摘要： Cohere 在 2026 年 10 月 15 日發表的文章，系統性整理了企業在預測和量測 AI ROI 時會遇到的陷阱。對產品團隊來說，這篇文章的價值不在公式本身，而在它點出哪些成本和收益容易被漏算、哪些簡化比較會誤導決策。
為什麼 AI 的帳特別難算
ROI 公式本身很簡單：（財務收益 − 總成本）÷ 總成本 × 100。難的是把哪些數字放進分子和分母。Cohere 由產品行銷經理 Ariana Milligan 撰寫的這篇文章指出，AI 投資有幾個特性讓量測變得棘手。
第一，單位經濟會浮動。在生成式和 agentic AI 應用裡，完成同一個任務的成本取決於上下文長度、推理量和模型與工具呼叫次數；agent 系統還可能用不同步數、重試次數去執行「同一件事」。第二，規模會改變經濟結構：用量上升推高變動成本，但也可能先提升既有產能的利用率，而 pilot 階段的單位成本未必能外推到 production 規模。
模型選擇與部署方式的取捨
Cohere 提到一個值得產品團隊注意的做法：cost-aware model routing——讓應用接到多個模型，把每個任務導向符合效能要求的最低成本模型。部署方式的選擇同樣重塑成本結構：用量低或需求不穩時，按用量計費的 managed service 比較省；高且穩定的工作負載用專屬產能的單位經濟更好，但需求不均時可能付了錢卻閒置。而且成本往往不是唯一考量，延遲、資料落地、安全和營運控制權都會先篩掉幾個選項。
另外兩個常見盲點：一是為了達到 production 級品質與可靠度，需要監控輸出一致性、跑自動驗證、把高風險案例送到人工審查，這些都是模型推論成本之外的開銷；agentic 系統的評估範圍還要涵蓋執行過程的工具呼叫序列。二是任務層級的效率提升可能誇大企業層級的價值——如果瓶頸在流程的下一步，加速單一任務只是把堵點搬走。
三個讓估算站得住腳的做法
Cohere 給出的務實建議可以歸納成三件事：
- 把流程改善轉成財務數字時，先確認因果。 簡單的前後比較可能被同時發生的其他變化污染（例如需求剛好上升）。A/B 測試、分批推出、或比較有無使用 AI 的相似團隊，才能把功勞算給 AI。
- 算出 production 的完整成本。 模型推論成本最顯眼，但基礎設施、整合、監控、人工審查和工程支援都該算進去——尤其是藏在既有 IT 或營運預算裡的部分。
- 對 production 情境做壓力測試。 變動用量、工作負載組合和財務假設，看哪個因素最敏感、商業案例在哪裡會崩。也應該在多個時間軸上建模，因為 AI 投資常是前期重投入、收益後到，但拉太遠預測又不可靠。
這套思路和我之前寫過的 Cohere 對 agent 團隊成本編制的拆解（把錢花在刀口上）是同一脈絡：成本可控的前提，是先知道錢花在哪個環節。
給產品團隊的落點
對正在規劃或已上線 AI 功能的團隊，最實際的一步是在商業案例階段就把假設寫清楚、可被檢驗——而不是等到向管理層報告時才補數字。Cohere 也提醒，ROI 分析不是一次性的門檻測驗，而是隨著模型能力和成本變化，決定哪些用途該擴大、重新設計或縮減的持續工具。短期內，先把你目前估算裡「看不見的成本」列一張清單，通常就是最直接的改進起點。