錢花了，帳卻算不出來

過去兩年，全球企業在生成式AI上的支出曲線幾乎是一條直線上升的斜線。根據多家研究機構的估算，2026年全球企業級AI相關支出將逼近三千億美元，換算約兩兆三千億港元。但同一批調查裡，只有約三成受訪企業表示「能夠清楚量化AI專案的投資回報」。

這個落差才是今年最值得注意的產業現象。不是AI沒用，而是大部分公司把AI當成「創新專案」在管，而不是當成「資本支出」在管。創新專案可以模糊，資本支出必須有回收期。當董事會開始問「我們去年那筆AI預算，換回了什麼」，很多企業才發現自己手上只有一份漂亮的簡報，沒有一張能看的財務表。

這篇文章不談模型參數，只談帳。我們整理了四個已公開的企業案例、三種最常見的「隱形虧損」，以及港台企業規模下最實際的落地順序。

案例一：客服自動化，回本期十四個月

最成熟、也最容易算清楚的應用仍然是客服。一家跨國電訊商公開的數據顯示，他們把第一線文字客服的六成查詢交給AI處理，人工客服只保留複雜個案與情緒安撫。結果是：每通查詢的平均處理成本從約三美元降到不足一美元，年度節省金額超過兩億港元。

關鍵細節在於他們沒有裁員，而是把釋放出來的人力轉去做「挽回流失客戶」的外呼。這一步讓專案的價值從「省成本」升級成「增收入」——前者有天花板，後者沒有。回本期因此從原本估算的二十六個月縮短到十四個月。

對港台企業的啟示很直接：如果你的AI專案只寫「節省人力」，財務部門會用裁員來驗證你；如果你寫的是「釋放人力去做更高價值的事」，你才有機會拿到第二年的預算。

案例二：製造業品檢，良率提升才是主菜

第二個案例來自電子代工。一家中型製造商在產線末端部署視覺檢測模型，用來找出人眼容易疲勞漏看的微小瑕疵。專案本身的成本並不高——模型授權加上邊緣運算設備，一年約一千二百萬港元。

但真正的回報不在檢測環節。因為瑕疵被更早、更穩定地抓出來，後段組裝的不良率下降了約百分之十八，客訴退貨率下降超過三成。換算下來，年度效益接近六千萬港元，是專案成本的五倍。

這裡有一個常被忽略的會計技巧：AI專案的ROI不應該只算「這個部門省了多少」，而要算「整條價值鏈改善了多少」。品檢AI的價值有八成來自後段良率，如果只掛在品檢部門的KPI上，這個專案永遠會被低估。

案例三與四：兩個失敗的教訓

值得寫進報告的，還有兩個失敗案例。

第一個是某零售集團導入AI需求預測。技術上模型準確率確實比舊方法高，但因為採購部門的獎金制度仍綁在「單次採購成本最低」，採購人員照樣大量下單壓價，預測結果根本沒被採用。系統上線一年，庫存周轉率幾乎沒變。問題不在AI，在激勵機制。

第二個是某金融機構的內部知識問答系統。上線三個月，日活躍使用者不到編制人數的百分之七。事後檢討發現，員工擔心「問太多問題會被記錄」，加上檢索結果常常引用過期文件，信任感一開始就崩了。這個專案最後被歸類為「技術成功、採用失敗」。

這兩個案例合起來說明一件事：企業AI的回報率，八成取決於組織，兩成取決於模型。

三種最常見的「隱形虧損」

第一種是授權閒置。很多公司買了 enterprise 級席位，實際活躍使用率卻只有兩三成。以每人每月三十美元計算，一百個席位一年就是三萬六千美元，其中七成是純浪費。

第二種是重複建設。不同部門各自採購工具、各自接API、各自養一個小模型，結果資料不通、成本重複。這種碎片化在港台中型企業特別常見，因為採購權分散，沒有統一的AI預算窗口。

第三種是影子AI。員工自己用個人帳號把公司資料貼進公開模型，這不只是合規風險，也代表公司花錢買的合規工具沒人用。這一項最難量化，卻往往是最貴的。

延伸閱讀

港台企業的三步落地法

如果你的公司今年才要認真算AI的帳，建議按這個順序走。

第一步，先選一個「有現成基準線」的流程。 客服、單據處理、程式碼審查、合約比對，這些流程本來就有工時與成本紀錄，AI導入前後可以直接對比。不要一開始就挑「聽起來很厲害」的場景。

第二步，把ROI的計算範圍拉大一層。 不要只算單一部門的節省，往上追一層，看它對良率、留存率、客訴率、周轉率的影響。這一層通常是真正的錢。

第三步，先改激勵，再上系統。 如果採購的獎金綁在單價、業務的獎金綁在簽約量，那AI給的建議永遠會被繞過。這一點，比選哪一家模型供應商重要得多。

2026年的企業AI競爭，已經從「誰先用了AI」進入「誰算得出回報」的階段。前者比的是膽子，後者比的是管理。當資本市場開始用ROI而不是用新聞稿來評價企業的AI能力，那些算得出帳的公司，才會拿到下一輪的入場券。