[{"data":1,"prerenderedAt":449},["ShallowReactive",2],{"blog-\u002Fblog\u002Fai-cost-for-smb":3},{"id":4,"title":5,"body":6,"date":436,"description":437,"extension":438,"meta":439,"navigation":440,"path":441,"seo":442,"stem":443,"tags":444,"__hash__":448},"blog\u002Fblog\u002Fai-cost-for-smb.md","企業導入 AI 到底多少錢？一個 LINE Bot、一套知識庫、一個客服的真實成本拆解",{"type":7,"value":8,"toc":411},"minimark",[9,14,18,31,39,42,49,53,59,62,69,74,77,80,86,90,96,99,105,118,124,128,131,134,140,144,147,158,165,171,175,181,185,191,194,201,207,211,218,221,228,232,235,242,245,249,255,258,278,281,287,290,294,305,311,315,322,325,331,335,341,347,351,354,381,387,391,398,401,408],[10,11,13],"h2",{"id":12},"你被報過三種價每種差一個零","你被報過三種價，每種差一個零？",[15,16,17],"p",{},"如果你最近有在評估 AI 導入，很可能遇過這種情況：",[19,20,21,25,28],"ul",{},[22,23,24],"li",{},"問第一家，報 3 萬塊，「用 API 接一下就好」。",[22,26,27],{},"問第二家，報 30 萬，「要建向量資料庫、做 RAG、搞 fine-tuning」。",[22,29,30],{},"問第三家，報 300 萬，「企業級部署、on-premise、專屬模型」。",[15,32,33,34,38],{},"你聽完三家的提案，有一種很熟悉的感覺——",[35,36,37],"strong",{},"他們講的好像是同一件事，但報價差一百倍，你完全不知道差在哪","。",[15,40,41],{},"這不是你的問題。這是因為「AI 導入」這四個字實在太寬，可以指很多完全不同規模的東西。",[15,43,44,45,48],{},"這篇文章不教你怎麼選廠商，而是",[35,46,47],{},"把 AI 的成本結構拆開","，讓你下次聽到任何報價時，知道對方在算什麼、漏算什麼、哪些數字會騙你。",[10,50,52],{"id":51},"先分清楚ai-成本不是一個數字是四層","先分清楚：AI 成本不是一個數字，是四層",[15,54,55,56,38],{},"我看過太多中小企業老闆，把 AI 成本理解成「買一套系統要多少錢」。這個直覺對了一半——",[35,57,58],{},"真正會讓你意外的，是另一半",[15,60,61],{},"AI 系統的成本有四層，任何報價單只算前一層就是不負責任：",[15,63,64],{},[65,66],"img",{"alt":67,"src":68},"AI 成本四層結構","\u002Fblog\u002Fimages\u002Fai-cost-breakdown.svg",[70,71,73],"h3",{"id":72},"第一層一次性建置成本","第一層：一次性建置成本",[15,75,76],{},"這是最直觀的那一層。開發工程師的工時、系統整合、上線測試、教育訓練。",[15,78,79],{},"小規模的 LINE Bot 客服從幾萬到十幾萬不等，一套完整的企業知識庫（RAG）大概二十到八十萬，看資料量和客製程度。",[15,81,82,85],{},[35,83,84],{},"這層很好比價，但也最不重要","。因為它是一次性的——重點在後面三層。",[70,87,89],{"id":88},"第二層持續運行成本最容易被漏算","第二層：持續運行成本（最容易被漏算）",[15,91,92,93,38],{},"AI 不是買回來就結束。每一次它回答問題、查資料、生成內容，都在",[35,94,95],{},"燒錢",[15,97,98],{},"燒的是什麼？主要是 LLM 的 API 費用。每次你問它一個問題，都要把「歷史對話 + 你的問題 + 知識庫片段」打包送到 OpenAI 或 Anthropic，他們按 token 計費（token 大概是「字」的概念）。",[15,100,101,104],{},[35,102,103],{},"這層的數字會讓你冷汗直流","：",[19,106,107,110,113],{},[22,108,109],{},"一個設計不好的 RAG 系統，每次問答可能花 5-30 元台幣",[22,111,112],{},"一個設計好的，0.3-3 元",[22,114,115],{},[35,116,117],{},"兩者差 10 倍不是誇張，是常態",[15,119,120,121,38],{},"如果你的客服系統每天有 500 則對話——設計好的版本一個月 5,000 元，設計不好的一個月 50,000 元。",[35,122,123],{},"光這一層的差距，三個月就買下一次整套系統了",[70,125,127],{"id":126},"第三層維護成本長尾但真實","第三層：維護成本（長尾但真實）",[15,129,130],{},"AI 不是裝好就永遠對。資料會過期、客戶會問你沒教過的問題、prompt 需要微調、API 廠商會改價、新版模型會換介面。",[15,132,133],{},"持續有人盯這件事 = 成本。沒人盯 = AI 變蠢，然後你覺得被騙了。",[15,135,136,137,38],{},"中小企業常見的做法是「請原廠商按月維護」，一個月大概 5,000-30,000 元。這筆錢看起來不多，但",[35,138,139],{},"三年累積下來常常比一次性建置費還高",[70,141,143],{"id":142},"第四層失控風險最容易被忽略的地雷","第四層：失控風險（最容易被忽略的地雷）",[15,145,146],{},"這層不在報價單裡，但會炸最大。",[15,148,149,150,153,154,157],{},"最有名的案例：一個工程師設定 AI agent 幫他安裝 Python 套件，結果一個步驟失敗了，",[35,151,152],{},"agent 連續重試了 6 小時","，工程師在睡覺沒察覺。隔天起床發現 ",[35,155,156],{},"$120 美金的帳單","（約 3,800 台幣）——全部燒在一個永遠不會成功的錯誤迴圈上。",[15,159,160,161,164],{},"這不是極端案例，是",[35,162,163],{},"任何沒設上限的 AI 系統都可能發生的事","。對企業來說風險更大：如果是你的 LINE Bot 系統，可能一個奇怪的訊息就觸發無限迴圈，一個晚上燒掉半個月預算。",[15,166,167,170],{},[35,168,169],{},"報價單裡有沒有寫這個風險的防護機制","（失敗三次停止、每日預算上限、異常警報），是判斷廠商專業度最快的方式。沒寫 = 沒做。",[10,172,174],{"id":173},"為什麼同一個功能成本可以差-10-倍","為什麼同一個功能，成本可以差 10 倍",[15,176,177,178,38],{},"前面提到 RAG 問答成本可以差 10 倍——這不是誇張。差別不在模型貴不貴，",[35,179,180],{},"在架構怎麼設計",[70,182,184],{"id":183},"關鍵一多模型路由","關鍵一：多模型路由",[15,186,187,188,38],{},"現在主流的 LLM 廠商（Anthropic、OpenAI）都有三層模型：便宜快、中等、旗艦。差距是多少？",[35,189,190],{},"旗艦模型的 token 價格大約是便宜模型的 12-15 倍",[15,192,193],{},"笨的做法：所有任務都用旗艦模型，「這樣品質最好」。",[15,195,196,197,200],{},"聰明的做法：",[35,198,199],{},"把一次大任務拆成多個小任務","。例如「判斷客戶在問什麼分類」用便宜模型（幾毛錢），「生成回答」用中等模型（幾塊錢），「處理很刁鑽的客訴」才升級旗艦模型（幾十塊錢）。",[15,202,203,204,38],{},"同樣一個客服系統，這個拆法可以讓 90% 的對話跑便宜模型，只有 10% 用中等、1% 用旗艦。",[35,205,206],{},"總成本壓到原本的 1\u002F10",[70,208,210],{"id":209},"關鍵二prompt-caching重複-prompt-的折扣機制","關鍵二：Prompt Caching（重複 prompt 的折扣機制）",[15,212,213,214,217],{},"LLM 廠商現在普遍提供 prompt caching——",[35,215,216],{},"如果你的 prompt 開頭有一大段重複內容","（例如系統設定、公司背景、SOP），這段可以被快取，第二次之後只收 10% 的費用。",[15,219,220],{},"這不是小事。一個客服 bot 的系統 prompt 常常有 5,000 字，如果沒用 caching，每次對話都在付這 5,000 字的錢。用了 caching，同一個 prompt 的第二次到第 N 次對話只付 10%。",[15,222,223,224,227],{},"做跟不做，",[35,225,226],{},"差一個零","。很多廠商的報價沒把這算進去，因為他們的工程師根本沒實作。",[70,229,231],{"id":230},"關鍵三context-瘦身","關鍵三：Context 瘦身",[15,233,234],{},"一個常見的誤區：「既然 AI 有大 context window，那就把整個資料庫都丟進去，讓它自己找答案」。",[15,236,237,238,241],{},"這是",[35,239,240],{},"最貴的蠢做法","。你每次問問題都在付「整個資料庫」的 token 費用。",[15,243,244],{},"正確做法是用 RAG——先用搜尋技術找出「可能相關的 5-10 段內容」，只把這幾段送進 LLM。一樣的功能，token 用量可以壓到 1\u002F50 以下。",[10,246,248],{"id":247},"我自己的-line-bot-每則回覆多少錢","我自己的 LINE Bot 每則回覆多少錢？",[15,250,251,252,38],{},"你現在正在看的這個網站，底下那個「加 LINE 諮詢」的 AI 助手，就是我自己做的。",[35,253,254],{},"每一則 AI 回覆，實際成本大約 0.3 到 15 元台幣之間",[15,256,257],{},"差距這麼大是因為：",[19,259,260,266,272],{},[22,261,262,265],{},[35,263,264],{},"短問題 + 簡單回答","：約 0.3-1 元。例如「你會做 LINE Bot 嗎」。",[22,267,268,271],{},[35,269,270],{},"複雜諮詢 + 要去查多篇筆記","：約 3-8 元。例如「幫我比較 Notion、Confluence、RAG」。",[22,273,274,277],{},[35,275,276],{},"深度技術討論 + 多輪對話","：約 8-15 元。例如「我想導入 RAG 到公司，從哪裡開始」。",[15,279,280],{},"每則對話我都設了上限（maxBudgetUsd），超過就自動停止，避免意外燒錢。",[15,282,283,286],{},[35,284,285],{},"這不是對話本身貴，是這個設計讓我能睡得安穩","。沒有上限的系統，我不敢真的讓它跑在 24 小時在線的客服上。",[10,288,289],{"id":289},"中小企業最常被誤導的三件事",[70,291,293],{"id":292},"第一訂閱制跟-api-計費混淆","第一：訂閱制跟 API 計費混淆",[15,295,296,297,300,301,304],{},"Claude、ChatGPT 等個人版是",[35,298,299],{},"訂閱制","（一個月多少錢吃到飽），但企業導入用的是 ",[35,302,303],{},"API","，按每次請求計費。兩個是完全不同的計費邏輯。",[15,306,307,308,38],{},"很多廠商跟你說「我們用的是 ChatGPT」，但給你的報價是按次數算的——那就是在跑 API，不是訂閱版。如果你的日對話量很大，",[35,309,310],{},"API 計費可能比訂閱貴幾十倍",[70,312,314],{"id":313},"第二旗艦模型才有效果的迷思","第二：「旗艦模型才有效果」的迷思",[15,316,317,318,321],{},"不一定。大部分客服問題、知識庫查詢、內容分類，",[35,319,320],{},"中等模型的品質已經足夠","，使用者感受不到差別。",[15,323,324],{},"旗艦模型真正有效果的場景是：複雜的邏輯推理、長文創作、多步驟規劃。這些在中小企業 AI 應用裡，佔比其實不到 10%。",[15,326,327,328],{},"廠商如果跟你強調「我們用最強的模型」當賣點，先問：",[35,329,330],{},"為什麼需要？能不能拆解成多模型路由？",[70,332,334],{"id":333},"第三沒算進維護成本","第三：沒算進維護成本",[15,336,337,338,38],{},"建置報價 30 萬聽起來很合理，但每月維護 2 萬，三年下來就是 72 萬，",[35,339,340],{},"總成本超過建置費的 3 倍",[15,342,343,344,38],{},"簽約前一定要問：「三年 TCO（總體擁有成本）大概多少？」如果對方答不出來或拒絕估算，",[35,345,346],{},"代表他們自己也沒想清楚",[10,348,350],{"id":349},"決策框架四個問題","決策框架：四個問題",[15,352,353],{},"在接受任何 AI 導入報價前，強迫對方回答這四題：",[355,356,357,363,369,375],"ol",{},[22,358,359,362],{},[35,360,361],{},"每次 AI 回應的 API 成本大概多少？算過嗎？"," 答不出來或說「很便宜啦」→ 沒算過。",[22,364,365,368],{},[35,366,367],{},"你有做 prompt caching 和多模型路由嗎？"," 答不出來 → 你會付冤枉錢。",[22,370,371,374],{},[35,372,373],{},"如果 AI 進入無限迴圈或異常重試，有什麼保護機制？"," 沒有 → 你有機會看到 $120 帳單，只是不知道哪天。",[22,376,377,380],{},[35,378,379],{},"三年 TCO 預估是多少？"," 答不出來 → 他們只想賣你建置費，後面不關他們的事。",[15,382,383,384,38],{},"一個專業的 AI 導入報價，這四題都該有答案。如果對方含糊帶過，",[35,385,386],{},"換一家",[10,388,390],{"id":389},"想知道你那個案子大概多少錢","想知道你那個案子大概多少錢？",[15,392,393,394,397],{},"AI 導入沒有標準價，但一定有合理價。合理價的前提是",[35,395,396],{},"先把你要解決的問題講清楚","——不是「我要導入 AI」這種太大的題目，而是「我想讓客戶在 LINE 上能自助查詢訂單狀態」這種具體場景。",[15,399,400],{},"題目越具體，估算越準。",[15,402,403,404,407],{},"如果你正在評估要不要導入，或手上已經有幾份廠商報價想對照一下——加這個網站的 LINE 跟我聊聊。",[35,405,406],{},"描述你的場景和目前聽到的報價","，我可以幫你算個大概合理範圍，告訴你廠商是不是漏算了哪一層。",[15,409,410],{},"通常聊十分鐘，你就知道這個案子該花 3 萬、30 萬、還是根本不用花錢先用現成工具測試看看。",{"title":412,"searchDepth":413,"depth":413,"links":414},"",2,[415,416,423,428,429,434,435],{"id":12,"depth":413,"text":13},{"id":51,"depth":413,"text":52,"children":417},[418,420,421,422],{"id":72,"depth":419,"text":73},3,{"id":88,"depth":419,"text":89},{"id":126,"depth":419,"text":127},{"id":142,"depth":419,"text":143},{"id":173,"depth":413,"text":174,"children":424},[425,426,427],{"id":183,"depth":419,"text":184},{"id":209,"depth":419,"text":210},{"id":230,"depth":419,"text":231},{"id":247,"depth":413,"text":248},{"id":289,"depth":413,"text":289,"children":430},[431,432,433],{"id":292,"depth":419,"text":293},{"id":313,"depth":419,"text":314},{"id":333,"depth":419,"text":334},{"id":349,"depth":413,"text":350},{"id":389,"depth":413,"text":390},"2026-04-11","被報過三種價、每種差一個零？AI 導入的成本不是一個數字，是一個結構。把建置、運行、維護、失控風險四層拆給你看，附真實帳單和一個 $120 過夜災難案例。","md",{},true,"\u002Fblog\u002Fai-cost-for-smb",{"title":5,"description":437},"blog\u002Fai-cost-for-smb",[445,446,447],"ai","smb","cost","T3p0yhLj2x9E45g2JwH1QqoWejn2nbK-SNZP9bA6K2E",1785903592272]