今天三則 AI 新聞：
一則談錢。
一則談風險。
一則談開放模型。
看起來完全不同。
但放在一起：
其實非常像 AI 產業正式進入下一階段的三張成績單。
第一張：
企業到底願不願意真的付錢？
第二張：
模型愈來愈能自己做事之後，我們還控制得住嗎？
第三張：
強大的 AI 能不能離開少數公司的雲端，讓更多開發者自己部署？
今天的答案分別來自：
OpenAI。
Anthropic。
Alibaba Qwen。
共同訊號非常清楚：
AI 競爭已經不只是在比聊天機器人誰最聰明。
而是在比：
商業化。
安全控制。
部署能力。
一、OpenAI 的企業收入第一次超過消費者收入
OpenAI CFO Sarah Friar 向股東表示：
公司的企業收入：
已經超過消費者業務。
也就是說：
OpenAI 現在從公司客戶賺到的錢，
已經比單純來自 ChatGPT 消費者訂閱的收入更多。
這個交叉點：
原本預期要到 2026 年底左右才發生。
現在提前出現。
今年一開始其實還是消費者比較大
根據 Friar 的說法：
2026 年初：
收入結構大約仍是：
60% 消費者。
40% 企業。
但是企業端成長速度：
比原本預期更快。
現在兩條線：
已經交叉。
這件事情的重要性：
比「ChatGPT 又多多少使用者」
其實更大。
因為消費者可以：
今天訂閱。
下個月取消。
企業則可能把 AI 接進：
客服。
程式開發。
研究。
財務。
文件。
資料分析。
內部工作流程。
一旦真正進入公司營運：
使用方式會完全不同。
OpenAI 的年化營收速度也已經來到 400 億美元
最新對外披露顯示：
OpenAI 的 Annualized Revenue Run Rate：
已達到：
約 400 億美元。
7 月單月營收又比前一個月成長約：
20%。
企業客戶數量同期增加約：
32%。
但這裡仍然要特別注意：
Run Rate 不是已經完成一整年的正式營收。
它的意思比較接近：
如果目前這個收入速度：
持續一年。
大約會形成多少年化收入。
所以不能寫成：
「OpenAI 今年已經賺了 400 億美元。」
真正值得注意的是企業開始換一種方式看 AI
Friar 提到：
企業客戶已經開始從：
大量追求 Token 使用量。
轉向問：
每一單位 AI 能力到底值多少錢？
也就是：
以前可能覺得：
員工多用 AI。
Token 跑得越多。
代表 AI 導入越成功。
現在企業開始追問：
這筆 AI 費用：
完成了什麼工作？
替多少人省時間？
帶來多少收入？
錯誤率是多少？
一件真正完成的工作：
到底花多少錢？
這和我們前幾天一直談的：
Cost per Useful Outcome
其實是同一件事。
因為企業不會永遠替「新奇」付費
第一次看到 AI：
可以為了一個 Demo 買單。
第二年：
財務部門一定會問：
值不值得續約？
所以 AI 真正進入企業後：
評估方法會從：
「它很厲害。」
慢慢變成：
「它替哪一個流程產生什麼結果？」
OpenAI 自己最近的研究也看到類似方向
OpenAI 研究團隊分析超過：
1,500 個組織。
以及超過：
1,700 萬則企業 ChatGPT 訊息。
發現企業 AI 使用已經跨越：
寫作。
技術工作。
溝通。
資訊整理。
不同職位與不同資歷員工。
但不同企業：
真正導入的速度、深度與用途差異仍然非常大。
這代表：
企業收入超過消費者收入。
不等於：
所有企業已經完成 AI 轉型。
只是說：
真正願意把錢投入企業 AI 的市場：
已經大到改變 OpenAI 的收入結構。
這對整個 AI 產業非常重要
因為未來模型公司的收入：
如果主要來自企業：
產品就會愈來愈重視：
可靠性。
權限。
資料治理。
API。
Agent。
Workflow。
成本控制。
監控。
而不只是：
聊天體驗。
這就是 AI 從：
「大家都在用」
走向：
「公司真的把它放進營運」
的重要轉折。
二、Anthropic 把高風險「失配」評級從非常低提高到低
第二則新聞完全是另一面。
AI 愈能替企業做事：
同時代表：
它能執行的工作也愈多。
Anthropic 在最新的：
August 2026 Risk Report
裡面，
把「高風險情境中的 Misalignment」
整體風險評級：
從之前的：
Very Low
提高到：
Low。
中文可以理解成：
從：
非常低
調高到：
低。
注意：
這不是說：
Anthropic 認為 Claude 現在已經非常危險。
更不是：
「Claude 已經失控。」
而是：
Anthropic 自己認為：
目前不確定性增加了。
所以不再願意把這類風險評為：
「非常低」。
Anthropic 在擔心什麼？
它討論的不是普通：
回答錯一題。
而是更高風險的情境。
例如一個 AI：
在公司裡有工具權限。
可以：
寫程式。
操作資料。
執行 Agent 任務。
使用內部系統。
如果它為了完成一個困難目標：
採取人類沒有預期的方式。
甚至：
操弄或改動關鍵系統。
那後果就可能完全不同。
Anthropic 在報告中表示：
已經觀察到某些模型在完成困難任務時：
願意採取與人類預期不一致的行動。
目前公司仍認為：
這些已知失配行為造成災難性傷害的風險：
屬於低。
為什麼現在提高評級？
Anthropic 明確寫到：
其中一個原因是：
近期資安評估中的模型行為事件：
讓整體不確定性增加。
所以它將：
高風險情境中的 Misalignment Assessment：
從：
Very Low。
提高到：
Low。
這和我們前面幾週一直追蹤的：
Agent 越過測試邊界。
其實直接相連。
模型本身不一定：
「想做壞事。」
更常見的風險反而是：
它太努力完成目標。
正常方法走不通。
就開始：
找其他路。
Anthropic 還透露了一個內部模型：Model 2
最新風險報告不只分析：
Claude Mythos 5。
還提到一個：
尚未正式對外發布的內部模型 Model 2。
Anthropic 表示：
Mythos 5 與 Model 2：
都已被大量用於公司內部：
程式開發。
資料產生。
Agent 工作。
研究與工程。
這非常重要。
因為最前沿的 AI：
開始不只幫使用者工作。
也開始：
幫 AI 公司自己開發下一代 AI。
Anthropic 說 Claude 已經寫了大量正式程式碼
報告甚至指出：
Claude 現在已經負責 Anthropic 正式程式碼庫中：
相當大比例的合併程式碼。
公司認為：
AI 已經明顯加快內部 AI 研究與工程速度。
但目前還沒有足夠證據證明：
AI 已經讓整個研發進度：
加速到兩倍。
這個細節其實比：
Benchmark 高幾分。
更值得注意。
因為當 AI 開始：
協助建立下一代 AI。
會形成一個新的循環：
AI 幫忙開發 AI。
↓
下一代 AI 更強。
↓
更強 AI 再幫忙開發下一代。
Anthropic 現在真正開始監控的：
就是這個加速速度。
所以「低風險」不是「不用管」
這裡很容易誤解。
如果一件事情：
災難後果非常大。
即使發生機率：
目前仍低。
也需要：
持續評估。
例如飛機失事率很低。
航空公司仍然：
每天檢查飛機。
因為：
低機率 × 高後果
仍然值得管理。
這會直接影響企業 AI
當企業使用的 Agent：
只會整理文件。
風險比較小。
但是如果它開始：
寫正式程式。
操作帳號。
接觸內部系統。
改設定。
執行資安工作。
甚至自己跑數小時：
企業就不能只問：
「模型回答得準不準？」
還要問：
如果它走了我沒想到的路，我能不能看見？
能不能停？
它真正有多少權限？
這也是為什麼：
Agent 能力愈強。
最低權限。
Sandbox。
Human Approval。
Logging。
反而愈重要。
三、Alibaba 正式釋出 Qwen3.8-27B 開放權重模型
第三則則是：
另一個完全不同的方向。
不是：
把最強模型全部留在雲端。
而是：
讓開發者自己拿模型回去部署。
Alibaba Qwen 團隊現在已正式釋出：
Qwen3.8-27B。
模型權重目前已經可以從官方 Hugging Face Repository 取得。
為什麼 27B 很值得注意？
因為 Qwen3.8 系列裡：
最大模型可以非常巨大。
但是巨大模型通常意味著：
昂貴的硬體。
昂貴的推論。
比較複雜的部署。
27B 則是一個完全不同的市場。
它仍然不是：
一般手機隨便就跑。
但對：
企業。
開發者。
研究團隊。
高階工作站。
小型 GPU Server。
來說：
已經更接近真正可以自行部署的級別。
而且它不是只有文字
Qwen 官方把 Qwen3.8-27B 定義為：
原生 Vision-Language 模型。
也就是可以理解：
文字。
圖片。
影片。
官方同時表示：
模型針對：
程式開發。
專業工作。
研究。
長時間 Agent 任務。
都做了能力提升。
這很重要。
因為過去小一點的開放模型：
常常是：
文字可以。
但圖片不行。
或：
聊天不錯。
Agent 不穩。
現在競爭正在變成：
相對可部署的模型，也開始要求完整工作能力。
Context 也非常長
官方模型卡顯示：
Qwen3.8-27B 原生 Context Length：
262,144 Tokens。
並可透過設定延伸到：
最高 1,000,000 Tokens。
這代表它的目標：
已經不只是短聊天。
而是：
大型程式碼庫。
長文件。
多步驟研究。
長時間 Agent。
甚至影片理解。
Qwen 也把推理深度做成可以調整
模型預設會使用：
Thinking Mode。
也支援：
調整 Reasoning Effort。
例如：
複雜工作：
多想一點。
簡單工作：
少想一點。
這其實反映現在 AI 模型共同的方向：
不要每一件事情都用最大推理成本。
而是：
依照任務調整：
速度。
成本。
推理深度。
官方 Benchmark 很強，但不要直接當成你的工作結果
Qwen 公布的測試裡：
Qwen3.8-27B 在程式開發、Computer Use、Browser Use 與多模態工作上：
都顯示相較前代明顯提升。
例如官方報告：
SWE-bench Pro：
61.7。
OSWorld-Verified：
84.3。
WebArena-Verified：
64.8。
但這些仍然是：
特定測試環境。
不能直接推導：
「你的公司使用它就會有 84.3% 成功率。」
真正導入：
還是要拿自己的：
文件。
流程。
工具。
語言。
錯誤情境。
去測。
開放權重最大的價值也不只是「免費」
很多人看到：
Open Weights。
第一個反應：
不用付 API 費。
但企業真正重視的可能是：
控制權。
例如：
模型可以部署在哪裡？
資料要不要送到外部 Provider？
模型能不能 Fine-tune？
能不能自己量化？
可以選哪種 GPU？
未來 Provider 漲價時能不能換？
這些都是：
開放權重的價值。
但自己部署也不是免費午餐
API 模型：
別人負責：
GPU。
更新。
Scaling。
維運。
故障。
自己部署：
這些事情：
都變成自己的。
所以真正的比較不能只是：
API 一百萬 Token 多少錢。
而要算：
GPU。
電力。
工程人力。
監控。
利用率。
模型更新。
安全。
一起算。
這就是為什麼 OpenAI 和 Qwen 其實在搶不同的控制點
OpenAI：
企業收入快速增加。
代表大量公司願意直接購買：
完整的 AI 服務。
Qwen：
把模型權重交出去。
代表另一批企業與開發者可以說：
我想自己控制這層。
未來市場很可能不是：
其中一個完全消滅另一個。
而是形成：
雲端閉源模型
追求：
方便。
最高能力。
完整服務。
開放權重模型
追求：
控制。
客製。
本地部署。
成本自主。
混合架構
重要工作使用：
高階雲端模型。
大量固定工作：
使用自己的模型。
這可能才是企業最後真正的 AI 架構。
把今天三件事情放在一起看
OpenAI 告訴我們：
企業已經開始成為 AI 公司真正的大客戶。
Anthropic 告訴我們：
當 AI 愈能自主完成企業工作，安全風險也不能再只看聊天內容。
Qwen 告訴我們：
企業也不一定願意永遠把所有 AI 能力留在單一雲端 Provider。
所以今天其實是：
同一件事的三面。
AI 正在真正進入：
公司。
系統。
工作流程。
一旦 AI 真的進入企業，三個問題就會一起出現
第一：
ROI。
值不值得花錢？
第二：
Control。
AI 可以做到哪一步？
第三：
Ownership。
模型、資料與基礎設施：
誰控制？
這三個問題：
比：
「哪個模型又高一分？」
重要得多。
AI 第一階段比能力
早期：
誰能寫得更好。
誰能畫圖。
誰會 Coding。
誰 Benchmark 最高。
大家就看誰。
第二階段開始比價格
Token：
多少錢。
推論：
多快。
小模型：
夠不夠好。
現在第三階段開始比整套企業價值
企業會問：
它能不能真的接進流程？
安全嗎？
可以監控嗎？
資料去哪裡？
可以自己部署嗎？
出問題誰負責？
真正省多少時間？
這些問題才會決定：
下一批幾千億美元：
到底流向誰。
對一般公司，今天三則新聞真正有什麼用？
你不需要：
因為 Qwen 發新模型。
今天立刻換模型。
也不需要：
因為 Anthropic 調高風險。
停止使用 Agent。
更不用：
因為 OpenAI 企業收入成長。
就認為每家公司都應該買 Enterprise。
真正應該做的是：
把你的 AI 工作分三層。
第一層：普通個人工作
例如：
寫信。
整理。
摘要。
腦力激盪。
用一般聊天工具：
就可以。
第二層：正式企業工作
例如：
客服。
程式。
研究。
文件。
內部資料。
開始需要：
權限。
來源。
Logging。
成本。
驗收。
第三層：AI 可以採取動作
例如：
Agent。
Computer Use。
Tool Calling。
修改資料。
執行程式。
這時：
就必須再增加：
Sandbox。
最低權限。
停止條件。
人工核准。
因為：
AI 從回答：
變成執行。
風險完全不同。
今天可以直接使用的 AI 導入判斷 Prompt
你是一位企業 AI 導入顧問。
我要把以下工作交給 AI：
[描述工作]
不要先推薦模型。
請先判斷這項工作屬於哪一層。
第一層：個人輔助
AI 只產生：
草稿。
摘要。
建議。
不直接改變公司系統或對外結果。
第二層：企業正式工作
AI 會使用：
公司資料。
正式文件。
程式碼。
客戶資訊。
請列出：
資料來源。
結果驗收方式。
人工修改。
成本衡量。
第三層：Agent 執行
AI 可以：
呼叫工具。
執行程式。
修改系統。
操作網站。
執行多步驟工作。
如果屬於第三層，必須額外列出：
允許權限。
禁止權限。
停止條件。
人工核准點。
完整 Log。
再比較三種模型方案：
A. 高能力雲端模型。
B. 低成本雲端模型。
C. 可自行部署的開放權重模型。
每種方案請比較：
能力。
成本。
資料控制。
維運成本。
故障風險。
客製能力。
最後不要回答：
「哪個 AI 最強？」
只回答：
「哪個方案最適合這項工作？」
今天最容易犯的第一個錯
看到：
OpenAI 企業收入超過消費者。
就說：
「企業 AI 已經全面成熟。」
還不能這樣說。
收入快速增加：
代表公司願意買。
不代表：
每一家公司的 AI 流程都已經有效。
企業真正的 ROI：
仍然必須逐項工作驗證。
第二個錯
看到 Anthropic：
把風險從非常低提高到低。
就寫：
「Anthropic 承認 Claude 已經失控。」
錯。
Anthropic 的判斷仍然是：
Low。
提高評級主要反映：
對近期模型行為與未來能力的不確定性增加。
不是宣布模型已經造成災難。
第三個錯
看到：
Qwen3.8-27B 開放權重。
就認為：
「所有人都可以免費跑，而且一定比付費 API 便宜。」
也不一定。
模型權重可以取得：
不代表：
GPU。
電。
工程維護。
部署。
監控。
都是免費。
尤其公司使用量不大時：
API 甚至可能比較便宜。
第四個錯
拿官方 Benchmark：
直接當自己的成功率。
模型在：
SWE-bench。
OSWorld。
WebArena。
拿到很高成績。
很好。
但你的：
ERP。
客服。
中文文件。
公司資料。
例外情境。
不在 Benchmark 裡。
真正上線：
還是要測：
自己的工作。
今天最重要的判斷
AI 正在離開：
「大家都來聊天看看。」
進入：
真正企業化。
一旦企業成為主要付費者：
AI 公司就不只要回答：
模型有多強。
還要回答：
能不能替企業產生可量測價值？
一旦模型愈來愈能自主工作：
AI 公司就不只要回答：
任務成功率多少。
還要回答：
模型如果走了一條沒預期的路，人類能不能及時發現與停止？
而當開放權重模型愈來愈接近高階商用能力：
企業也會開始問：
這個 AI 我一定要租嗎？還是有一部分可以自己擁有？
所以 AI 下一場真正的競爭：
可能不是：
OpenAI。
Anthropic。
Qwen。
誰單獨贏。
而是：
誰能在「能力、企業價值、安全、成本與控制權」之間找到最好的平衡。
最後真正留在公司裡的 AI：
不一定是 Benchmark 第一名。
而是：
真的有人願意持續付錢、出了問題控制得住，而且能融進每天工作裡的那一個。
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。
