阿波羅全球管理公司首席經濟學家托爾斯・斯洛克在《Daily Spark》分析中指出，美國企業正逐漸把生成式AI的代幣支出視為擠壓利潤的成本，而非新增營收來源。他的核心判斷是，AI帶來的人均營收與利潤率改善，集中在「科技七巨頭」，並未廣泛擴散至標普500其他企業。
這項主張與PwC、Deloitte及McKinsey近期調查相互呼應。多數執行長雖已投入AI，但尚未反映為營收增加或成本下降；企業AI投資因此進入問責期，各項計畫若無法證明財務回報，勢必遭到削減。
斯洛克並指出，代幣使用量成長已放緩，顯示需求高度價格敏感，客戶可能在價格稍微上升時，就轉向較便宜或開放權重模型。這使外界重新質疑資料中心投資經濟性：若運算成本只能帶來邊際利潤，超大規模雲端業者動輒數百億美元的AI基礎建設支出，回收期可能比預期更長。
這場衝突不在於AI是否有效，而在於「技術普及」與「財務回報」能否同步發生。PC提供了一個重要歷史對照：電腦進入企業後，廣泛採用與生產力提升之間曾滯後約十年。AI的問題更為棘手：模型能力提升、推理成本下降及開放權重擴散，使企業不必負擔完整資料中心與模型訓練成本，也代表單一供應商較難長期鎖定客戶。
最大受益者未必是模型開發商，而是能把AI嵌入既有營收流程、掌握專有資料並具備組織改造能力的企業；承擔高固定成本、卻缺乏差異化定價權的雲端業者與應用新創，則面對更嚴格的資本支出紀律。
戰略貿易流向與供應鏈依賴度
HS 8542資料來源：UN Comtrade 聯合國商品貿易統計庫 · 全球市場規模 $5,800 億美元 / 年
AI正由「能力競賽」進入「資本效率驗證期」，但歷史顯示生產力提升未必立即反映於財報。PC普及的經驗顯示，基礎技術擴散與組織、流程重構之間可能存在長達十年的落差；AI因部署更快、價格下降更快，回報週期未必更長，卻也更難建立獨占性。
關鍵不在模型是否更聰明，而在企業能否把模型輸出轉化為可承擔責任、可融入流程並可計價的組織能力。若做不到，AI仍會成長，但價值將主要由少數平台吸收，而非全面轉化為企業獲利。
01 起因觸發｜阿波羅以代幣支出、利潤率與人均營收數據質疑AI的廣泛財務回報，並獲PwC、Deloitte及McKinsey調查支持
02 一階傳導｜企業AI預算由成長型投資轉向可量化專案，低回報試點遭削減，模型採購開始重視成本與可靠性
03 二階擴散｜雲端業者、晶片供應商與AI新創面臨更高的利用率及客戶續約壓力，開放權重模型加速價格競爭
04 宏觀終局｜AI產業由模型軍備競賽轉向財務問責與組織轉型，生產力紅利若要普及，必須從雲端投資擴散至產業流程改造
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
