AI軟體與機房同步擴張，誰能把算力成本變成獲利？

 

Dreamforce現場顯示，企業仍在消化既有AI工具

今年舊金山Dreamforce會場裡，Salesforce執行長Marc Benioff與Anthropic、OpenAI、Nvidia(NVDA)高層討論模型安全與開發速度。企業使用者面對的日常課題更務實：現有AI功能如何接進銷售、客服與內部流程。

芝加哥一家零售數據公司的Salesforce主管觀察，許多客戶仍處於初步導入階段。SummitX也指出，前沿模型的能力已超過多數企業目前需求，去年推出的模型足以處理大量銷售及客服工作。企業導入速度落後模型迭代速度，因此短期採用率未必會隨模型能力同步上升。

G2創新長Tim Sanders的說法更直接。許多自主代理型AI應用，也就是能自行拆解任務並呼叫工具的系統，使用前一代模型便能完成工作。成敗取決於資料品質、流程整合與既有SaaS系統能否順利串接。

系統整合商Nagarro甚至會在前沿模型發布後等待約三個月，等工具鏈與生態系較穩定再評估。對企業IT部門而言，穩定性、合規與切換成本都有實際門檻。Salesforce推出的Claudeforce整合方案，因而比單純提升模型規格更貼近客戶當下需求。

 

Token計價讓SaaS毛利率面臨重新分配

傳統SaaS採固定訂閱費，新增使用量帶來的邊際成本很低，毛利率常見80%至85%。生成式AI改變了這套經濟模型。模型通常按照token計費，一個token約等於四分之三個英文單字，每次詢問、摘要與自動回覆都會產生運算成本。

當AI代理被大量使用，供應商的成本會跟著客戶活動增加。Sanders估計，廣泛導入AI代理後，SaaS毛利率可能降至約45%。軟體收入開始附帶明顯的變動成本，原本靠高毛利支撐的估值框架也會受到挑戰。

這裡牽涉三個商業選擇。廠商可以提高訂閱價格、限制內建AI額度，或依任務複雜度採差別計價。另一條路是投入較便宜的模型與路由系統，用工程效率換取毛利率。每種做法都伴隨取捨：漲價可能壓抑採用量，額度限制會影響體驗，自建模型則需要額外研發支出。

投資SaaS公司時，營收成長已不足以單獨解釋經營品質。每位客戶的AI使用量、推論成本、定價調整及毛利率走勢，會逐步成為更有用的營運指標。若AI功能帶來更高續約率與客單價，增加的運算成本仍可能被吸收；若使用量快速成長、付費能力卻沒有跟上，現金流就會承壓。

 

模型路由決定高階算力用在哪些任務

Docusign採取多模型架構，同時導入前沿模型與開放權重模型。複雜條款分析、多文件推理等高難度工作，交由成本較高的模型處理；一般摘要與結構化文字，則分配給價格較低的模型。

這套模型路由機制很像半導體製程中的分級配置。高階製程留給需要密度與效能的晶片，成熟製程承接成本敏感型產品。軟體公司也開始按照任務難度配置算力，避免每次呼叫都使用昂貴模型。模型選擇逐漸成為毛利率管理工具。

雲端聯絡中心業者Nice也認為，現有模型足以滿足多數客戶需求，管理焦點落在效能與成本平衡。Databricks採取更積極的路線，向3,500名工程師開放OpenAI的GPT-6 Astra，利用高階模型處理高度複雜任務。

兩家公司反映出不同風險偏好。Docusign強調分流與成本控制，Databricks願意在複雜工作上投入更多token支出。後續要看高階模型能否縮短開發時間、提升產品價值，並轉化成足以覆蓋成本的收入。

 

推論需求帶動20至30兆瓦小型機房

Anthropic與OpenAI過去一年簽下多筆數百兆瓦、甚至千兆瓦級資料中心合約，同時也在英國、北歐與美國尋找20至30兆瓦的小型據點。OpenAI將這套方式稱為多元化運算組合，依效能、可靠度、交付時程與成本分配工作負載。

大型園區需要土地、電力、冷卻系統與長期建設。既有供電場址若能快速提供數兆瓦容量，便可先承接部分推論需求。推論工作能分散運作，多個小型部署累積後，同樣可以形成可觀算力。AI機房需求正朝大型園區與分散節點並存發展。

JLL預估，到2030年，推論將占全球資料中心容量37%，訓練約占13%。若這項預估逐步兌現，資料中心投資會從集中式超級叢集，延伸至更接近使用者、建置週期較短的節點。

Crusoe在替OpenAI建設德州大型園區之外，也開始布局較小、完工速度較快的機房。Nvidia則與合作夥伴研究適合分散式推論的小型資料中心架構。對供應鏈而言，需求仍涵蓋GPU、網路、電力與散熱，只是專案規模、交付節奏及地理分布會更零碎。

 

投資判斷回到定價能力與基礎設施效率

SaaS公司的觀察主軸是定價能力。AI功能若能提高客單價、續約率與工作效率，token成本仍有機會轉嫁；若產品差異有限，供應商只能自行吸收推論費用，毛利率便可能向45%靠攏。模型路由、自建模型與用量分級，將直接影響獲利韌性。

Microsoft(MSFT)、Nvidia及資料中心業者站在成本鏈的另一端，受惠於企業持續購買算力。護城河能否擴大，仍要看供電容量、建置速度、軟硬體整合與每單位算力效益。大型訓練叢集與小型推論節點同時擴張，也會考驗資本支出配置。

目前可以確認的是，生成式AI已經同時改寫軟體收入、變動成本與基礎設施投資。企業未必需要每一代最強模型，卻需要更精準地配置每一次運算。能把AI價值轉成收入並守住毛利率的公司，才有機會在這輪算力擴張中累積長期優勢。