找外包做 AI 專案完整報價框架：6 種專案類型、預算區間、估時方法與 5 條合約紅線

你拿到一份 AI 專案的 RFP（需求書），上面寫「我們要做一個 AI 客服 bot，預算 100 萬，3 個月上線」。你應該答應嗎？答案是「不知道」——因為 AI 客服 bot 可以是 30 萬的事，也可以是 300 萬的事，差異不在客戶腦中，而在這份 RFP 沒寫出來的 6 個變數。今天這篇文章就是要告訴你那 6 個變數是什麼，以及對應的 6 種 AI 專案類型該怎麼抓報價。

為什麼 AI 接案報價最容易失準？3 個結構性原因

傳統軟體開發報價有相對成熟的估算方法：功能點分析、人月估算、類比歷史專案。AI 專案這套都不太管用。原因有 3 個結構性差異：

第一個是「資料品質的隱性成本」。客戶說「我們有資料」通常意思是「我們有 Excel 散落在各部門電腦」，要先花 30-50% 的專案時間整理。Anthropic 2026 Agentic Coding Trends Report 指出，企業 AI 專案中 41% 的失敗原因是「資料未準備好」，但這個成本在報價階段幾乎沒人估進去。

第二個是「準確率 SLA 的迭代成本」。傳統軟體寫完就是寫完，AI 模型上線後要持續調校。準確率從 85% 提到 92% 可能比從 0 提到 85% 還難——這段在報價時很難量化，但客戶通常預期「上線就是完成」。

第三個是「模型 / API 費用的長期負擔」。AI 不像傳統軟體一次性投入，背後 GPT-4 Turbo、Claude Sonnet、Gemini Pro 每月都在燒 token 費用。一個中型客服 bot 月 API 費用可能 5,000-30,000 美元，這要算成「年運維費」報給客戶，不是接案費。

以下表格把 3 個結構性差異的「客戶預期 vs 實際成本」對照給你看：

6 種主流 AI 專案類型總覽：先看預算區間表

這 6 種類型是我們從 2024-2026 年實際接觸過的 80+ 個 AI 專案 RFP 歸納出來的，幾乎涵蓋台灣中小企業的所有需求。先給你一張整體對照，下面分章節詳拆：

預算區間的下緣是 PoC + 簡單上線，上緣是完整生產級系統含監控、運維工具、3 年支援。多數中小企業實際落地的案子落在中間偏下緣（區間最低值的 1.5-2 倍）。

類型 ① RAG 知識庫 / 客服 bot：最常見、最容易低估

RAG（Retrieval-Augmented Generation，檢索增強生成）是台灣中小企業最常問的 AI 應用——把公司內部文件（產品手冊、SOP、FAQ、合約範本）變成 AI 能回答的知識庫。看似簡單，實際做起來坑很深。

坑在哪？文件品質、檢索準確度、回答幻覺、權限控管，每一塊都是地雷。LangChain 2026 RAG Production Report 統計，從 PoC 到正式上線的 RAG 系統，平均要做 8-12 輪 chunking / embedding / re-ranking 的調校。每一輪都是時間，每一輪都要錢。

典型報價拆解（以 100 萬等級的 RAG 客服 bot 為例）：

• 需求訪談 + 文件盤點：8-10 萬（2-3 週）

• 資料前處理 + chunking 策略：18-25 萬（2-3 週）

• 向量資料庫 + Embedding 模型選型：12-18 萬（1-2 週）

• 對話介面 + 後台管理：15-25 萬（3-4 週）

• Re-ranking + 準確率調校：18-25 萬（2-3 週）

• 測試 + 上線 + 教育訓練：10-15 萬（1-2 週）

年運維費抓 15-25% 接案費，包含 API 費用、向量庫主機、季度模型更新、bug 修復。客戶最常想砍的是「準確率調校」這段，但這段省不得——少這段準確率會卡在 70-75%，使用者體驗很差。

類型 ② AI Agent 流程自動化：報價最容易爆

AI Agent 是 2025 下半年到 2026 最熱的詞，意思是讓 AI 不只回答問題，而是「自己跑完整個流程」——例如收到客戶詢價 email → 查 CRM 找出客戶歷史 → 查產品庫存 → 算報價 → 寫 email → 等主管簽核。聽起來很酷，做起來是地獄。

為什麼會爆？因為 Agent 的失敗模式很多。中途資料對不上、外部 API 突然壞、客戶資料不在預期範圍。Salesforce 2026 Agent Survey 顯示，企業導入 Agent 平均要試 3-5 個 prompt 版本、處理 12-18 種邊界案例，才能達到 80% 的成功率。每一種邊界案例都是工時。

Agent 報價的關鍵在「整合複雜度」。同樣是「跨系統的 Agent」，整合 2 個系統和整合 8 個系統的報價可能差 5 倍。報價前一定要做的 3 件事：

• 把 Agent 要走的「快樂路徑」（happy path）和「邊界案例」（edge cases）列清單

• 盤點每個 touchpoint 的 API 成熟度（有 REST API 的容易、要爬畫面的爛）

• 明確定義「成功」的標準（90% 成功 + 10% 轉人 vs 95% 成功 + 5% 轉人，報價可能差 50%）

類型 ③ Coding Assistant / Workflow Embed：為開發團隊打造專屬 AI

這類專案在 2026 變熱，因為 Anthropic 2026 Agentic Coding Trends Report 顯示 72% 的開發者每天用 AI 工具、AI 貢獻 42% 的程式碼。許多公司想把這套變成「自己團隊專屬」——例如包進公司 coding 規範、API 文件、安全紅線、內部框架，讓新進工程師上手快 3 倍。

典型內容包括：客製化 Cursor / Claude Code 設定、企業內部 prompt 庫、私有 MCP server、自動 PR review 機器人、coding standard 違反偵測。一個 100-200 萬的專案大約能做到「客製化 IDE 配置 + 內部 prompt 庫 + 基本 PR review」。

報價的關鍵變數：

延伸閱讀：AI Coding 三強對決：Cursor、Windsurf、Claude Code 講了選工具的決策框架，AI Agent 系統採購完整框架 講了大型 Agent 系統的合約紅線，這兩篇可以一起讀。

類型 ④ 影像辨識 / OCR / 文件理解：硬體成本是隱形殺手

影像辨識專案有兩種：純軟體（OCR、發票辨識、合約抽取）和軟硬整合（工廠品檢、車牌辨識、醫療影像）。純軟體類報價比較標準，軟硬整合容易爆——因為硬體規格、現場光源、相機角度都會影響準確率。

純軟體類（例如發票辨識）的市場行情：自建 PoC 約 30-60 萬、生產級系統 60-150 萬。但要小心一件事：客戶常問「能不能 99% 準確」。Google Document AI 2026 Benchmark 顯示通用 OCR 引擎在繁體中文混合英數的場景準確率約 92-96%，要做到 99% 必須客戶提供 5,000+ 標記樣本，這段成本通常在報價階段沒講清楚。

軟硬整合類更需要小心。業界曾發生一個案例:客戶要做產線品檢系統，PoC 階段用辦公室筆電拍的照片準確率 96%，正式上線到產線後因為光源、震動、角度問題，準確率掉到 78%——重新調校花了 2 個月、額外 60 萬。報價時務必加上「現場校準」這個項目，避免被當成「免費售後」。

類型 ⑤ Voice agent / 語音對話：語音模型費用比想像中貴

語音 AI 在 2025 下半年成熟。台灣中小企業常見需求：自動接聽預約電話、語音點餐、24 小時客服。看起來簡單，實際做的時候有 4 個技術門檻：語音轉文字（STT）、意圖理解、回應生成、文字轉語音（TTS）。每一塊都要選模型、調參數。

成本結構和文字 bot 很不一樣。文字 bot 主要燒 LLM token 費，語音 bot 還要加 STT/TTS 費用——以 OpenAI Realtime API 為例，每分鐘對話約 0.06-0.18 美元，一個月 1,000 通電話、每通 3 分鐘，月 API 費用就要 180-540 美元，年費 6.5-19.5 萬台幣。這個成本要寫進報價單給客戶，不要自己吞下去。

選擇 voice agent 平台時，繁中支援度是關鍵。OpenAI Realtime API 繁中發音自然但有腔調，Google Vertex AI Speech 繁中發音較道地但意圖辨識略弱，Microsoft Azure Speech 在企業合規上最完整但成本最高。報價前先做 3 家 demo，讓客戶聽過再選。

一個 150-250 萬的 voice agent 專案，大約能做到：完整對話流程設計、3 種以上意圖支援（預約 / 查詢 / 改期）、整合 CRM、後台對話分析儀表板、3 個月準確率調校。再加多語言、加情緒辨識、加多人會議轉錄，報價就會跳到 300 萬以上。

類型 ⑥ 模型微調 / fine-tuning：最貴、最容易失敗、最少人真的需要

Fine-tuning 是 AI 接案的「奢侈品」。意思是把開源大模型（Llama、Mistral、Qwen）或商業模型（GPT-4o、Claude Sonnet）拿來，用客戶自己的資料再訓練一輪，做出「專屬模型」。聽起來很高大上，實際 95% 的中小企業需求不需要做到這一步。

為什麼？因為 RAG（類型 ①）通常就能解決 90% 的需求，成本只要 fine-tuning 的 1/5。OpenAI Cookbook 2026 明確建議：先試 RAG，做不到的部分再考慮 fine-tuning。多數客戶會在沒理解差異時就要 fine-tuning，是因為「聽起來比較專業」——你要當顧問把這件事講清楚。

什麼情況真的需要 fine-tuning？三個場景：(1) 特定領域的專業術語（法律、醫療、化工），通用模型理解不準；(2) 客戶有大量歷史對話 / 文件，想複製專屬語氣；(3) 需要在地端 / 私有雲跑（資安要求嚴格）。除非這三個之一明確成立，否則寧可建議 RAG。

報價結構：資料準備 30-40 萬、模型訓練 50-100 萬、評估與迭代 40-80 萬、部署與整合 30-60 萬。如果客戶要私有雲部署再加 50-150 萬硬體成本。年運維抓 25-35% 接案費，因為模型每 3-6 個月就要重新微調以維持表現。

AI 接案的 5 條合約紅線：估時、改稿、模型費、資料權、運維

不論你做的是哪一種 AI 專案，以下 5 條紅線必須寫進合約。業界外包合約糾紛中,多數都是這 5 點裡某一條沒寫清楚。

把合約寫清楚不是不信任客戶，是讓雙方對齊預期。接案合約怎麼寫 有更完整的 8 條接案族通用條款，搭配本篇 5 條 AI 專屬紅線一起看。

如果你正在評估 AI 專案的廠商或報價

業界自 2024 年起，6 種 AI 專案類型陸續落地——從 RAG 知識庫、Agent 流程到 voice agent 都有實際案例。如果你正在收 AI 專案報價、不確定報價合不合理；或者你是接案族想學怎麼開 AI 案的報價單，可以聊聊。

兩個入口：AI 諮詢服務（含廠商評估、報價合理性檢視、合約紅線建議）、找外包做 AI 系統的 7 個坑（採購方視角的避坑清單）。30 分鐘免費諮詢：foreverwebs.com/contact。