AI 公司最近一直告訴企業：Agent 可以寫程式、處理客服、整理文件、分析資料，甚至自己跨系統完成工作。

企業也真的開始大量導入。

但到了 2026 年下半年，另一個問題愈來愈難躲：

這些 AI 到底替公司賺回多少錢？

Reuters Breakingviews 8 月 7 日從拉斯維加斯 Ai4 大會觀察到一個非常有意思的反差。

今年 Ai4 約有 1.2 萬名企業人士與業者參加，約 400 家參展商展示各種 AI 應用。

企業對 AI 的興趣顯然沒有退燒。

但是 KPMG 今年第二季調查 2,145 名企業高階主管後發現，只有 7% 表示已經建立 AI 投資報酬。

AI 正從「大家都怕錯過」，進入另一個更現實的階段：

模型可以很厲害，員工也可以每天使用，但最後財務部門還是會問：這筆錢到底換回了什麼？

先不要把「只有 7%」理解成 93% 都失敗

這個數字很容易被誤解。

KPMG 的調查並不是說另外 93% 的企業全部因為 AI 虧錢。

比較準確的意思是，只有 7% 的受訪高階主管表示，他們的組織目前已經建立可以衡量的 AI ROI。

有些公司可能真的還沒有回本。

有些可能正在導入初期。

也有些企業其實已經省下很多時間，但從來沒有把節省的時間換算成商業價值。

所以真正的問題不只是「AI 有沒有價值」。

還包括：

公司到底有沒有能力把這個價值量出來。

企業其實還在繼續加碼

更有意思的是，AI 投資並沒有因此停止。

Boston Consulting Group 今年初調查 2,360 名企業高階主管，其中包括 640 名 CEO。

94% 的 CEO 表示，即使 AI 在未來一年沒有立即產生回報，他們仍準備維持或增加 AI 投資。

企業因此出現一個非常明顯的矛盾：

  • 目前能證明 ROI 的公司仍然很少。
  • 但大部分 CEO 又不敢停止投資。

原因其實不難理解。

如果 AI 最後真的改變客服、軟體開發、行銷、研究與行政工作，現在完全不投入，可能幾年後會落後。

但如果只因為害怕落後就不斷增加模型、Agent 與工具，又可能讓成本先失去控制。

所以企業下一階段的問題已經不是：

「要不要用 AI？」

而是：

「哪些 AI 值得繼續花錢？」

為什麼企業這麼難算 AI ROI？

傳統軟體比較容易算。

例如買一台新機器：

  • 機器多少錢。
  • 每天多生產多少產品。
  • 少需要多少人工。
  • 多久可以回本。

AI 卻常常分散在整間公司。

有人用 ChatGPT。

有人用 Claude。

有人自己訂閱圖片工具。

工程部門透過 API 呼叫模型。

客服部門又建立三個 Agent。

最後財務部門看到的是一堆：

  • 月費。
  • Token 費用。
  • API 費用。
  • 雲端費用。
  • 顧問費。
  • 員工訓練成本。

但「省下來的工作」卻沒有一起被記錄。

KPMG 發現：很多公司連 AI 到底花多少都還看不清楚

KPMG 的 Global AI Pulse 顯示，42% 的受訪企業主管表示，他們對 AI 支出的能見度只有部分掌握。

另外有 33% 表示，理解 AI 的使用成本結構，包括 Token 等使用量計價，是部署 AI Agent 的重要挑戰。

這件事非常關鍵。

因為如果公司不知道：

「這個 Agent 每完成一件工作到底花多少錢？」

就很難回答：

「它到底值不值得繼續用？」

一個 Agent 每月 500 美元，到底算貴還是便宜？

光看 500 美元沒有意義。

假設一個客服 Agent 每月花 500 美元。

情況 A：

  • 每月處理 5,000 件重複問題。
  • 替客服人員省下 120 小時。
  • 錯誤率沒有增加。
  • 重要案件仍正常轉交真人。

這 500 美元可能非常划算。

但如果情況 B 是：

  • 每月只有 300 件工作真的被採用。
  • 客服人員還要花大量時間修改。
  • 經常需要重新確認資料。
  • 最後只省下 5 小時。

同樣的 500 美元，就可能完全不同。

所以 AI ROI 不能只比較模型價格。

真正要比較的是：

每一個「可以直接拿來使用的成果」，到底花了多少成本。

企業第一個要量的，其實不是收入

很多公司一開始就想問：

「AI 幫我們增加多少營收？」

但很多內部 AI 根本不是直接負責賣東西。

例如：

  • 會議整理。
  • 客服摘要。
  • 文件搜尋。
  • 程式初稿。
  • 資料分類。
  • 報告草稿。

這些工作更適合先測量：

  • 原本完成一次需要多少分鐘。
  • 使用 AI 後需要多少分鐘。
  • 人工修改時間是多少。
  • 返工次數有沒有下降。
  • 錯誤數量有沒有改變。
  • 每週真正使用多少次。

把這些測出來，才比較有機會進一步換算財務價值。

不要把「使用次數」當成 ROI

一家企業可以宣布：

「今年 AI 使用量增加 500%。」

但這只能證明員工用了很多。

不能證明工作變得更好。

甚至可能出現：

  • AI 先生成。
  • 員工覺得不好。
  • 重新 Prompt。
  • 再修改。
  • 最後自己重寫。

從系統紀錄看，AI 使用量非常高。

從生產力來看，可能反而浪費更多時間。

因此真正有用的 KPI 應該是「成果」，不是「使用」。

AI Agent 更容易讓成本失控

這也是今年特別值得注意的地方。

一般聊天工具通常是一個人問一次，模型回答一次。

Agent 卻可能為了完成一件工作：

  • 先規劃。
  • 搜尋資料。
  • 讀取文件。
  • 呼叫另一個模型。
  • 執行工具。
  • 檢查結果。
  • 失敗後重新嘗試。

使用者只看到：

「幫我完成這件事。」

背後可能已經發生數十次模型與工具呼叫。

這也是為什麼 KPMG 特別把 AI 使用成本與 Token economics 列為新的管理問題。

Ai4 現場甚至出現「公司根本不知道自己有多少 Agent」

Reuters Breakingviews 在 Ai4 報導中提到一個非常有意思的案例。

Dataiku 在一場分享中表示，替某個企業客戶進行盤點時發現超過 400 個 AI Agent。

但那家公司的資訊長原本以為大約只有 40 個。

這是一個會議上的個別案例，不能代表所有企業。

但它揭露了一個很現實的問題：

AI 工具太容易建立之後，企業可能先出現的是「Agent 膨脹」，而不是 Agent 生產力。

不同部門各自建立：

  • 客服 Agent。
  • 行銷 Agent。
  • 研究 Agent。
  • 程式 Agent。
  • 資料 Agent。

最後卻沒有人知道哪些還有人用。

真正需要的不是禁止 Agent，而是定期淘汰

企業可以替每一個 AI 工具或 Agent 設定三種結果：

保留：

使用頻率高、成果穩定，而且省下的時間或產生的收入高於成本。

改善：

有價值，但人工修改太多、成本太高或流程仍不穩定。

停止：

很少有人使用、成果不穩定，或根本無法證明它替公司省下任何事情。

這比永遠不斷新增第 41 個、第 42 個 Agent 更重要。

KPMG 的另一個數字非常值得看

KPMG 發現，具有較完整 AI 成本可視性的企業，回報建立 ROI 的比例是 15%。

成本能見度較低的企業則只有 3%。

兩者相差五倍。

這不能直接證明「只要裝一個成本儀表板，ROI 就會提高五倍」，因為企業管理成熟度、治理與執行能力也可能同時不同。

但至少顯示一件事：

知道 AI 花在哪裡，通常是管理 AI 價值的第一步。

責任到底歸誰，也會影響結果

KPMG 調查還發現，當 CEO 對 AI 相關決策結果有明確責任時，這些企業回報已建立 ROI 的比例為 14%。

責任較不清楚的對照組則為 4%。

這同樣不能簡化成「CEO 管 AI 就一定成功」。

真正值得看的，是責任有沒有明確。

一個 Agent 如果：

  • IT 說是客服的。
  • 客服說是 AI 團隊的。
  • AI 團隊說只是提供工具。
  • 財務部門只負責付帳單。

最後往往沒有人真正負責回答：

「這個東西為什麼還要繼續付錢？」

中小企業反而可以算得更簡單

KPMG 的調查主要來自中大型企業，因此不能直接把所有比例套用到一家五人或十人的小公司。

但中小企業反而不需要建立複雜的財務模型。

每個 AI 工作只記五個數字就夠：

  • 每月工具成本。
  • 每月處理次數。
  • 使用 AI 前每次需要多少時間。
  • 使用 AI 後包含修改需要多少時間。
  • 可以直接使用的成果比例。

例如：

原本一篇商品介紹需要 60 分鐘。

AI 初稿加人工修改後需要 25 分鐘。

每月做 20 篇。

那麼每月大約節省：

35 分鐘 × 20 次 = 700 分鐘。

也就是約 11 小時 40 分鐘。

接下來再問：

這 11 小時 40 分鐘，有沒有被拿去完成更有價值的工作？

這才開始接近真正的 ROI。

最容易算錯的一件事：把「省下時間」全部當成省下薪水

如果員工每月省下 10 小時，公司並不代表立刻少付 10 小時薪資。

員工通常還是在公司工作。

真正的價值可能是：

  • 同一個人可以服務更多客戶。
  • 少加班。
  • 更快交件。
  • 多做一項原本來不及完成的工作。
  • 把時間轉到銷售、服務或創作。

所以時間節省是重要指標，但不能直接假裝成已經進入銀行帳戶的現金。

AI ROI 可以先分成四種

一、時間回報。

相同成果花更少時間。

二、品質回報。

錯誤、返工與漏件下降。

三、營收回報。

更多詢問被處理、更快成交，或產生新的產品與服務。

四、避免成本。

例如客服量增加後，不必立即增加同樣比例的人力。

這四種不要混在一起。

公司才知道 AI 到底在哪裡創造價值。

可以直接使用的 AI ROI 盤點 Prompt

你是我的企業 AI 投資回報盤點顧問。 我會提供目前公司正在使用的 AI 工具與 Agent。 請不要先假設 AI 有價值，也不要只比較模型價格。 對每一項 AI 工作，請建立以下欄位： 一、原本工作 沒有 AI 時，誰負責、每月做幾次、每次平均多少時間。 二、AI 成本 月費、API、Token、雲端、外部服務與維護成本。 無法確認的數字請標示「待確認」，不要估計成事實。 三、人工成本 使用 AI 後仍需要多少人工檢查、修改與返工時間。 四、成果 每月真正被使用的 AI 成果有多少。 不要把生成次數當成成果。 五、商業價值 分成： 時間節省、 錯誤降低、 新增收入、 避免成本。 六、風險 列出哪些錯誤可能讓省下的成本重新變成損失。 七、分類 將每個 AI 工作分成： 保留、 改善、 停止。 保留： 價值已明顯高於成本。 改善： 有價值，但成本、修改時間或錯誤仍太高。 停止： 沒有足夠使用量，或目前無法證明產生實際價值。 最後不要只給我一個總 ROI。 請告訴我： 最值得繼續投入的 3 項 AI 工作、 最需要重新設計的 3 項、 最應該停止的項目， 以及下個月必須開始記錄的 5 個 KPI。

真正的 AI 管理可能會開始變得很無聊

這反而是一件好事。

過去四年，大家一直在看：

  • 模型有多強。
  • Benchmark 又提高多少。
  • Agent 又會做哪些新工作。

企業真正大規模使用後，討論會逐漸變成：

  • 成本是多少？
  • 誰在使用？
  • 省了多少時間？
  • 修改率是多少？
  • 錯一次會損失多少？
  • 誰負責？
  • 下一季還要不要續費？

聽起來不像科技革命。

但任何真正進入企業的技術，最後都必須走到這一步。

今天最重要的判斷

Ai4 擠進約 1.2 萬名企業人士，代表企業對 AI 的熱情並沒有消失。

BCG 的調查也顯示，大多數 CEO 還準備繼續投資。

但 KPMG 只有 7% 受訪主管表示已建立 AI ROI，提醒我們下一階段的競爭已經改變。

不是誰買最多 AI。

也不是誰建立最多 Agent。

而是誰最早知道：

哪一項 AI 真正在創造價值，哪一項只是看起來很厲害。

當 AI 從實驗走進每天工作，最重要的能力可能不再只是會不會寫 Prompt。

而是敢不敢把所有 AI 工具攤開來，一項一項算：

這個留下。

這個改善。

這個停掉。

AI 真正成熟的那一天，不是公司裡每個地方都有 AI。

而是每一個留下來的 AI，都有人說得清楚它為什麼值得留下。

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。

推薦閱讀