賣 Token還是賣結果：AI 商業模式的幾個悖論

2026 年進入下半場，人工智慧產業的整體營收與 API 調用量依然維持雙位數增長，各大廠商公布的季度財報也接連刷新紀錄。然而，若將這些亮眼數字拆開來看，會發現同一組成長曲線背後，各家公司的商業模式其實存在根本性差異，甚至浮現出幾個結構性矛盾。這些矛盾被業界歸納為四個悖論：成本悖論、層級悖論、責任悖論與開閉源悖論，而它們共同指向一個趨勢——智慧正在快速商品化，但利潤僅集中在極少數環節。 先從最直觀的成本悖論談起。2023 年 3 月 OpenAI 推出 GPT-4 時，每百萬 token 的輸入價格為 30 美元、輸出價格為 60 美元。當時企業若想用這套模型搭建客服系統，單月 API 帳單就可能超過整個客服團隊的薪資總額。三年過去，同等級智慧水準的模型價格已大幅下降超過 95%，按照常理推斷，企業在 AI 上的開支應該隨之縮減才對。但實際情況恰好相反——企業的 AI 帳單不降反升，而且漲幅驚人。 原因在於，價格下降刺激了更多場景的採用。過去只敢在核心業務小規模測試的企業，如今開始把模型嵌入每一個流程：從內部知識庫、郵件自動回覆，到產品推薦、程式碼輔助，甚至即時語音辨識與生成。Token 單價雖然便宜，但用量呈指數級成長，最終總支出反而比過去更高。這就像雲端運算的早期發展：運算資源愈便宜，企業用得愈多，帳單也愈重。AI 領域正在重演同樣的路徑，而且速度更快。 第二個悖論是層級悖論。目前市場上多數 AI 服務仍以 API 調用或訂閱制的方式販售，企業付費購買的是「token」，也就是模型的運算能力，而非最終的商業結果。這導致一個矛盾：模型供應商承擔了研發成本與運算成本，但客戶若不善用或錯誤使用，便無法產生預期效益，而供應商依然照收費用。反過來說，若客戶因為模型表現優異而獲得巨大回報，供應商也無法從中分得更多利潤。這種「賣工具不賣成果」的定價模式，使得價值鏈的分配與風險承擔並不對稱。 層級問題更進一步體現在生態結構上。底層模型廠商需要投入數十億美元訓練基礎模型，但中層的應用開發者與系統整合商卻能以相對低的成本，透過 API 調用打造垂直解決方案，並直接面對終端客戶。利潤因此大量集中在應用層，而非基礎模型層。這與過去軟體產業「愈底層利潤愈高」的經驗截然不同，也讓許多投入巨資的模型公司面臨變現壓力。 第三個悖論是責任悖論。當 AI 模型被用於醫療診斷、自動駕駛、金融風控等高風險場景時，一旦出現錯誤，責任歸屬該如何劃分？模型供應商主張自己只提供工具，客戶應對使用方式負責；客戶則認為模型本身就存在缺陷，供應商理應承擔後果。現行法律與合約往往無法清楚界定，導致企業在導入 AI 時經常猶豫不決，寧可放慢腳步，也不願承擔未知的法律風險。這種責任模糊的狀態，反過來限制了市場規模的擴大，也讓「賣結果」的商業模式難以落地——因為沒有人能為結果真正背書。 第四個悖論是開源與閉源的矛盾。開源模型降低了使用門檻，讓更多開發者與中小企業能夠快速部署 AI，但同時也削弱了閉源廠商的訂價能力。當先進的開源模型在性能上逐漸逼近閉源模型時，後者的收費空間就被壓縮。然而，開源社群本身缺乏穩定的商業回報機制，長期維護與版本迭代需要大量資金，若沒有足夠的商業支持，開源專案可能面臨停滯或品質下降。這形成一個兩難：閉源模式利潤集中但阻礙普及，開源模式促進普及卻難以永續。 這四個悖論表面上各自獨立，其實都指向同一個底層趨勢——智慧正在快速商品化。當模型性能持續提升、價格持續下降，AI 本身愈來愈像水電一樣的基礎設施，差異化空間縮小，利潤也隨之從「賣智慧」轉移到「賣服務」或「賣整合」的環節。目前能夠從 AI 浪潮中穩定獲利的，往往是雲端平台、應用開發商與系統整合商，而非基礎模型提供者。 展望未來，AI 產業的商業模式可能必須從「賣 token」轉向「賣結果」。例如，模型供應商不再按用量收費，而是按照客戶因 AI 減少的人力成本、增加的營收或節省的營運費用來抽成。這種模式雖然更符合價值創造的原則，卻也面臨更複雜的衡量標準與信任問題。如何在成本、層級、責任與開閉源之間找到平衡，將決定下一階段 AI 產業的競爭格局。而對於那些仍在燒錢訓練模型的廠商來說，時間恐怕不多了。