把維運與採用推廣的人力,明確寫進第一年 TCO,而不是等上線後才發現沒人負責。

這也是為什麼我們在 Tenten 做 FDE 前線部署時,工程師是進場扛到上線與採用的——因為在我們看來,那些沒被算進報價單的成本,才是一個 AI 專案真正的成本結構。Demo 很美不算數,上線且有人在用,帳才算得清。