開發生態
麥肯錫警告代理式 AI 成本難以預測，同任務執行成本差異最高達 30 倍
TechNews 科技新報單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
據報導，麥肯錫（McKinsey）發布警告指出，代理式 AI 因頻繁執行多步驟任務，使企業面臨的不再是單純的模型使用費，而是難以預測的實際運算成本。由於不同 AI 代理處理相同目標的方法各異，導致執行成本差異極大，最高可相差 30 倍。
麥肯錫 2026 年 AI 調查顯示，約三分之一受訪組織將超過 10% 的科技與通訊預算投資於 AI，且 60% 計畫於明年增加支出；同時，約五分之一的受訪者表示 AI 開支已對經營成本造成壓力。報告特別點名軟體開發團隊，指出利用代理式工具自動化寫程式極度耗費 token，成本壓力最為明顯。
儘管先前研究顯示，代理式 AI 可減少部分辦公室任務 35% 至 40% 的人力時間（特定情況下超過 70%），但麥肯錫強調，企業在未來 12 個月內如何衡量代理式 AI 的實際效益與成本，將成為關鍵的管理課題。
讀原始報導背景
大型語言模型（LLM）通常是基於 Transformer 架構的神經網路，透過大量文本訓練來執行自然語言處理任務。這類模型也是 ChatGPT、Claude 與 DeepSeek 等現代聊天機器人的底層基礎。