AI 花錢術把 hype 變現金流

我拆 Big Tech 的 AI 花錢術，整理成一份能直接拿去做資本配置與試點管理的模板。

我盯這波 AI 花錢大賽很久了，老實說，越看越像一群人忙著把自己送進更大的支出坑。大家都想看起來「有在做 AI」，都想喊自己全力投入，但我看來看去，很多案子根本不是策略，是把巨額預算丟進一個回收期不清楚的黑箱。最煩的是，大家還會把這件事講得像理所當然，彷彿只要燒得夠快，市場就會自動替你補票。

這篇來自 The National 的文章，直接把這件事講破了：AI 故事正在從「誰花最多」轉成「誰能證明錢會回來」。我就是被這個轉向打到，因為它不是新聞口號，而是每個做產品、做投資、做財務的人都得面對的現實。

文裡提到 Alphabet、Berkshire Hathaway、Meta、Microsoft、Amazon、Apple 這些名字，重點不是誰比較會喊 AI，而是資本市場已經沒那麼好騙。它現在要看的不是舞台效果，是現金流。

大撒幣不是計畫，只是把不確定性買得更貴

“Big Tech’s escalating AI spend faces a reckoning as investors pivot from funding scale to demanding tangible returns, stronger margins and clearer cash flows.”

翻譯一下就是：你可以一直加碼 AI，但如果說不清楚毛利怎麼守、營收怎麼回、現金流什麼時候轉正，那你不是在做策略，你是在買更昂貴的不確定性。這句我很有感，因為很多團隊談 AI 時，永遠先講模型、demo、benchmark，講得像自己已經贏了；但投資人不買 benchmark，他們買的是生意。

文章的核心其實很直白：以前的說法是「我們得多花一點，才不會掉隊」；現在得改成「這筆錢會落在哪個收入線、什麼時間落地、毛利怎麼撐住」。這不是小修小補，是整個提案邏輯要重寫。財務部門如果還在等業務部門自己把這套講清楚，那多半會等到預算已經燒掉一半。

我之前碰過一個內部 AI 工具上線案，工程想加 GPU，產品想加功能，財務只想要一份不像小說的商業論證。後來我們做的不是砍預算，而是把每一筆支出都綁到可量化的輸出：哪個流程變快、哪個成本變低、哪個收入指標會動。結果很殘酷，很多漂亮點子直接死掉，但那其實是好事。

實操上，我會把 AI 預算拆成三桶：

• 直接帶收入：新產品、加購、轉換率、留存率。
• 直接省成本：客服分流、工程效率、流程自動化。
• 必要基礎設施：算力、資料管線、資安、法遵、儲存。

如果一筆錢塞不進這三桶之一，我通常就當它是包裝過的虛榮支出。

Berkshire 的錢不是在替 AI 寫情書

文章提到 Berkshire Hathaway 對 Alphabet 的 Berkshire Hathaway 式下注，重點不是「巴菲特愛上 AI」，而是他看的是 Alphabet 的現金流、護城河，以及它吞得下巨額 capex 的能力。這個差別很重要。巴菲特不是那種會因為一段好聽的敘事就掏錢的人，他買的是能持續生現金的生意。

也就是說，市場可以容忍 AI 大支出，但前提是這家公司本來就有夠厚的資產負債表，還有把資本支出轉成長期現金生成的能力。這不等於「AI 花錢都會成功」，只是說它的失敗成本被其他業務撐住了。很多創業團隊看到這種新聞就想學大公司加碼，這真的很容易看錯重點。

我很常看到創辦人或主管拿這類新聞當藉口，說「你看，別人都在加碼，我們也要更大膽」。但如果你的 AI 專案靠的是希望、新聞稿、還有 14 個月 runway，你根本不在 Berkshire 那一邊，你在危險區。

文中 Alina Timofeeva 的話很直接：如果需求沒有轉成有獲利的營收，投資人就會要求更硬的條件、更強的擔保、更好的保護。這就是財務語言，不是 hype 語言。財務通常不浪漫，但它常常是最後那個把話講完的人。

實操上，我會要求任何 AI 提案先講三件事：

• 風險怎麼降。
• 現金怎麼回。
• 回收期怎麼算。

你如果先講模型有多強、功能有多炫，通常就已經輸一半了。

capex 才是現在真正的戰場

文章把規模講得很清楚：Meta 的資本支出拉到 1750 億美元，Microsoft 到 1900 億美元，Amazon 也為 AWS 的 AI 預留 2000 億美元。再把 Alphabet、Apple 和其他玩家加進來，今年 AI spend 估計會破 7000 億美元。這已經不是試水溫，是工業級下注。

這件事最不浪漫，但也最有用的地方，是 AI 已經撞上物理世界了。它需要資料中心、晶片、電力、散熱、土地、供應鏈，這些東西都不會因為你的 roadmap 寫得漂亮就自動長出來。到了這一步，贏的人不只是模型最聰明的，而是能把整套基礎設施真的供起來的人。

文裡 Mazen Hayek 的那句我很想直接貼牆上：Frontier AI 不是被想法或資金限制，而是被能源和矽晶片限制。這句話把很多空話都打掉了。我們已經從純軟體思維，轉到基礎設施優先的思維了，產品團隊不想承認也沒用。

我自己看過很多 cloud-heavy 系統，團隊一開始都說「先把 inference 接上去再說」，等帳單來了、延遲圖變得像犯罪現場，才突然發現架構不是裝飾品。AI 只是把這個問題放大而已，而且更貴。

• 電力現在是產品限制，不只是 ops 細節。
• 晶片取得現在是策略變數，不是採購備註。
• 資料中心容量已經進到產品 roadmap 裡。

實操上，我會把 AI 基礎設施當成投資組合，不是採購清單。每個 workload 都要標出算力密度、延遲容忍度、成長路徑，然後判斷要自建、租用、合作，還是先放掉。你如果答不出來，那不是規劃，那是在逛街。

真正該怕的不是 AI，是沒紀律的 AI 花錢

文章引用 Rawan Baddour 的說法很準：問題不是 AI 本身，而是沒有紀律的 AI spending。這句話我很認同，因為 AI 不是原罪，亂花錢才是。你如果把 AI 當成一種萬用策略，不先講價值主張，就只是在燒錢然後把它叫做創新。

翻譯一下就是：每個 AI 專案都要有職務說明書。不是「探索 AI」，不是「轉型成 AI-native」，這些字眼我聽到都想翻白眼，因為它們最擅長的功能就是逃避責任。我只想知道哪個流程會變快、哪個客訴會變少、哪條毛利線會變厚。

我在產品審查裡看過太多這種場景：有人說這工具會「釋放效率」。好啊，釋放多少？在哪個 workflow？基準值多少？多久後驗收？如果沒人答得出來，那這案子本質上就是一種情緒。

Josh Gilbert 說投資人焦點正在明確地從投入規模轉向投資能帶來的回報。這不是小調整，這是整個 scoreboard 換了。成長還是重要，但沒有毛利和現金流支撐的成長，只是比較好看的虧錢方式。

實操上，我會替每個 AI pilot 設 kill switch：

• 先定 metric。
• 再定門檻。
• 最後定 review date。

到期沒過門檻就砍，不要上演「再給一季看看」。支出一旦開始腐爛，通常就是從這種拖延開始的。

私募市場也沒那麼愛聽故事了

文章說得很清楚，第一波 AI funding 比較獎勵 vision 和 team，但下一波會獎勵 proof 和 scalability，也就是可量化的生產力提升、可持續的競爭優勢、清楚的 unit economics。這跟我最近看到的市場氣氛很一致：大家還是有興趣，只是沒那麼想聽你講神話了。

也就是說，門檻從「你能不能講一個很會賣的故事」變成「你能不能真的經營一門生意」。這兩件事差很多。很多團隊很會 demo 一個 chatbot，但要他們證明這個 chatbot 真的降低客服成本、提高留存、還不把體驗搞爛，就開始支支吾吾。

文裡 Sam Huber 的建議我覺得很務實：先找一個能拉動營收的 use case，用最少資源去試，看到結果再擴。順序一定要對。先小規模證明，再放大，不是反過來。很多團隊死在把探索當執行，最後又多雇了一個 prompt strategist，然後說自己在轉型。

我喜歡這種做法，因為它不會把野心砍掉，只是逼你先證明。你還是可以試，只是不能把試誤當成績效。這個界線很多團隊真的該補課。

實操上，我會要求每個 AI 專案只從一個 workflow 開始，配一個 KPI、一個 owner，跑最小可行測試。能過就擴，不能過就寫下失敗原因，然後往前走。不要把 pilot 供成宗教。

真正的 moat 是流程改造，不是貼 AI 標籤

文章有一句我很認同：沒有公司真的投資到足夠程度，因為還沒有人完整投入去改日常營運，去配合 AI 時代。這句話很刺耳，但很真。買工具很容易，改工作方式才是痛點。

翻成白話就是：AI 的價值不是只出現在模型存取，而是出現在流程設計。如果你的 sales 團隊還是同一套 pipeline，客服還是同一套腳本，工程還是同一套交付方式，那 AI 多半只是個 overlay。可能有用，但稱不上真正改變。

我看過不少團隊花幾個月把模型接進去，結果周邊流程完全沒動。然後他們很困惑，為什麼 adoption 這麼差。原因很簡單，因為工具被放進一個根本沒為它重新設計的流程裡。這種事不失敗才奇怪。

所以我現在越來越在意 operational fit。最後能贏的公司，不會只是模型取得比較好，而是能把工作重新排版的公司。那代表訓練、激勵、流程圖、治理、量測都要一起動。很無聊，但就是這些東西在決定結果。

實操上，我會拿一個 business function 直接做三問：

• 哪些決策可以更快交給 AI？
• 哪些決策應該保留給人？
• 如果 AI 做得夠好，哪個流程步驟可以直接拿掉？

如果你不能刪、不能改、不能加速，那你不是在改造營運，你只是多裝了一個按鈕。

可抄的模板

# AI 資本配置 memo 模板

## 1) 決策
- 核准 / 拒絕 / 修正
- 預算金額：
- 時間範圍：
- 負責人：

## 2) 商業問題
- 哪個流程壞掉了？
- 誰最痛？
- 如果什麼都不做，會怎樣？

## 3) AI 用例
- 具體 workflow：
- 使用者 / 客戶群：
- 為什麼一定要用 AI，而不是更簡單的工具：
- 成功長什麼樣：

## 4) 價值模型
- 收入提升：
- 成本下降：
- 風險下降：
- 被移除或削弱的策略依賴：

## 5) 經濟性
- 建置成本：
- 採購成本：
- 每月運行成本：
- 預期回收期：
- 毛利影響：
- 現金流影響：

## 6) 基礎設施需求
- 算力：
- 資料：
- 資安 / 法遵：
- 人工審核：
- 供應商依賴：
- 電力 / 主機限制：

## 7) 驗證計畫
- Pilot 範圍：
- 基準指標：
- 目標指標：
- 測試期間：
- Kill threshold：
- Scale threshold：

## 8) 風險控制
- 模型不準時的下限損失：
- 採用率低時的下限損失：
- 成本上升時的下限損失：
- 備援方案：

## 9) 需要的營運改動
- 流程改動：
- 團隊改動：
- 訓練需求：
- 政策改動：
- 上線負責人：

## 10) 資金邏輯
- 為什麼現在值得投：
- 為什麼不能過度投入：
- 什麼證據能證明可以加碼：
- 什麼證據代表該停：

## 11) 最終建議
- 保持 / 擴大 / 暫停 / 砍掉
- 一句話理由：
- 下次檢視日期：

這份模板就是我會真的拿去用的版本。它會逼你把話講回資本紀律，而不是停在 hype。如果一個團隊能老實填完，通常代表它真的知道自己在幹嘛；如果填不完，那也很正常，因為問題本來就還沒想清楚。

原始來源是 The National。我這篇的拆解是原創，但裡面的公司數字、引述與脈絡，主要都來自這篇報導，以及文中連到的公司官網與 Berkshire Hathaway、Meta、Microsoft 等來源。