「開什麼玩笑？就你這破系統？每年還敢收我 10 萬？！」

主管會議室的門沒關緊，長官那聲夾雜著驚愕與被羞辱的咆哮，硬生生穿透走廊，在中控室與辦公區之間迴盪。

桌上攤著的是系統整合商送來的年度原廠保固維護單。白紙黑字，續約費用：十萬元整。長官指著螢幕的手氣得微微發抖，對著承辦同仁劈頭蓋臉就是一頓質問：

「這套系統去年整整一年，到底幫我們多賺了多少錢？省了多少工時？你現在跑來跟我說，光是讓它繼續開著機，每年就得平白無故給廠商奉上 10 萬？！」

現場一片死寂，沒有人答得出來。

時針撥回一年前，這裡完全是另一副光景。專案驗收那天，同一間會議室裡開著香檳、切著蛋糕，長官笑得合不攏嘴，背後投影幕上大字打著「智慧轉型、成功落地」。大家開心地合照、剪綵、握手，以為任務已經圓滿殺青；殊不知在資產負債表上，這才是真金白銀合法放血的起點。

伺服器插上電、機房冷氣轟鳴、指示燈整排亮起，系統正式跨進漫長的維運期。在冷氣房裡，它只要每「呼吸」一秒，都在無聲地燃燒著電費、折舊、算力與合約授權。

直到那張 10 萬元的續約帳單遞到桌前，冰冷刺骨的財務算盤才被重重砸在每個人臉上：
這套 AI 每年擠出的真實效益到底有沒有 10 萬？

如果每年的增量效益只有 5 萬、8 萬，系統越努力運轉，公司就虧損得越快——這不叫轉型升級，這叫躺在加護病房裡靠打維生點滴維持心跳。

網路上流傳著一張關於 持有總成本（Total Cost of Ownership, TCO） 的經典冰山圖。專案推動時，所有人眼裡看見的，永遠只有露在水面上那塊晶瑩剔透的冰山尖角——單純的效益預估、決策提速、節省工時；大家不看維護、不看支出、不看稅前稅後，回收年限亂算一通。沒有人願意低頭看一眼沉在水面下的龐大暗礁：硬體老化、授權續約、算力消耗，以及現實世界無情砸來的剛性帳單。

大水池幻覺：當生成式 AI 撞上「使用者付費」

類似的荒謬劇，現在正以更光鮮亮麗的形式在全台各大企業上演——生成式 AI（GenAI）當道。

改圖出神入化、文案一鍵生成、會議摘要秒級產出，每個人在內部平台都玩得不亦樂乎，專案結報上的使用量曲線節節高升、一片欣欣向榮。不用管成本，大家當然都用得很開心。

但這一切繁榮，本質上都建立在「公有大水池」的幻覺之上。背後的算力硬體折舊、雲端 API 與 Token 消耗，通通被塞進了資訊處或總經理室的公共預算（大水池）裡，使用者完全沒有任何成本感知。

不妨做個殘酷的心理實驗：如果明天起，公司宣布落實「內部利潤中心制／使用者付費（Chargeback）」：

• 叫 AI 改一張行銷宣傳圖，扣你部門預算 5 塊；

• 產一份週報會議摘要，扣你部門預算 15 塊；

• 調用一次企業知識庫 Agent 解答，扣你部門預算 50 塊。

你說，到了下午還有多少人會點開那個系統介面？

當「虛榮的便利」撞上「真實的成本」，九成號稱高頻使用的專案會在瞬間現出原形。大家會驚訝地發現：原來自己花兩分鐘打字、隨手上免費圖庫挑照片，根本不用讓部門承擔這筆冤枉錢。只要大水池的水閥一關，邊際效益根本追不上算力花費的真相，便再也遮掩不住。

殺雞用牛刀：從餛飩攤到工廠的百萬產品

把場景拉回最質樸的經營現場：
巷口餛飩攤的老闆，平時偶爾會遇到「叫不到麵皮」或者「肉餡備太多酸掉報廢」的痛點，於是聽信了數位轉型的時髦名詞，砸錢請人寫了一套時間序列與天氣預測的「智慧進料庫存模型」。

演算法上線後，確實展現了科技威力：它把每個月肉餡報廢的損失，從 3,000 元降到了 1,500 元——實質替攤子省下了 1,500 元。但為了維持這套系統每天運作，雲端伺服器與資料庫連線費，每個月固定帳單是 8,000 元。這就是標準的殺雞用牛刀。

你以為這只是街邊小販的笑話？走進產值幾百億的大工廠，關掉燈打開各產線的分戶帳本，一模一樣的荒謬劇每天都在換皮上演。

在製造業龐大的產品組合裡，有些邊緣產品或小產線，一整年的營業額也就百來萬，毛利甚至只有十幾萬。結果專案團隊興致勃勃地跑進去，開口閉口就是邊緣運算、視覺檢測、深度學習模型，建置加上每年的軟硬體維護也要百來萬。你說做個 AI 案件要百萬，去救一個年營收百來萬的產品？用腳趾頭想也知道完全不可能！

這時候，該思考的絕對不是「怎麼把演算法寫得更精簡」，而是徹底轉向其他維度：

• 這種小量產品，回歸最傳統的安全庫存公式或老式 Excel 試算，成本是不是幾乎為零？
• 如果真要自動化，能不能直接用幾千塊的光電開關加計數器做基礎防呆，何必非得動用神經網路？
• 或者，乾脆大方承認：這個問題根本輪不到演算法來插手，多打一通電話確認原料排程就解決了。

這也解釋了為什麼顧問與整合商在推案時有一道難以啟齒的罩門。

傳聞 BCG 在管理諮詢中曾做過「輔導效益來自業主真實利潤分成」的對賭。**顧問敢跟業主對賭利潤的前提，是那叫「採購砍價」或「業務提成」；一旦進了機房和演算法的世界，連頂級顧問都會立刻變回老老實實收固定帳單的商人。**當你問廠商：「既然保證每年幫工廠省上千萬，那固定保固全免，改由產線實際增量利潤對賭分成，敢不敢簽？」

全場必然陷入死寂。

因為顧問與廠商比誰都清楚：演算法給了建議，現場操作員如果不按閥門開度做，出包算誰的？把維運風險甩給業主，靠旱澇保收的固定保固維持生命，才是活命的底牌。 連提案者自己都不敢押注真實效益，你憑什麼相信它能跨過損益平衡點？

工廠原本的「兜底機制」與維運試金石

面對現場的質疑，很多技術團隊總喜歡擺出拯救者的姿態：「如果不用我們這套 AI，你們現場就會失控、就會大虧損！」

別再自欺欺人了。
我們必須明確區隔出一個殘酷的事實：工廠本來就有一套行之有效的機制在運作、在兜底！

產線都穩穩運作幾十年了，老師傅的經驗防線、現場的作業 SOP、中控室操作員隨時抓著的對講機，以及傳統 PLC 的互鎖保護，本來就替整座廠區撐起了一張巨大的安全網。現場哪一次真的因為沒裝 AI 就天天失控到不可收拾？

因此，專案評審的尺規必須極其嚴苛：
除非你的新系統能帶來「徹底的作業轉型」，或者保守地說，在原本的兜底機制之上「增強程度有肉眼可見的明顯增加」——否則這案子根本不具備立案資格！

而那筆每年雷打不動的「維運費用支出」，就是檢驗這項增強程度最好的試金石：

• 如果一套系統每年要吃掉 20 萬維運費，但它做到的事情，現場老鳥花 5 分鐘瞄一眼儀表板也能做到 95%——那這多出來的 5% 增強，根本不配去扛那 20 萬的剛性帳單。

• 只有當系統帶來的增強，能徹底解放人力、或是跨越原本兜底機制無法覆蓋的盲區時，這筆維運費用才花得理直氣壯。

壓垮駱駝的最後一根稻草

在真實世界的工廠裡，真正讓常規專案送命的，往往不是演算法失準，而是接踵而來的實體帳單：

1. 資安規範升級：網管或原廠一紙公文，通知防火牆舊版終止支援，為了符合全廠資安合規，必須更換升級，請款單送來：多收 10 萬。

2. 實體硬體陣亡：產線高溫粉塵環境下，戶外高規格攝影機鏡頭被腐蝕壞掉；伺服器機房主機板老化燒毀，報修更換報價單一開：80 萬、90 萬。

3. 線上分析儀的噩夢：為了蒐集連續特徵購買的線上分析儀器，在現場強腐蝕環境下根本撐不到一年就壞，一天到晚送修、校正、停機，維護費像流水一樣淌出去。

這時候，技術團隊最常委屈地抗辯：
「這不是演算法的問題啊！防火牆過期、伺服器燒毀、分析儀老化，這些本來就屬於廠務設備的自然損耗，跟數位轉型、跟 AI 到底有什麼關係？」

沒錯，請務必保持清醒：這些事情的發生，本質上真的跟數位轉型、跟 AI 一點關係都沒有！

防火牆本來就會過期，電子零件在惡劣工況下本來就會壞，這純粹是物理世界的折舊規律與營運代價。
但問題在於——它往往是壓垮駱駝的「最後一根稻草」。

最可怕的往往不是預期內的 CAPEX 折舊，而是那些立案時以為不用花錢、結果在營運期像定時炸彈一樣引爆的「資本化修繕與強制更換費用」！它直接把原本預估 4.8 年的回本曲線徹底打爛。

當你的系統每年只能勉勉強強擠出 5 萬、10 萬那種蚊子腿般的邊際效益時，它在承平時期還能躲在大水池裡粉飾太平；
可一旦實體世界迎面砸來一張「更新防火牆 10 萬」或是「修伺服器 80 萬」的單據，所有的遮羞布瞬間被撕得粉碎！

這筆實體世界的正常支出，會像一把重錘，逼得高層主管與財務長不得不重新坐下來翻開帳本：
「我們每年為這套系統多花幾十萬維持生命，它到底幫我們多賺了幾毛錢？」

這不是 AI 失敗了，而是它創造的微薄價值，脆弱到連現實世界一次正常的設備老化都扛不住。它回過頭來逼著所有人直視這道審判：這案子到底是從第一天起就在『呼吸即虧損』，還是真有不可替代的價值、值得公司持續投入？

繞回去看 Y 與 X：前面多想一點，後面多感謝自己一點

說實話，專案到底會不會淪為呼吸即虧損的無底洞，繞來繞去，終究還是要回過頭去看你的Y與X。

你對數據以及現場業務的理解程度，到底延伸到了多深？

• 某些性質的產物機台就是比較容易壞，本來就會定期維修。 它的物理環境就是高溫、強酸、高粉塵，探頭半年就鈍化、閥門一年就內漏。因此，現場的「停開俥頻率」是一件極端重要的事情！你的模型有沒有把停開車與非穩態衝擊算進去？機台大修時模型失效的代價誰來扛？

• 在架構設計初期，部署的資安架構圖到底有沒有個初版？ 這套系統有沒有牽涉到跨廠區、跨國網路傳輸？實體網路線與光纖要拉幾百公尺？防火牆要開幾個 Port、需不需要額外採購硬體閘道器？這些實體基建的帳，立案時有沒有算進 TCO 裡？

冰山底下沉睡的維運成本，當然不可能在全部講完；立案初期，也絕不可能在第一天全知全能。
但身為內部稽核，立案時可以握著一把最樸素的「抗震尺規」：專案宣稱的年度增量效益，至少要能扛住「固定維運費用加上突發修繕」的倍數衝擊。前面每多想一點、多排查一個邊界，後面正式運維時，你就會多感謝自己一點。

【後記：數據不穩的求生實錄】

曾經接手評估過一個案子，我到現場拉開歷史資料庫盤點，皺著眉頭問現場：「你們這數據收集怎麼那麼不穩？時有時無，中間動不動就噴一整排 Null 值跟離線死線？」
現場人員一臉理所當然地回我：「喔，因為現場某某製程特性的物理限制啊，高溫高壓又震動，儀表訊號本來就容易飄，這目前在工程上沒辦法解決。」

我聽完，當場把筆記本闔上：「既然物理數據根本收不穩，那就等現場哪天把數據搞穩了再來做 AI。」

我選擇按兵不動、果斷撤案停損。然而，業主長官轉身找了另一家滿口保證「演算法能自動補值與抗噪」的外部廠商進場承接。
結果呢？硬套演算法的下場就是現場全線失準，報錯連天。系統一天到晚送修、重訓、改參數，案子陷入泥淖兩年搞不定。那段時間，內部承辦誰經手這個案子，誰就被搞到心力交瘁離職；換了三任承辦人之後，最終還是灰溜溜地全案撤銷認賠。

數據不穩就硬做，演算法救不了物理世界的硬傷。在立案初期敢於踩煞車，往往才是替公司省下最多錢的時刻。

【下一篇預告】

維運成本算清楚了，大家也知道不能殺雞用牛刀。那如果我們換個思路：集中資源把機台效能拉到極致，用極高的產能效率來攤平這些固定開銷，是不是就能解套了？

實務上的黑色幽默是：報表上機台效率大幅提升、單位成本漂亮下降，結果年底整張財報結算下來，虧損反而進一步擴大！

下一篇，我們來看專案如何為了短期漂亮的效率數字，把價值兩千萬的機台往死裡操，最終引發全域災難：
《第廿一章｜分水嶺 3：效率是糖，降本是命——局部最優解引發的全域災難》