AI 單一任務成本，是完成一件工作（例如解決一張工單、處理一筆理賠）背後的全部模型支出，包括它用到的每一次 API 呼叫、每一次重試和每一次升級。每月的 AI 成本就等於任務數乘以單一任務成本，由此可以看出帳單的成長是來自業務擴張還是來自浪費。
token 數量是工程指標。要判斷一項 AI 工作負載是否划算，管理者 需要的是這項工作本身的成本，並把它和這項工作目前的成本放在一起比較。FinOps 基金會對生成式 AI 也描述了同樣的演進路徑：單位經濟分析往往從每 token 成本起步，再擴展到以結果為導向的指標，例如每次 AI 代理操作的成本或每個被分流案件的成本。
本文介紹如何計算單一任務成本、AI 代理每月要花多少錢、如何設定目標值和上限，以及這個數字為什麼會變動。關於降低它的手段，請參閱如何降低企業的 AI token 成本，工程視角則見 LLM 成本最佳化：12 種技術排名。
什麼是 AI 單一任務成本？
AI 單一任務成本，是您為某一類工作在模型上花的錢，除以這類工作完成的件數。它位於一組指標的頂端，每個指標各自服務於不同的人。
| 指標 | 統計什麼 | 用途 |
|---|---|---|
| 每 token 成本 | 一個單位模型用量的價格 | 比較模型和供應商 |
| 每次 API 呼叫成本 | 一次請求和回應裡的 token | 排除單一步驟的問題 |
| 單一任務成本 | 一件工作背後的全部 API 呼叫 | 預測每月帳單 |
| 單次成功任務的成本 | 總支出除以達標任務數 | 判斷 AI 是否划算 |
最後一列才是需要管理的指標。單次成功任務的成本計入這項工作消耗的一切：
- 任務發出的每一次 API 呼叫，涵蓋 AI 代理執行中的每一個步驟
- 回答失敗或格式錯誤之後的重試
- 升級到更強、更貴的模型
- 人工審核輸出，或接手 AI 轉交過來的任務所花的時間
把這個總數除以達到品質標準的任務數。失敗的執行同樣花了錢，這部分成本會攤到成功的任務上。
怎樣計算 AI 單一任務成本？
從一類任務和一個月的流量著手。下面是一個客服 AI 代理的完整算例，每個假設都寫明了。
| 假設 | 數值 |
|---|---|
| 任務 | 解決一張客戶服務工單 |
| 業務量 | 每月 100,000 張工單 |
| 模型 | Claude Opus 5，每百萬 token 輸入 5 美元、輸出 25 美元 |
| AI 代理執行一次 | 5 次 API 呼叫，輸入 40,000 token，輸出 2,000 token |
| 重新執行 | 每 5 張工單有 1 張需要再執行一次 |
| 由 AI 代理解決 | 80% 的工單達到品質標準 |
價格取自 Anthropic 的定價，截至 2026 年 10 月。輸出數量包含思考 token，因為推理模型把思考部分按輸出計費，OpenAI 的推理指南對其自家模型就是這樣說明的。為了讓算式一目了然，這個例子沒有計入提示快取。
- 執行一次。 40,000 個輸入 token 按每百萬 5 美元計是 0.20 美元，2,000 個輸出 token 按每百萬 25 美元計是 0.05 美元。執行一次花 0.25 美元。
- 一張工單。 每五張工單中有一張要執行兩次，平均每張工單執行 1.2 次，所以成本是 0.30 美元。
- 一張已解決的工單。 當月花費為 100,000 × 0.30 美元 = 30,000 美元。AI 代理解決了 80,000 張工單，所以每張已解決工單的成本是 30,000 美元 ÷ 80,000 = 0.375 美元。
每張已解決工單的成本比執行一次高出 50%，差額全部來自重複的或失敗的工作。造成這個差距的主要是品質，價格的影響反而較小：如果 AI 代理解決的工單從 80% 降到 70%，每張已解決工單的成本會升到約 0.43 美元，而所有 token 的價格都沒有變。
另外 20,000 張工單交給您的客服團隊處理，把 AI 方案與現有流程做比較時，這部分成本會重新算進來。
AI 代理每月要花多少錢？
AI 代理每月的成本，等於每月任務量乘以單一任務成本。在這個例子裡，按 2026 年 10 月的定價，100,000 張工單每張 0.30 美元，每月的 API 呼叫費用是 30,000 美元。同一個 AI 代理處理 10,000 張工單，花費是 3,000 美元；處理一百萬張，花費是 300,000 美元。任何不附帶業務量和單一任務成本的每月數字，都漏掉了決定它的兩個數。
把帳單拆成這兩個數，還能看出它為什麼變了。
要判斷這個 AI 代理是否划算，就把它的成本和同一張工單目前的成本放在一起。從您的客服或營運報表中取出目前由人工處理一張工單的完整成本，記為 H。AI 方案的成本就是：
AI 方案每張工單成本 = 每張工單的 AI 成本
+ 升級給人工 的比例 x H
+ 每張工單的審核時間在這個例子裡，就是 0.30 美元 + 0.2 × H，再加上您對已解決工單保留的抽查。只要 0.30 美元加審核時間低於 0.8 × H，並且品質標準相同，AI 方案就更划算。把您自己的 H 代進去，一行算式就能做出決定，這正是按任務衡量的意義所在。我們關於 AI 代理的人機協作的文章，介紹了這些審核應該放在哪些環節。
如何設定單一任務成本的目標值？
為每一類正式上線的任務設定兩個數：業務據以規劃的目標值，以及由程式強制執行的上限。
| 設定 | 意義 | 負責人 |
|---|---|---|
| 目標值 | 規劃中的單次成功任務成本 | 該任務的業務負責人 |
| 上限 | 單次執行停止前最多能花的錢 | 工程團隊，在程式中強制執行 |
| 檢討頻率 | 何時比對實際值與目標值 | 財務與任務負責人 |
根據目前成本設定目標值。 從上面的比較倒推。如果 AI 方案必須明顯低於目前每張工單的成本才值得切換，這個差額就決定了目標值。在這個例子裡，把目標定為每張已解決工單 0.40 美元，AI 代理以 0.375 美元落在目標之內，但餘裕很小。如果每三張工單就有一張需要再執行一次，而不是每五張一張，每張已解決工單的成本會升到約 0.42 美元，超出目標。
根據典型執行設定上限。 上限是對每次執行的步驟數和 token 數設定的硬性限制，防止陷入迴圈的 AI 代理無限制地花錢。典型執行花 0.25 美元時，把每次執行的上限設為 1.00 美元，既為長工單留出空間，也能攔住失控的執行。觸及上限的執行應當把工單轉給人工。
單次執行的上限和整個團隊的額度相互配合。我們關於為團隊設定 AI token 預算的指南講的是團隊層面，企業 AI 預算規劃指南則說明這些數字在年度計畫中的位置。
AI 單一任務成本為什麼會逐月變動？
單一任務成本的變動有四個來源，每一個都需要不同的訊號才能發現。
| 來源 | 變動的是什麼 | 盯住什麼 |
|---|---|---|
| AI 代理步驟數的波動 | 每次執行的步驟和重送的歷史 | 第 95 百分位數的單次執行成本 |
| 模型變更 | 價格、輸出長度和成功率 | 評估集分數與單次執行成本 |
| 提示詞變更 | 每次 API 呼叫的 token 數 | 每次發布新版後的單次執行成本 |
| 價格變動 | 每 token 的定價 | 您所用每個價格的日期 |
步驟數波動是 AI 代理最特有的來源。 AI 代理每走一步都要重送歷史，所以長的執行要貴得多，而且貴得不成比例。在這個例子裡，假設第一次 API 呼叫傳送 6,000 個 token 的指令和工單內容，每一步增加 1,000 個 token 的歷史，每次 API 呼叫輸出 400 個 token。五步共傳送 40,000 個輸入 token，也就是那次 0.25 美元的執行。十二步的執行要傳送 138,000 個輸入 token、輸出 4,800 個，花費 0.81 美元。步驟數是 2.4 倍，成本卻是 3.2 倍。對應的工程解法見我們的 AI 代理成本最佳化指南。
模型和提示詞的變更會同時改變成本和品質。 把例子中的執行換到 Claude Sonnet 5.5 或 GPT-6.1 Sol（截至 2026 年 10 月，兩者的定價都是每百萬 token 2 美元和 10 美元），一次執行的成本會從 0.25 美元降到 0.10 美元，前提是成功率維持不變，節省才成立。新的模型版本也可能寫出更長的回答，或者解決的任務更少，這兩種情況都會讓單次成功任務的成本上升，即使 token 價格更低。每當模型或提示詞變更時，都要重新跑評估集，並重新計算單次執行成本。
按任務類型報告中位數和一個高百分位數。 平均值會掩蓋昂貴執行的長尾。每個月，為每一類任務報告：
- 完成的任務數和成功率
- 單次執行成本的中位數，也就是典型情況
- 第 95 百分位數的單次執行成本，也就是每二十次執行中最貴的那一次
- 單次成功任務的成本與其目標值的比較
中位數告訴您這項工作通常花多少錢。第 95 百分位數告訴您上限設得是否合適，而它一旦上升，往往就是情況有變的第一個訊號。
擁有自己的模型，單一任務成本會怎樣變化？
對於高流量任務，單一任務成本最大的一項變化，來自用為這項任務訓練的客製化模型來承接它。為單一工作訓練的模型只具備這項工作所需的能力，因此每個任務的服務成本更低。
單一任務成本也會變得更可預測。模型什麼時候更新由您決定：每個新版本只有在通過您的評估集之後才會上線，所以供應商發布新模型時，客製化模型所承接流量的單位成本維持不變。帳單仍然隨業務量變化，而單位成本的變化按照您核准的節奏發生。
這正是 Ertas 透過自適應模型端點所做的事。自適應模型端點是為您的某一項 任務提供的一個 API 端點：起初由前沿模型作答；一個以您的請求和團隊回饋訓練的客製化模型，在通過您的評估集之後接手；困難的案例繼續交給前沿模型。
單一任務成本的下降出現在您核准某個版本的那一天，因此在每月報告裡一眼就能看到。
每個新版本都會先在背景用真實請求執行，未經您核准不會切換。我們會監控模型，並隨著您的任務變化重新訓練。它可以由 Ertas 代管，或部署在您的雲端或地端，模型歸您所有。該端點目前僅限受邀企業使用，我們正在開發一個更精簡的版本，讓更多企業可以接入。
在這個客服例子裡，客製化模型按標準解決的每一張工單，都按它自己的成本計算，取代 0.30 美元的前沿模型執行；它轉交出去的每一張工單，則仍按前沿模型的價格計算。作為量級參考，在我們已發表的 QMSum 研究中，一個 為會議摘要任務訓練的模型，估算服務成本為每次查詢 0.00053 美元，而按同步呼叫定價，Claude Opus 5 為 0.104 美元，GPT-5.6 Luna 為 0.0130 美元；它的回應時間為 0.39 秒，Claude Opus 5 為 9.0 秒。該估算不含訓練成本。每項任務各不相同，所以每一次切換都要等您的評估集通過。關於您自己任務的損益平衡算法，請參閱客製化模型何時比前沿 API 更省錢。
常見問題
AI 單一任務成本的計算公式是什麼？
把某一類任務一個月內每次 API 呼叫的成本加總，包括重試和升級，再除以完成的任務數。計算單次成功任務的成本時，改為除以達到品質標準的任務數，並加上這項工作仍然需要的人工審核時間。
一個 AI 代理每月需要多少預算？
每月成本等於每月任務數乘以單一任務成本。在我們的算例中，按 2026 年 10 月的定價使用 Claude Opus 5 的客服 AI 代理，每張工單花 0.30 美元，所以每月 100,000 張工單的 API 呼叫費用是 30,000 美元。您的數字取決於業務量、模型、每次執行的步驟數以及執行被重複的頻率。
每 token 成本和單一任務成本有什麼區別？
每 token 成本是模型用量 的價格，由供應商決定。單一任務成本是一件工作讓您花的錢，取決於這件工作需要多少 token 和 API 呼叫，以及它成功的頻率。token 價格相同的兩個模型，單一任務成本可能相差很大。
人工審核應該計入 AI 單一任務成本嗎？
應該，計入單次成功任務的成本。檢查輸出、修正輸出和接手轉交任務所花的時間，都是 AI 方案成本的一部分；如果把它排除在外，與現有流程比較時，AI 會顯得比實際更便宜。
token 價格沒變，為什麼我們的單一任務成本上升了？
通常是因為每個任務現在需要更多 token 或更多次嘗試。AI 代理執行變長、提示詞改動增加了上下文、模型版本寫出更長的回答，或者成功率下降，都會在 token 價格不變的情況下推高單一任務成本。第 95 百分位數的單次執行成本和成功率能告訴您是哪一種。
客製化模型能讓 AI 成本固定下來嗎？
客製化模型能讓它所承接任務的單一任務成本更低、更可預測，因為每個新版本都要通過您的評估集才會上線。支出仍然隨業務量成長，交給前沿模型的困難案例也仍按前沿模型的價格計算。
簡短版
按單次成功任務的成本來管理 AI 支出：把一件工作背後的每次 API 呼叫、重試、升級和審核加起來，除以達到品質標準的件數。每月成本就是任務數乘以這個數字。按任務類型報告中位數和第 95 百分位數，為每項任務設定目標值和上限，再為業務量最大的任務配一個自己的模型，讓它的成本更低、更可預測。
如果您已經知道自己的單一任務成本並希望把它降下來，預約通話，我們和您一起梳理。
資料來源：FinOps 基金會：Unit Economics、Anthropic 定價、OpenAI API 定價和 OpenAI 推理指南。價格核實於 2026 年 10 月 6 日。