作者：Appier 執行長暨共同創辦人 游直翰
【台灣，台北－2026 年 9 月 1 日】今年春天，矽谷一度流行一個詞：「Tokenmaxxing」，也就是盡可能提高 Token 用量，甚至把用量視為 AI 採用程度與生產力的象徵。
那陣子看著這些討論，我心裡浮現一個很直接的問題：Token 用得愈多，真的代表產出愈高嗎？
如果把 AI Agent 想像成一名員工，Token 就像企業付給它的薪水。但薪水比較高，不代表工作成果一定比較好。同樣地，Token 用量本身也無法說明 AI 創造了多少價值。在 Appier，我們更關注的是：它花了多少 Token、完成了哪些任務，又帶來了什麼結果？
當部分科技企業的 Token 用量與支出快速劇增，甚至有企業在 4 個月內用完一整年的預算，《Fortune》也在今年 5 月指出，Tokenmaxxing 的熱潮正在退去。這不代表企業應減少使用 AI，而是不能再把 Token 用量直接等同於生產力。
真正需要注意的，不只是用量增加或帳單變高，而是 Token 的消耗是否與任務目標、產出品質及商業成果脫鉤。因為企業衡量什麼，往往就會引導員工追求什麼，這將決定一家企業的 AI 文化。如果把「Token 用得多」當成成功指標，就可能鼓勵與實際價值無關的使用行為。追蹤錯誤的指標，通常也會帶來錯誤的行為。
Appier 一直是一家重視 ROI（Return on Investment，投資報酬率）的公司。我們希望客戶的每一筆支出都能創造回報，也希望公司內部的每一項投入都能被驗證。
但 AI 的效益究竟要怎麼計算？這確實不容易，我們在過程中也持續摸索與調整。
企業導入 AI 的共同難題：效益該怎麼算？
我的建議是，先區分這筆 AI 投入的主要目標：是降低成本，還是增加營收？
降低成本相對容易衡量。以軟體專案為例，導入 AI 後，在工作範圍與品質要求不變的情況下，完成專案所需的總工時理論上應該下降。
假設一項專案原本需要 3 位工程師投入 8 週，導入 AI 後縮短至 6 週，相當於節省 6 個工程師週。若以企業實際的人力成本換算，實際金額可根據工程師職級與企業的成本計算方式。另一方面，再對照這段期間增加的 Token、軟體訂閱與系統建置成本，就可得知效益轉換的幅度。
真正應該比較的是這兩項增量：為了導入 AI 多花了多少錢，又實際減少了多少成本。
若直接拿 Token 帳單與整個團隊原有的薪資相比，AI 看起來通常都很划算，卻無法真正判斷它所帶來的增量效益。只有當新增投入低於實際降低的成本，而且產出品質沒有下降，這筆投資才有充分的商業依據。
增加營收則需要拆成不同階段來看。
以業務團隊為例，企業導入 AI 提升業務生產力，最終目標可能是增加營收，但不適合一開始就只看營收數字。第一階段可以觀察業務每天能接觸或服務的客戶數是否增加；第二階段看商機轉換率是否提高；到了第三階段，再檢視營收與客戶價值是否有所成長。
每個階段都需要相對應的指標，這取決於企業本身的營運流程與產業知識，很難用一套公式套用在所有公司身上。
有能力進一步投入的企業，還可以建立更完整的 AI 治理與成效追蹤機制。
Appier 內部有一套 LLM Gateway。它最初的目的很單純，是集中管理費用與資訊安全；之後逐步發展成整合 AI 工具、模型調用、使用情境與成效追蹤的平台，幫助我們了解：誰在使用、用在哪一項任務、花了多少 Token，又產生了什麼結果。
當成本與商業指標能放在同一套衡量架構中，每一筆 AI 支出就能對應到相關 KPI。各項專案也可以持續追蹤成本、成功率、使用者滿意度、完成時間與營收影響。
以技術團隊為例，真正的衡量標準不是使用了多少 Token，而是 AI 是否縮短開發時間、提升軟體品質，或降低錯誤率與重工成本。
衡量本身也是一種企業文化。AI 效益確實不容易計算，但如果因為難算就不衡量，企業很難知道下一步該如何改善。只要開始建立基準與紀錄，後續的估算通常就會一次比一次準確。
不是限制 Token，而是讓資源用在更有價值的地方
衡量 Token 的消耗與產出，並不等於踩剎車，企業也應避免因為短期用量增加就限制員工使用 AI 工具。
以 Appier 為例，如果發現 Token 用量異常增加，我們會邀請具備相關經驗的同事一起了解使用情境，透過診斷與檢視使用模式，找出成本增加的原因，並協助團隊尋求更好的作法，更有效地完成任務。
這篇文章談了許多成本與衡量，但目的並不是減少 Token 用量，過度節制與盲目擴張，同樣會讓企業錯失機會。
Token 不需要被最大化，也不應該一味被最小化，而是應該被最佳化。
以開發 AI 產品為例，在早期探索階段，不宜過早限制模型使用。這個階段的首要目標，是在相對自由的環境中，快速驗證哪些任務具有可行性、哪些產品體驗能為使用者帶來價值。若太早以成本為主要考量，可能還沒充分理解技術能力，就先限制了創新的空間。
但在 AI 產品準備正式上線前，就應進行另一輪模型與成本最佳化。團隊可以檢視原本由高成本模型完成的任務，是否能改由較精簡或成本較低的模型處理；再透過測試、微調與品質驗證，確認能否維持相近的效果。產品上線後，也需要依照真實使用情況持續調整。
這並不是 AI 時代才出現的新方法。過去開發 App 或軟體產品時，團隊同樣會先驗證創意與可行性，再回頭改善系統效能與營運成本。關鍵在於，成本最佳化必須成為產品生命週期的一部分，而不是等到帳單大幅增加後才開始處理。
至於採用固定月費 AI 工具的企業，不管使用量多少，訂閱制的錢都是要付的，因此最需要做的事情，就是想辦法把產出拉到最大，讓已經支付的訂閱費用創造更高價值。
最後，我認為，所有與 AI、Agent 和 Token 相關的討論，都應該回到一個基本問題：AI 是否在實際應用中創造了正向回報？
只有當應用端持續產生價值，企業才有理由擴大投入，模型研發與運算基礎設施等硬體投資也才有支撐。
因此，AI 競爭的下半場，比的就是誰能把每一單位 Token 變成真正的回報。
###
關於 Appier
Appier（TSE：4180）是一家 AI 原生的 Agentic AI 即服務（AaaS）公司，透過最先進的廣告科技（AdTech）與行銷科技（MarTech）解決方案，協助企業制定更明確的商業決策。創立於 2012 年，Appier 秉持 Making AI Easy by Making Software Intelligent 的願景，致力透過旗下的廣告雲（Ad Cloud）、個人化雲（Personalization Cloud) 及數據雲（Data Cloud）解決方案，幫助企業將 AI 轉化為可衡量的投資報酬。Appier 目前在亞太、美國與 EMEA 地區設有 17 個據點，並於東京證券交易所 Prime 板上市。欲了解更多資訊請參閱 www.appier.com。欲了解更多投資人關係資訊，請造訪 ir.appier.com/en。