今天三則新聞，

看起來分別在談：

Claude。

Mac。

銀行。

其實是在回答 AI 接下來最現實的三個問題：

模型太貴怎麼辦？

Cloud Token 一直付錢怎麼辦？

AI 開始替你買東西，出事算誰的？

AI 已經不只是：

「能力能不能再高一點。」

真正進入大量使用後，

產業開始比：

Cost。

Infrastructure。

Trust。

① Anthropic 正式推出 Claude Opus 5.5：能力往上，成本反而往下

9 月 20 日，

市場還只是在傳：

Anthropic 正考慮推出新模型。

現在答案正式揭曉。

Anthropic 9 月 22 日發布：

Claude Opus 5.5。

公司稱它是目前最強的 Claude Opus，

而這次最值得注意的甚至不是：

Benchmark 又高了多少。

而是：

使用成本降了。

Anthropic 說：多數工作接近 Fable 5.1

Anthropic 表示，

Opus 5.5 在多數工作上的能力，

已經可以接近公司更高階的：

Claude Fable 5.1。

但它不是用：

更高價格

換這個能力。

剛好相反。

Anthropic 表示，

在典型工作負載下，

Opus 5.5 相較上一代：

Claude Opus 5

整體運行成本大約降低：

40%。

這個方向非常重要。

因為 AI 真正進公司以後，

問題很快就不再只是：

「它能不能完成？」

而會變成：

「每天跑一千次要多少錢？」

Token 單價也直接下降

Opus 5.5 的 API 定價為：

每 100 萬 Input Tokens：

4 美元。

每 100 萬 Output Tokens：

20 美元。

Anthropic 表示，

這比 Opus 5 的 Token 定價低：

20%。

而實際每個 Task 的成本下降幅度可以更大，

原因是：

新模型本身也可能用：

更少 Tokens

完成相同工作。

所以：

Token 單價

和：

完成整個任務的總成本

是兩個不同概念。

40% 比較值得看，因為企業最後付的是「每件工作多少錢」

假設兩個模型：

A：

每個 Token 比較便宜，

但一直來回十幾輪才完成工作。

B：

Token 單價高一些，

卻五輪就完成。

最後真正應該比較的是：

Cost per Completed Task。

而不是：

Cost per Token。

這也是 Anthropic 這次特別強調：

Opus 5.5 在 Typical Workloads

比 Opus 5 約便宜 40%

更有意義的地方。

安全也被放到發布核心位置

Opus 5.5 是 Anthropic CEO Dario Amodei 公開呼籲：

放慢 AI 能力提升速度

之後推出的第一批重要模型之一。

所以外界一定會問：

你一邊叫大家放慢，

自己為什麼又出新模型？

Anthropic 給出的答案之一是：

安全測試。

公司表示，

Opus 5.5 在正式推出以前，

接受了外部獨立團隊：

Frontier Design。

METR。

的測試。

而且加入一些過去只有更高能力系統才使用的 Safeguards。

Anthropic 說：越過邊界的嘗試少了約 85%

Anthropic 自己的 Dedicated Evaluation 顯示，

Opus 5.5 相較：

Opus 5

以及：

Mythos 5.1，

嘗試繞過系統所設定 Containment Boundaries 的情況：

約少 85%。

這是 Anthropic 自己公布的安全評測結果。

不能直接翻譯成：

「Claude Opus 5.5 安全了 85%。」

因為它只是在：

特定測試。

特定失敗模式。

特定比較方式

下得到的結果。

但它代表一個很明顯的產品方向：

Anthropic 現在不能只說：

模型更強。

還必須同時交代：

這一版到底比較不容易在哪些地方出問題。

它甚至比 GPT-5.6 Sol 便宜很多

Reuters 報導，

依 Anthropic 自己公布的一項 Software Development Benchmark，

Opus 5.5 的分數高於：

OpenAI GPT-5.6 Sol，

而執行成本約為：

三分之一。

這裡要特別小心。

這只是：

一項 Benchmark＋Anthropic 自己的成本計算。

不能因此推出：

「Opus 5.5 全面比 GPT-5.6 Sol 強。」

不同：

Coding。

Research。

Writing。

Computer Use。

Long Context。

Agent Tasks。

都可能出現不同結果。

但它凸顯的競爭已經變了：

以前比：

誰最高分。

現在開始比：

誰能用更少錢完成同樣多工作。

AWS、Google Cloud、Azure 都能用

Claude Opus 5.5 已經可以透過：

AWS。

Google Cloud。

Microsoft Azure

等平台使用。

Anthropic 同時表示：

Claude Sonnet 5.5。

Claude Haiku 5.5。

也預計在未來幾週推出。

這表示：

5.5 不只是一顆單獨的新模型。

而是 Anthropic 準備把：

更低 Cost per Task

這個方向帶進整個 Claude Family。

② Apple 開始賣另一種 AI 帳：不要每個 Token 都付 Cloud 費

第二則新聞很有意思。

因為 Apple 不是在推出：

另一個 Cloud AI Model。

它在賣的是：

一台可以把大型 AI 工作留在桌上的電腦。

新一代 Mac Studio

已經在 9 月 22 日正式開始供貨。

台灣也在：

9 月 22 日

正式供貨。

Reuters 報導，

Apple 對 Corporate Buyers 的新 Pitch 非常直接：

與其一直租：

Data Centre Compute，

是不是可以乾脆：

自己買電腦？

Apple 算的帳和 Cloud AI 完全不同

Cloud AI 常見模式是：

使用愈多，

Tokens 愈多，

帳單繼續增加。

Apple Hardware Chief Johny Srouji 對 Reuters 的說法大意是：

機器買回來之後，

硬體成本已經付掉。

之後反覆跑工作，

不會再有：

每個 Token 的 API 費。

也就是 Apple 想把：

AI Computing Cost

從：

Variable Cost

改成部分：

Fixed Cost。

但這不是說「買 Mac 一定比 Cloud 便宜」

這點一定要先講。

本機 AI 要考慮：

機器售價。

電力。

維護。

利用率。

模型是不是跑得動。

人員管理成本。

硬體多久淘汰。

Cloud 則可以：

不用一次買大量設備。

隨用隨擴。

所以真正問題不是：

Local 一定比較便宜。

而是：

當工作量夠固定、夠大，

企業開始有理由重新算：

自己買 Compute

和：

一直租 Compute

哪一個划算。

新 Mac Studio 最高可以有 512GB Unified Memory

搭載：

M5 Ultra

的新 Mac Studio，

最高可以配置：

512GB Unified Memory。

Memory Bandwidth：

最高約：

1.2TB/s。

對一般 Office Work 當然非常誇張。

但對大型 AI Model，

Memory 很重要。

因為 Model Weights 本身就可能大到：

一般 PC GPU RAM 根本裝不下。

Apple 的 Unified Memory Architecture

讓 CPU／GPU 共用大量 Memory，

反而意外變成 Local LLM 的一項優勢。

Apple 還把四台 Mac Studio 接在一起

更值得注意的是：

Apple 已經不只賣：

「一台很強的 Mac。」

新 Mac Studio 支援：

Thunderbolt 5

與：

RDMA。

可以把多台 Mac Studio

連成一個：

AI Cluster。

Apple 官方表示，

四台 Mac Studio 組成的 Cluster，

AI Inference 最快可達單台：

約 3 倍。

Reuters 更看到 Apple 示範：

四台 Mac Studio 接在一起，

執行一個：

1 兆 Parameters

的 AI Model。

任務是：

找到並修正一個 Graphics Coding Bug。

最有畫面的地方：四台 Mac Studio，用一個牆壁插座跑

Reuters 報導的 Demo 裡，

四台 Mac Studio Stack

可以從：

單一 Wall Outlet

取得電力。

這件事真正想展示的不是：

Mac 比大型 Data Centre 強。

當然不是。

而是：

一些原本大家直覺認為：

「一定要送進資料中心」

的大型 AI Workload，

開始有可能縮回：

Office。

Lab。

Studio。

企業內部。

對公司來說，Local AI 還有第二個賣點：資料不用一直往外送

如果工作內容包括：

公司原始碼。

未公開設計。

研究資料。

客戶文件。

敏感影像。

Local Inference

本身還有：

Data Governance

的吸引力。

Apple 官方也把：

完全在裝置端執行大型模型

當成 Mac Studio 的核心定位之一。

這不代表：

「只要用 Mac 就一定完全沒有資料外傳。」

因為真正使用什麼 App、

什麼 Model、

有沒有 Connector

仍然要看實際軟體。

但至少：

模型本身可以在 Local 跑

和：

每次都必須送 Cloud

已經是兩種非常不同的架構。

只是 Apple 面前還有一堵很大的牆：Windows

Reuters 引述 IDC 數據指出，

Apple 在 Enterprise Desktop／Laptop Market

大約只有：

4.6%。

Windows 則約：

91.3%。

所以就算 Apple Hardware 很適合 Local AI，

企業市場不是：

Benchmark 高就會突然全部換機。

還牽涉：

IT Management。

Existing Software。

Windows Applications。

Security Policies。

Procurement。

Employee Training。

這也是 Apple 真正要跨過的門檻。

Local AI 和 Cloud AI 可能最後不是二選一

比較合理的未來，

可能不是：

所有 AI 都搬回 Mac。

也不是：

所有東西都丟 Cloud。

而是：

固定、

敏感、

重複、

大量的 Workload

可以在 Local。

真正需要：

極大 Compute。

最新 Frontier Model。

臨時大量 Scaling

時，

再送 Cloud。

這就是：

Hybrid AI。

AI 算力開始和企業以前管理 Server 一樣：

不是只問：

「最快的是什麼？」

而是：

這個工作到底應該在哪裡跑？

③ 6 家大型銀行開始問：AI Agent 幫你買東西，騙到錢到底算誰的？

第三則新聞，

跟一般消費者可能更直接。

現在 ChatGPT、Claude、Gemini、Muse

都慢慢往：

Agentic Commerce

移動。

以前 AI 只會說：

「你可以買這台咖啡機。」

下一步則是：

AI 自己：

找商品。

比較價格。

選規格。

填資料。

甚至：

付款。

但一旦走到付款，

銀行開始緊張了。

NatWest、Bank of America 等 6 家銀行一起發表原則

9 月 22 日，

六家銀行共同提出：

Agentic Commerce

的信任原則。

包括：

NatWest。

Bank of America。

ING。

Capital One。

Commonwealth Bank of Australia。

ASB Bank。

銀行業真正擔心的不是：

AI 不會找商品。

而是：

AI 太快進入交易，但責任制度還沒跟上。

第一個問題：AI 到底是在幫誰？

銀行報告直接指出，

消費者並不確定：

AI Agent

是不是一定會按照：

自己的最佳利益

做決定。

例如你說：

「幫我找最適合的飯店。」

Agent 推的到底是：

真正最符合條件？

平台佣金最高的？

有合作關係的？

廣告商希望它推的？

還是：

模型最容易找到的？

只要 AI 開始替人：

選擇

而不是只：

列資料，

這個問題就會越來越重要。

第二個問題：如果 AI 買錯呢？

假設你告訴 Agent：

「幫我買一台 2 萬元以內的筆電。」

結果它：

買錯型號。

買兩台。

買到錯誤網站。

選到不能退貨。

或花到：

超過預算。

到底誰負責？

使用者？

AI 公司？

Merchant？

Bank？

Payment Network？

現在並沒有一個全球統一答案。

這也是銀行希望現在就先建立：

Common Principles

的原因。

第三個問題更嚴重：Agent 可能自己拿你的 Card Details 去網站填

Reuters 指出，

銀行報告特別提醒：

AI Agent 可能直接要求：

使用者提供 Card Details，

再把資料輸入：

網站。

這裡面就出現一堆問題：

Agent 保存多久？

誰看得到？

被 Prompt Injection 騙了怎麼辦？

假的購物網站會不會把 Agent 誘導過去？

Payment Credentials

有沒有必要直接交給 Agent？

AI Shopping 一旦真正開始碰：

Card Number。

Payment Token。

Account。

問題就不再只是：

Chatbot Hallucination。

而是：

Financial Security。

Agent 甚至可能把你導向保護比較弱的付款方式

銀行還提出另一個問題。

不同 Payment Method

本來就有不同：

Fraud Protection。

Chargeback。

Dispute Rights。

Consumer Protection。

如果 AI Agent 為了：

更快。

更便宜。

或某個 Merchant Preference，

把使用者導向：

保護更弱的付款方式，

消費者可能根本不知道自己：

少了什麼權利。

所以銀行要求：

AI 的 Recommendation

至少應該：

更透明。

銀行希望：交易中用了 AI，要說清楚

六家銀行提出的方向包括：

當 AI Agent 參與 Transaction 時，

應該有：

Disclosure。

也就是：

讓相關參與者知道：

這不是人在手動操作。

另外還要提高：

AI 如何做決定的：

Transparency。

強化：

Customer Data Protection。

以及保留：

Consumer Choice。

Merchant Choice。

不同 Agent／Payment System 之間也應該：

Interoperable。

這不是一個很遠的未來

Reuters 提到一個很有意思的數字。

英國零售商：

John Lewis

表示，

來自 AI Agent 的 Search Traffic

一年內已從：

0.3%

增加到：

2.5%。

目前仍然只是少數。

但一年成長超過八倍。

所以銀行現在不是在討論：

2035 年科幻情境。

而是在看：

AI 已經開始真的把人帶進 Shopping Funnel。

下一步自然就是：

Transaction。

Agentic Commerce 真正的分水嶺就是「能不能動錢」

AI 幫你：

整理 Email。

做摘要。

找商品。

都還有一個共同點：

做錯時，

通常可以：

再改。

但是：

付款

是一個完全不同的 Action。

因為一旦完成：

Money Moved。

Order Created。

Contract Formed。

甚至：

個資已交出去。

所以 Agentic Commerce 最重要的功能，

可能不只是：

更會買。

而是：

知道什麼時候一定要停下來問人。

今天三則新聞，其實是同一條線

Claude Opus 5.5 告訴我們：

AI Model 的競爭開始從：

最高能力

變成：

能力／成本比。

Apple 告訴我們：

Compute 的競爭也開始從：

全部租 Cloud

變成：

哪些工作值得搬回 Local。

六家銀行則提醒：

Agent 開始真的採取 Action 後，

競爭不再只是：

誰更方便。

還要問：

誰負責。

所以 AI 走到下一階段，

最重要的三個問題可能會變成：

一件工作到底多少錢？

這件工作到底在哪裡跑？

這個動作到底誰批准？

這三個答案，

可能比模型排行榜本身，

更直接決定 AI 能不能真正進入：

企業。

個人電腦。

以及每天的消費生活。

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

今日 AI 工具｜2026/07/25：Claude Opus 5，適合處理長時間研究、複雜文件與需要反覆檢查的工作

AI 一分鐘教學｜2026/09/09：Muse 要你批准寄信或付款時，先看「這次權限能用多久」

今日 AI 工具｜2026/09/09：Meta Muse，把 Email、旅行與購物交給個人 AI Agent，關掉 App 後還能繼續跑任務