2026 年，Uber 一整年買 AI 程式工具的預算，四個月就花完了。
Fortune 在 5 月 26 日報導了這件事。Uber 總裁兼營運長 Andrew Macdonald 在一個 podcast 上談過 AI 的用量。他提到企業常拿出來講的幾種 AI 統計，例如多少比例的程式碼由 AI 提交、用量漲了多少。他說，要把這類數字和實際多做出多少對消費者有用的功能連起來，並不容易。
"That link is not there yet."
這條連結，還沒接上。Bloomberg 隨後報導，Uber 替每項 AI 程式工具設了上限，每人每月 1,500 美元。
這不只是 Uber 一家的事。McKinsey 2026 年的全球調查，問了同一批受訪者兩件事。一是 AI 有沒有提高自己的生產力。二是 AI 有沒有讓公司的利潤增加。80% 的人說生產力提高了。說公司利潤增加的，只有 37%，和前一年差不多。這裡的利潤，指的是息稅前利益。
"These individual gains have yet to translate into broad financial impact for organizations."
報告寫道，個人的進步，還沒有變成整個組織財務上的改變。
個人變快了，公司的利潤沒有跟著動。這中間發生了什麼事？
生產力不會自己變成利潤
麻省理工學院的兩位研究者，2023 年發表了一項實驗。他們找了 453 位專業工作者，有行銷、人資、資料分析、顧問，也有主管。題目是他們工作裡本來就會寫的東西：新聞稿、簡短的報告、分析計畫、不好下筆的電子郵件。隨機挑出一半的人，讓他們可以用 ChatGPT。
可以用的那一組，花的時間少了四成，寫出來的東西評分還高了 18%。
投資 AI 買到的，就是這個：讀、寫、整理、判斷這類腦力工作，做一件花的時間變少了。同樣的時間，能做得更多、更好。這就是生產力。
但生產力不是利潤。利潤是損益表上，營收扣掉成本和費用之後剩下的。生產力要變成利潤，得有人決定拿多出來的時間去做什麼。
生產力變成利潤，有四條途徑
多出來的生產力要變成利潤，大致有四條途徑。每一條，利潤來自不同的地方。
第一條｜減少支出
2026 年 1 月的法說會上，Bank of America 財務長 Alastair Borthwick 講了銀行現在的做法。每次有人離職，就評估這個職位要不要補人。
Shopify 走的是同一個方向。執行長 Tobi Lütke 的內部備忘錄在 2025 年 4 月公開。備忘錄要求團隊，申請增加人力之前，先說明這件事為什麼用 AI 做不到。
兩家公司做的是同一件事：減少支出。這是生產力變成利潤最直接的一條途徑。少請一個人，當期就少付一份薪資。
少付的不只是薪資，還有外購的費用：以前要買、現在自己做的東西。McKinsey 2026 年的調查裡，32% 的受訪者說，公司因為可以用 AI 程式工具自己做，決定不買某個軟體產品或功能。這筆費用，當期一樣不用付。
這是公司少付出去，也就是節流。條件是真的少付了。職位照補、軟體照買，支出就沒有減少。
第二條｜同樣的人做更多
有一份 2025 年刊登的研究，追蹤一家公司的五千多位客服人員。AI 助手分批上線。拿到的人，每小時解決的案件數平均多了 15%。人沒有變多，做完的事變多了。
研究量的是案件數，不是公司的利潤多了多少。同樣的人能多做的事，要變成利潤，得有地方用。
有地方用，指的是有更多客人要服務、有更多訂單要接。缺工的公司，情況剛好是這樣：工作在那裡，缺的是人。資策會產業情報研究所調查電子資訊製造業，企業說導入 AI 後最明顯的改善，有增加營收、減緩缺工壓力和降低成本。
自由時報 2026 年 9 月報導了商研院對景氣數據的解讀。商研院說，企業面對勞動力短缺，正加速導入自動化與 AI 設備，用「人機替代」提高效率。
這種時候，多做的事會變成營收。這是客人多付進來，也就是開源。
沒有地方用的話，多出來的生產力就閒置了，營收沒有變多。
第三條｜做得更好、更快
哈佛商學院等校的研究者，2023 年發表了一項實驗，對象是一家大型顧問公司的 758 位顧問。在 AI 做得來的任務上，用 AI 的那一組速度快了四分之一，交出來的東西品質評分高出四成以上。
AI 能讓做出來的東西更好、更快。接下來的問題是：這個更好，客人在不在意？
客人在意，而且願意多付，這是最好的情形。交期縮短、品質提高，客人因此加單，或接受更高的價格。這是開源。
客人在意，但不會多付，這種情形更常見。更好的品質變成客人選供應商的標準。營收沒有增加，但案子保住了。做不到的對手出局，新的對手也更難進來。這是守住：保住原本會失去的生意。
第三種情形是客人不在意。東西做得比客人需要的還好，多出來的那一截，有沒有都一樣。專案管理把這種情形叫鍍金。
AI 讓「再做好一點」幾乎不花成本，鍍金也就更容易發生。
不管客人怎麼反應，公司自己也會省到。錯誤少了，重工、退貨、客訴的成本跟著降，這是節流。內部的來回溝通少了，時間空出來。空出來的時間，還是要走第一條或第二條途徑才變成利潤。
第四條｜做以前不划算的事
有些事有用，但以前不划算，所以不做。AI 把做一件事的成本降下來之後，這些事可以做了。
四條途徑裡，這一條最先發生，而且不用公司安排。員工手上有了 AI，最先做的往往就是以前嫌麻煩、不值得花時間的事。
這樣的事有兩類，利潤都是繞路來的。
一類是想比較但以前來不及的事。以前做網頁，時間只夠做出一種版面。現在可以一次做出五種，打開來比，再決定用哪一個。McKinsey 2026 年的調查裡，一半的受訪者說 AI 幫他們做出更好的決定。
決定更好，會先表現在命中率上。行銷看的是轉換率，業務看的是成交率和得標率，報價看的是得標之後實際的毛利跟當初估的差多少。這些數字，公司本來就在量。命中率變高，帶來的是開源。
另一類是該做但以前不值得做的事。這類工作以前排不進人力。現在做得起：把三年的客訴紀錄全部讀過一遍找原因，替每一次程式改動補上測試和說明。出錯的比例降下來，重工跟著變少。這是節流，只是要等一段時間。
這兩類最後都會到損益表上，變成慢慢變好的營收和毛利率。只是中間隔了好幾步，要一段時間，損益表上也不會有一行寫著 AI。
所以走這一條，不能等損益表上的數字。要先看中間那幾步：出錯的比例有沒有降，命中率有沒有升。都沒有的話，只是因為便宜而多做了一些事。
四條途徑，利潤來自三個地方
四條途徑帶來的利潤，只來自三個地方。公司少付出去，是節流。客人多付進來，是開源。保住原本會失去的生意，是守住。
| 來自哪幾件事 | 多快看得到 | |
|---|---|---|
| 節流 | 少請人、少買、少出錯 | 少請人、少買，當期就少付。少出錯要等出錯的比例降下來 |
| 開源 | 接更多的訂單、客人願意多付、命中率變高 | 接更多的訂單，出貨那一期就有營收。客人多付和命中率比較慢：交期、續約、命中率這些數字先動，再等營收和毛利率 |
| 守住 | 客人在意但不多付，案子留住了 | 損益表上看不出多了什麼，要跟不投的情形比 |
知道 AI 的生產力怎麼變成利潤的台灣中小企業，還不多。經濟部 2025 年調查了一千多家中小企業（員工 10 至 199 人，不含批發零售、住宿餐飲、金融與資通訊）。問卷裡，對 AI 認知最高的一級是「充分掌握 AI，並知悉如何為公司帶來『開源』和／或『節流』效益」。
到這一級的企業，約 4%。
這筆投資怎麼看
評估一筆投資，會問四件事：要花多少、跟什麼比、怎麼知道有沒有效、要等多久。放到 AI 上，每一件都有容易看錯的地方。
要花多少
製造業算一個產品的成本，會分兩個時期：開發時期一次花掉的，和量產之後持續在花的。導入 AI 可以照同樣的方式分。
導入時期一次花掉的，是把 AI 用起來之前的投入。參與的人花在上面的工時要算，而且是所有參與的人，不只資訊部門。再來是試行的那段時間、把流程建起來的工夫，還有訓練和顧問的費用。
用起來之後持續在花的，最大的一筆是工具的費用。另一筆是管理：有人要管帳號、資安和使用規範。
工具的費用怎麼算，看公司用哪一種方式取得 AI。
| 訂閱 | 按用量付費 | 自己架設 | |
|---|---|---|---|
| 怎麼付 | 按人數，每個月固定 | 用多少算多少 | 先買硬體，之後付維護和電費 |
| 沒人用的時候 | 費用照付 | 不用付 | 設備照樣折舊 |
| 要留意 | 帳號買了，沒人用 | 用得多，帳單就高，事前不容易估 | 一開始就是一大筆，還要有人維護 |
訂閱多半有用量上限，超過了要加買，或改成按用量付。按用量付費本身沒有上限，要自己設。用量大的時候，同樣的用量按用量付費通常比訂閱貴。
按用量付費的帳單，事前也不容易估。開頭的 Uber，一年的預算四個月用完，後來替每項工具設了每人每月的上限。
計費方式也會變。GitHub 的程式開發助手 Copilot，2026 年 6 月 1 日起改成按用量計價。月費不變，但月費裡含的額度改按實際用量扣，用完要另外付費，不然就不能再用。McKinsey 2026 年的調查裡，約兩成受訪者說，AI 的營運成本已經限制了公司使用 AI。
導入時期花掉的那一筆，要靠之後每個月多出來的利潤攤回來。用的人少、用的地方少，攤的時間就拉長。
跟什麼比
評估一筆投資，要比的是兩件事：投了會怎樣，不投會怎樣。
容易出錯的是後面那一件。不投會怎樣很難估，所以常被當成「維持現在」：營收照今年算，客人照今年算。
這只在同業也不投的時候成立。同業投了、也真的做出成本或交期的優勢之後，通常會發生三件事。
先是同業變強了。成本降下來，或者交期更短、品質更好。同業會拿這些去搶生意。EY 2025 年底發布一份對美國企業資深主管的調查。表示 AI 帶來生產力提升的企業裡，29% 把得到的好處拿去降價、搶市占（可複選）。
接著，好處到了客人那邊。2026 年 7 月 14 日 JPMorgan 的法說會上，執行長 Jamie Dimon 回答分析師提問時，談到 AI 的好處公司留不留得住。
"…you don't uniquely benefit from AI. The ultimate beneficiary of AI will be our customers."
好處不會只有自己拿到，最後的受益者是客人。他又說，銀行不能只講 AI 會提高利潤率、而且好處都留給自己：
"If that were true, our margins would be 80% today because of computerization over the last 20 years."
如果那件事成立，過去二十年的電腦化，早就讓利潤率到 80% 了。
然後，客人把這些當成新的標準，回頭跟每一家供應商要：跟最好的那一家一樣的價格、交期和品質。價格這一項，製造業不陌生。供應鏈裡有個慣例叫年降（客人每年要求供應商把價格再降一些，不管供應商的成本有沒有降）。同業的成本降下來之後，客人要得更有底氣。成本降得下來的，省下來的拿去補降掉的價格。降不下來的，毛利一年比一年薄，客人也可能換供應商。
所以不投，不是維持現在，是往下走。同業把價格帶下來，把標準帶上去，自己沒有跟上。
① 跟現在比，只看到這一段② 跟不投比，才是全部
投了、也真的把成本或交期做出來的公司，至少換到守住。只看守住這一筆，同一個產品，價格一年比一年低，這個產品的營收其實是往下走的，損益表上看不出多了什麼。留住的是客人。客人還在，才有機會賣新的產品、調整產品組合，把營收做回來。
回到一開始的比法。投了會怎樣，看前面那四條途徑：有的是節流，有的是開源，有的只是守住。不投會怎樣，就是上面那三件事的結果。這筆投資換到的，要從不投的那一邊算起，不是從現在算起。
看什麼知道有沒有效
評估成效時，手上的數字分兩類：過程的數字，和結果的數字。過程的數字最容易拿到，但成效要看的是結果。
過程的數字｜容易拿到，但不是成效
常見的有兩種：用量，和個人的速度。
用量：多少人在用、用了多少
用量是最好拿到的數字。開頭那位 Uber 營運長舉的就是這類數字：多少比例的程式碼由 AI 提交、用量漲了多少。他說的是，這些數字連不到公司實際多做出多少對消費者有用的功能。
用得多，不代表東西做出來了，也不代表做出來的是客人願意付費的東西。
Gartner 2026 年 5 月發布了一份對財務主管的調查。分析師 Marco Steecker 談到財務部門的 AI 時說，不能把活動量當成成效。試行做了幾個、工具上線了幾套、有幾個用途在跑。這些只說明部門有在動，不能證明 AI 帶來了董事會期待的價值。
個人的速度：每個人快了多少
O'Reilly Radar 2026 年 7 月有一篇談軟體開發的文章，描述了一種情形。團隊裡每位工程師都真心覺得自己快了五成，出貨日期卻沒動。
原因是瓶頸，也就是整條流程裡最慢的那一步。工廠的產線是同一個道理。整條線的產出由最慢的工站決定。加快其他工站，半成品只會堆在最慢那一站前面。
每個人快了多少，不代表整個產品的交期有提前。
結果的數字｜公司本來就在量的營運數字
結果的數字不是新的數字。費用、出貨量、交期、退貨率，公司本來就在量。四條途徑各自會動到哪幾個，可以對得出來。
- 減少支出：人事和外購的費用下降
- 同樣的人做更多：人數不變的情況下，接的訂單、出的貨、服務的客人變多
- 做得更好、更快：交期縮短，退貨和客訴減少，客人續約、加單
- 做以前不划算的事：出錯的比例下降，命中率（轉換率、成交率、得標率）提高
前兩條途徑，數字動了，利潤很快就跟著動。後兩條離損益表比較遠，數字會先動，利潤過一段時間才跟上。
這些數字，導入之前是多少，先記下來。之後才有得比。
要等多久
Gartner 在 2026 年 1 月到 4 月調查了 160 位資深財務主管，9 月發布結果。財務部門裡比較單純的用途，一般 9 到 10 個月內會有投資報酬。例子是資料擷取、應收應付帳款的自動化、製作報表。比較複雜的，像資料管理、產生洞察、預測，要更久。
前面提過的分析師 Marco Steecker 接受了 CFO Dive 的訪問。他說，到了這個時間還沒看到價值，原因也查過了，那很可能是把投資放在不會有成效的東西上。
他在新聞稿裡也提醒另一頭：財務部門的 AI 投資，多半集中在很快有投資報酬、提高生產力的用途。財務長不該因為這些來得快，就擠掉比較複雜的用途。後者成熟得慢，但能改善決策、管理風險、支持營收成長。
這跟四條途徑對得上。來得快的，多半是第一條途徑，減少支出：少請人、少買，當期就少付。成熟得慢的，像第四條途徑，做以前不划算的事。利潤是繞路來的，先看到命中率和出錯的比例，過一段時間才看到營收和毛利率。
另一件會影響要等多久的事，是導入時期花了多少。訂閱幾十個帳號、上幾堂課，導入時期花的不多。改流程、串系統、自己架設，一開始就是一大筆。花得越多，攤回來越久。
導入之前，先問自己的幾個問題
經濟部 2025 年那份調查，問中小企業導入 AI 遇到什麼挑戰。兩成的企業選了「導入成效難以評估」。
人工智慧科技基金會與高通在 2026 年 4 月發布《2026 台灣產業 AI 化大調查》。執行長溫怡玲在新聞稿裡也談到這件事。她說，企業導入之後「也需考量應該如何評估與驗收」，包括「何時確認實驗失敗該喊停、何時該繼續」。
把前面的內容收成幾個問題，導入之前可以先問自己。
- 多出來的生產力，我們打算拿去做什麼：減少支出、做更多，還是做得更好？
- 同樣的人能做更多了：有更多的訂單可以接、更多的客人可以服務嗎？
- 要做得更好：客人在不在意？願意多付嗎？
- 成本算全了嗎？導入時一次花掉的，和之後每個月在花的，都算了嗎？
- 同業投了、我們沒投，現有的客人和案子守得住嗎？
- 我們拿什麼判斷有沒有效：用量和個人的速度，還是結果的數字？這些數字現在是多少，記下來了嗎？
- 我們願意等多久？
