26 倍。 同樣是「AI 客服系統」這六個字，台灣市場 2026 年第一季的成交報價，從 31 萬到 820 萬都看得到。一個外貿小公司簽下 31 萬版本上線跑得很愉快，另一家規模差不多的食品電商付了 820 萬還在等第三次重做。中間 26 倍的差距，到底是什麼東西在決定？
這篇是費用深度拆解，想看完整指南先去 客製化 AI 系統開發完整指南。本篇不講「AI 是什麼」、不重複市場概觀，直接把報價單拆到每一筆「為什麼是這個錢」都能說清楚。
先給一個錨點：Deloitte《State of Generative AI in the Enterprise》2025 Q3 報告 統計，企業實際 AI 落地專案的「規劃預算」與「結案預算」平均偏差達到 47%——也就是說，每兩家公司就有一家事後發現「當初那張報價單漏掉的東西比寫上去的還多」。本篇要做的事就是把那 47% 提前攤開來給你看。
先做這個自我檢測：你看到的報價合不合理？
拿到 AI 系統報價單，多數人第一個動作是看總金額。錯。第一個動作應該是看「交付物清單」有沒有被拆開——拆得不夠細的報價單，沉沒成本通常都藏在縫隙裡。
以下八個問題，每個「沒有」都對應一塊潛在的爭議。報價單上找不到答案的部分，請當場問廠商，不要等簽約後才發現。
資料 ownership：訓練 / 微調用的企業資料，合約結束後是誰的？備份多久？
模型 ownership：fine-tune 出來的權重、prompt 模板，是貴公司資產還是廠商資產？
Token 用量：上線後 LLM API 月費誰付？有沒有 cap？超過誰負擔？
資料準備人天：清洗、標註、去重的工時是誰的？有沒有單獨列項？
整合範圍：要串幾個既有系統？每個系統的 API / DB schema 是否已盤點？
驗收標準：怎麼算「上線成功」？有沒有定量指標（準確率、回應時間、CSAT）？
維運窗：上線後幾個月免費 bug fix？之後怎麼計費？
迭代條款：模型效果衰退要重訓，重訓費用怎麼算？包年還是按次？
如果你手上的報價單超過 4 個問題答不出來，那不是報價單，那是引子。McKinsey Global Survey on AI 2024 觀察，企業 GenAI 專案 38% 的成本超支來源都是「合約定義不清」，不是技術難度。
💡立即可用的報價檢視動作
把這 8 個問題印出來，下次跟廠商開會時放在桌上一條一條問，每個問題請對方在報價單上指出對應段落。如果你需要第三方協助比較不同廠商的報價合理性，歡迎走 /services/ai-consult 預約一次免費的報價診斷會議。
有興趣深入研究廠商評估方法的，7 個 vendor 評估標準 那篇把這套檢核做成完整的 scoring sheet；想直接讓第三方幫你看一眼手上的報價，可以走 AI 諮詢服務 預約 30 分鐘免費諮詢。
30 萬等級：能做什麼、不能做什麼
30 萬（NT$ 300,000）是台灣中小企業 2026 年第一個常見的 AI 預算門檻。實務上這個金額能買到「一個明確流程的 AI 助手」，但前提是你願意接受幾個硬性限制。
這個級距通常的人天結構是：1 位資深工程師 + 0.5 位 prompt 設計 + 0.3 位 PM，總工時抓 30 到 45 個工作天。換算下來廠商毛利大概 25–35%，所以 30 萬以下的「客製化 AI」報價要特別小心，那通常代表廠商在偷工，最常被偷掉的就是資料準備這塊。
30 萬能交付什麼：四種典型專案
專案類型 | 典型交付 | 人天 | 上線後月運行成本 |
|---|---|---|---|
單流程 LINE / 網站 AI 客服 | FAQ × 50 條，串 OpenAI / Gemini API，含後台管理 | 28–35 天 | NT$ 3,000–8,000（API + 主機） |
簡單 RAG 知識庫問答 | 文件 ≤ 200 頁，向量資料庫，Web 介面 | 32–40 天 | NT$ 5,000–12,000 |
Webhook + LLM 文字處理 | 郵件 / 訂單自動分類、摘要、翻譯 | 18–25 天 | NT$ 2,000–6,000 |
ChatGPT / Claude 內部 wrapper | 含 SSO、用量管控、prompt 模板庫 | 25–35 天 | NT$ 8,000–25,000（看員工數） |
30 萬不能做的事
這個級距最常見的誤解是「我以為包含這個」。實際上以下項目幾乎都會超出範圍：
複雜 UI：超過 5 個畫面、多角色權限、報表 dashboard 都會額外計費。
資料治理：個資去識別、敏感詞過濾、稽核 log 完整版，30 萬只有最低限度。
多系統整合：串到 ERP、CRM、會計系統各算一個整合點，每點 5–15 萬。
模型 fine-tuning：30 萬幾乎不可能含微調，全靠 prompt engineering。
長期維運：上線後超過 2 個月的 bug fix、模型衰退處理通常另計。
⚠️30 萬等級最常見的失敗模式
報價 30 萬簽下去，第二週才發現「資料還沒清洗」、「現有 ERP API 沒文件」、「客服腳本要重寫」。這些工作如果寫進範圍，廠商根本接不到 30 萬的案子；沒寫進範圍，雙方就會在第三個月開始扯皮。建議：30 萬以內的專案，一定要把「資料準備由甲方提供，格式為 CSV / JSON」白紙黑字寫進合約。
如果你的需求其實是「採購現成 SaaS + 一點客製」，那 AI 預算 10/50/200 萬完整拆解 那篇是 SaaS 採購視角，本篇是客製化開發視角，兩個維度可以對照看。多數中小企業 30 萬以下會優先選 SaaS 月租，超過 30 萬才開始考慮客製。
100 萬等級：開始有「正規軍」的味道
100 萬（NT$ 1,000,000）這個門檻台灣 2026 年的供需都很活躍。經濟部產業發展署 2025 年中小企業數位轉型調查 顯示，營收 3 億以下中小企業實際投入單一 AI 專案的中位數金額落在 NT$ 80–150 萬，這個級距是台灣 SME 真正的「主戰場」。
為什麼 100 萬會是分水嶺？因為這個金額才養得起一個「產品團隊」而不是「外包小組」：1 位 tech lead + 1 位 full-stack + 0.5 位 ML / prompt + 0.5 位 PM + 0.3 位 QA，跑 90–120 個工作天。多了 QA 這件事很關鍵，30 萬等級基本沒有獨立 QA。
100 萬能交付什麼
交付項目 | 100 萬範圍 | 與 30 萬的差別 |
|---|---|---|
業務流程 | 3–5 個串接流程 | 30 萬只 1 個 |
UI 客製 | 含後台 dashboard、3 種角色權限、報表 | 30 萬只有對話框 |
資料治理 | 個資去識別、敏感詞過濾、操作稽核 | 30 萬只有最低限度 |
既有系統整合 | 2–3 個系統（ERP / CRM / 客服） | 30 萬只能串 1 個 |
模型策略 | 含 RAG 微調、prompt 多版本 A/B | 30 萬只能單一 prompt |
上線後維運 | 3 個月免費 bug fix + monthly review | 30 萬通常 1 個月內 bug fix |
文件交付 | API doc、運維手冊、測試報告、訓練教材 | 30 萬只有 README |
驗收 KPI | 含定量準確率、CSAT、回應時間 | 30 萬常是「能用就好」 |
100 萬等級的現金流結構
這個級距分期付款開始有意義。健康的拆法通常是 30/30/30/10：簽約 30%、設計完成 30%、UAT 通過 30%、上線後 60 天 10%。最後那 10% 是把廠商「綁在上線後」的關鍵——很多失敗案例的共同點都是「99% 付完才上線，廠商上線後就消失」。
實務數字參考：資策會 MIC 2025 年 AI 應用導入調查，台灣中小企業 AI 專案 100 萬等級的「上線後 3 個月內出現重大 bug」比例為 41%，意思是即使付到 100 萬，上線後仍然有將近一半的機率會踩到坑。所以最後 10% 的尾款條款不是凹廠商，是保護自己。
ℹ️100 萬不能做的事
100 萬還是做不了「multi-agent 協作」、「客製模型 fine-tuning」（指真正的權重微調，不是 LoRA prompt tuning）、「24x7 SLA 維運」、「資安級別到 ISO 27001 完整加固」。如果廠商的 100 萬報價單上寫了這些，要嘛是行銷話術、要嘛是把交付品質砍到剩骨頭。
300 萬等級：能買到的真正是什麼
300 萬（NT$ 3,000,000）以上，遊戲規則整個換掉。這個金額在台灣 AI 客製化市場屬於「中型企業正規專案」起跳價，特徵是：開始有正式 SOW、有獨立的合規檢核、模型可能會做真正的 fine-tuning，而不只是 prompt engineering。
人天結構是另一個量級：1 tech lead + 2 full-stack + 1 ML engineer + 1 data engineer + 1 PM + 1 QA，跑 4–6 個月。IDC Asia/Pacific AI Spending Guide 2025 統計，亞太區 AI 專案實際單價中位數 USD 95,000，換算約 NT$ 290 萬，跟台灣這個門檻吻合。
300 萬能交付什麼
項目 | 300 萬等級規格 |
|---|---|
系統架構 | Multi-agent（規劃 + 執行 + 檢核三層）、含 fallback、含 human-in-the-loop |
模型策略 | RAG + Fine-tuning + Function calling 混合，含 model router |
資料倉儲 | 完整 ETL pipeline、向量庫 + 結構化庫、分層權限 |
資安合規 | 個資法 + GDPR 雙合規、稽核 log、滲透測試報告 |
整合範圍 | 5–8 個既有系統，含 webhook、batch、real-time 三種模式 |
UI / UX | Web + Mobile + Slack/Teams bot 多端，含設計系統 |
維運 | 12 個月迭代、月度模型重訓、季度資安檢視 |
交付文件 | 含架構決策紀錄 ADR、災難復原 runbook、訓練教材影片 |
驗收標準 | 含 SLA、準確率閾值、回滾機制、A/B 測試報告 |
法務 | 含資料 ownership、模型 ownership、IP 條款、保密合約 |
300 萬等級的真實成本曲線
這個級距很容易被低估的事實是：300 萬只是「上線那一天」的成本。Gartner 2025 年 AI 預算編列指南 提醒，企業 AI 專案的 5 年總持有成本（TCO）通常是首期建置的 2.5–3.5 倍。也就是說，300 萬的專案 5 年下來會花到 750–1,050 萬，主要花在模型授權、token 用量、再訓練、人員培訓。
隱藏成本：報價單上找不到的那 30–50%
這是這篇最重要的一段。AI 專案最容易被低估的就是「不在報價單上的成本」，這些成本通常不是廠商故意隱瞞，是甲方自己沒意識到要付。
Boston Consulting Group《Where's the Value in AI》2024 報告（BCG 原文連結）統計：成功落地的 AI 專案中，僅有 30% 預算花在「演算法 / 模型」上，70% 都花在資料、流程、人員與變革管理。 而 70% 這塊，多數中小企業在編預算時完全沒抓進去。
七大隱藏成本來源
項目 | 常被低估幅度 | 實際金額（中型專案） | 為什麼會漏 |
|---|---|---|---|
訓練資料準備 | 30–50% | NT$ 50–200 萬 | 以為「公司本來就有資料」 |
Prompt 維運 | 20–30% | NT$ 5–15 萬/月 | 沒人想到 prompt 也會「衰退」 |
LLM API token 開銷 | 變動極大 | NT$ 3 萬–50 萬/月 | 用量爆炸後才發現 |
模型授權年費 | 被忽略 | NT$ 30–150 萬/年 | Enterprise 版才需要 |
Change management | 被忽略 | NT$ 30–100 萬 | 以為員工會自己學 |
員工再訓練 | 被忽略 | NT$ 20–80 萬 | 不是「會用就好」 |
外部稽核 / 滲透測試 | 被忽略 | NT$ 20–60 萬/次 | 資安團隊提出時專案已上線 |
訓練資料準備為什麼這麼貴
以一個 100 萬等級的客服 AI 為例，FAQ 文件看似 200 頁，實際開工後會發現：
舊版散落在 Google Drive、員工電腦、Slack 對話的「真實 FAQ」要先撈出來
PDF 表格、圖片內文字要 OCR
過時資訊（已下架商品、舊政策）要清掉
敏感欄位（身份證號、信用卡）要去識別化
不一致的回答要找客服主管裁決統一
產生對話格式（Q & A pair）需要重新標註
這套流程通常需要 2 位內部員工 + 1 位廠商標註人員，耗時 4–8 週。如果用市場行情換算，光這塊就 NT$ 50–120 萬。多數中小企業「以為這個動作 1 週就能搞定」，事後才發現比建模型還久。
LLM token 開銷的真實數字
拿 GPT-4o 與 Claude Sonnet 4.6 兩個主流模型來算：OpenAI 2026 年 4 月公告價目 GPT-4o 是 input $2.50 / 1M tokens、output $10 / 1M tokens；Anthropic 公告 Claude Sonnet 4.6 是 input $3 / output $15。一個日均 5,000 次客服對話的中型網站，平均每次對話 4,000 tokens（含 RAG context），月 token 量約 6 億，月費抓 NT$ 6–12 萬只是「正常用量」，碰到行銷檔期翻三倍是常態。
🚨Token 失控的真實案例
2025 年第三季有家電商上線 AI 客服後沒設 token quota，第一個月帳單來了 NT$ 87 萬——比建置費還高。原因是有客戶用爬蟲腳本灌系統，外加員工拿來當 ChatGPT 個人助手。後來加了 rate limit + 用戶身份識別，第二個月降到 NT$ 9 萬。預算一定要把「token quota 機制」獨立列項，不要假設廠商默認會做。
ROI 計算實例：300 萬投資多久回本
看完成本，回到投資視角。AI 專案不是越便宜越好，是「在合理 break-even 期間能回本」才好。下面用一個真實 case 拆解 ROI 計算的標準流程。想看其他 5 個高 ROI 場景的，可以接著看 5 個高 ROI 導入場景。
Case：100 人規模製造業導入採購 AI 助手
專案規格：協助採購人員處理供應商比價、合約審閱、訂單跟催。100 萬建置 + 上線後 NT$ 8 萬/月運行費。
項目 | 導入前 | 導入後 | 月度節省 |
|---|---|---|---|
採購人員處理供應商比價 | 3 人 × 每月 80 小時 | 3 人 × 每月 25 小時 | 165 小時 × NT$ 600 = NT$ 99,000 |
合約初審 | 法務 1 人 × 每月 40 小時 | 法務 1 人 × 每月 12 小時 | 28 小時 × NT$ 1,200 = NT$ 33,600 |
訂單跟催 | 每月延遲訂單 NT$ 18 萬罰款 | 每月延遲訂單 NT$ 5 萬 | NT$ 130,000 |
總月度效益 | — | — | NT$ 262,600 |
月度淨效益 = NT$ 262,600 - NT$ 80,000（運行費） = NT$ 182,600。
Break-even = 1,000,000 ÷ 182,600 ≈ 5.5 個月。 換句話說，半年回本，第二年起每年淨增收益約 NT$ 219 萬。三年累計效益 NT$ 657 萬，扣掉建置費仍有 NT$ 557 萬正報酬。
敏感性分析：什麼情況會破局
變動 | Break-even 變化 | 是否仍可投資 |
|---|---|---|
月度效益打 7 折（NT$ 18.4 萬） | 9.7 個月 | ✓ 仍可 |
月度效益打 5 折（NT$ 13.1 萬 | 19 個月 | △ 邊緣 |
運行費翻倍（NT$ 16 萬/月） | 9.8 個月 | ✓ 仍可 |
效益打 5 折 + 運行費翻倍 | 無法回本 | ✗ 不投 |
做敏感性分析的目的不是預測未來，是找到「決策邊界」。如果你的 ROI 模型只在最樂觀情境下能回本，那這個專案不該做；如果在中等悲觀情境下還能回本，那才值得簽約。
三個失敗案例：花了錢沒拿到東西的真實故事
這段不是嚇你，是讓你知道「便宜 / 貴 / 自建」這三條路各自的失敗模式長什麼樣子。隱去公司名稱與識別細節，但金額與時間軸都是真的。
案例一：選最便宜，半年沒上線
台中一家做家用清潔產品的電商，2025 年 Q2 招標 AI 客服。三家報價：A 廠 32 萬、B 廠 78 萬、C 廠 145 萬。老闆選了 32 萬的 A 廠。
第一個月：A 廠說「資料還沒整理好，不能開工」。第二個月：A 廠說「資料整理需要客戶端配合」，要求老闆派一個員工專職整理 4 週。第三個月：員工整理完了，A 廠說「這格式我們沒辦法吃，要重新轉檔」。第四個月：模型跑出來準確率 38%，A 廠說「這要 fine-tune，超出原本範圍要加 18 萬」。
第六個月：老闆認賠，把 32 萬寫成損失，重新招 B 廠。最後總投入 32 + 78 + 內部員工 6 個月人力 = 超過 130 萬，比原本 B 廠的 78 萬還貴 67%。 教訓：30 萬以下的「客製化 AI」報價，要嘛是廠商有規模化模板能複用、要嘛就是這種劇本。
案例二：報價 800 萬，其實 200 萬就能做
台北一家中型物流公司，2025 年想導入「智慧排車 + AI 客服」。找了一家國際大廠台灣分公司報價 820 萬，項目寫得很厚，含「AI 平台導入授權」、「客製模型訓練」、「資安加固」、「3 年維運」。
簽約前他們找了第三方做技術盡調，發現：
「AI 平台導入授權」其實是 AWS Bedrock 的代理銷售，原廠價不到 30 萬/年
「客製模型訓練」是 prompt engineering + RAG，沒有真正 fine-tune
「資安加固」是把預設值打開，不是真的滲透測試
「3 年維運」是 9-5 周一到周五，不是 24x7
最後客戶拿著盡調報告砍價到 280 萬，含 12 個月維運。教訓：大廠不一定貴得有道理，特別是「複雜術語包裝」的報價單，逐項對應「實際工時」就會看到水分。
案例三：自建團隊，18 個月後人員流動歸零
高雄一家年營收 8 億的傳產，2024 年初決定「自建 AI 團隊」。挖了 1 位資深 ML（年薪 220 萬）+ 2 位 full-stack（年薪各 130 萬）+ 1 位 PM（年薪 120 萬），18 個月總人力成本 900 萬，外加雲端 + 工具 200 萬。
18 個月後盤點：
資深 ML 已離職，跳到外商薪水翻倍
一位 full-stack 留著但已心生倦怠
PM 轉職
產出兩個系統都還沒上正式環境
總投入 1,100 萬，產出價值不到 200 萬
教訓：自建 AI 團隊只在「年營收 30 億以上、有持續性 AI 戰略」的公司才划算。低於這個門檻，外包 + 內部 1–2 位 AI champion 通常 ROI 更好。
選擇建議：怎麼讓報價單回到合理範圍
看完上面的所有材料，給三個立即可用的決策原則。
原則一：先決定「層級」再談「金額」
不要直接問「這個專案多少錢」。先確認你的需求落在哪一層：
純流程自動化（單一場景）：30 萬等級夠用，請 SaaS 為主、客製為輔
跨流程整合（3–5 個場景）：100 萬等級，找有 PM / QA 的中型廠商
企業級平台（多 agent / 合規）：300 萬以上，找有 ML / data engineer 的正規團隊
原則二：把「資料準備」獨立列項
不論哪個層級，請廠商把「資料準備」單獨估價並寫進合約。沒有這一行的報價單，事後爭議機率最高。
原則三：保留 10% 尾款到上線後 60 天
無論金額多少，最後 10% 一定要綁在「上線後 60 天無重大 bug」這個條件。這是把廠商「拖在交付品質」上最有效的工具。
💡需要報價合理性檢查？
如果手上有 1–3 份 AI 系統報價單想要客觀比較，可以走 /services/ai-consult 預約一次免費的 30 分鐘報價診斷。我們會幫你逐項拆解每筆費用是否合理、有沒有遺漏項目，以及是否該再多談一輪。
報價拿到手後怎麼比較？看 7 個 vendor 評估標準，把這 7 個標準做成 scoring sheet，廠商自然會往合理範圍靠攏。
橫向參考：如果你想把 AI 與「一般軟體開發」費用放在一起對照，軟體開發費用拆解 2026 這篇是基底；想釐清「自建 vs SaaS 採購」的決策邏輯，SaaS vs 客製化系統 2026 比較 那篇有完整框架；想看一個完整的客製化案例怎麼跑，可以參考 客製 ERP 開發指南 2026。
常見費用迷思 FAQ
Q為什麼同樣需求報價可以差到 26 倍？
26 倍差距通常來自三個維度：交付物拆解粒度（30 萬只交對話框，800 萬可能含完整資料倉儲）、人天結構（1 個工程師 vs 6 人團隊）、隱藏成本是否寫進報價（資料準備、token 額度、維運窗）。把報價單的每一項對應到「人天 × 日費」可以快速看出水分。
Q30 萬等級的 AI 專案值得做嗎？還是該選 SaaS？
如果你的需求是「單一明確流程 + 不需要深度整合既有系統」，30 萬客製化能做。但 30 萬以下強烈建議優先用 SaaS 月租（如 Intercom AI、HubSpot AI Hub），月費 NT$ 5,000–20,000 就能起跑，比客製便宜且風險低。客製化的價值要到流程多、需要整合 ERP / CRM 才會體現。
QAI 系統的「token 用量」怎麼預估才不會超支？
預估公式：日均對話次數 × 平均每次 token 量 × 30 天 × 模型單價。日均對話次數可從現有客服 / 內部工單量推估，平均每次 token 量含 system prompt + RAG context 抓 3,000–5,000 tokens。預算編列時建議抓「中位數 × 1.8」作為實際 cap，並要求廠商上線時就配 rate limit。
Q報價單有哪些項目通常是水分？
三個常見水分項目：（1）「平台授權費」如果是直接代售雲端服務（AWS Bedrock、Azure OpenAI），原廠價公開可查，超過原廠 1.5 倍要警覺。（2）「客製模型訓練」如果沒寫明 epoch 數、資料集大小、評估指標，多半是 prompt engineering 包裝。（3）「資安加固」沒附稽核報告 / 滲透測試報告就只是 checkbox。
QAI 專案上線後最容易爆預算的部分是什麼？
依爆預算機率排序：token 用量（最容易，沒設 cap 第一個月就翻 5 倍）、模型衰退重訓（季度級，每次 NT$ 5–20 萬）、員工再訓練（被忽略最久）、合規稽核（資安團隊發現缺漏時往往已上線）、change management（需求改了但廠商不改）。預算編列時建議在建置費之外，再抓 25–35% 作為「上線後 12 個月不確定費用 buffer」。
Q中小企業的 AI 預算上限應該抓多少？
經驗法則是「年營收的 0.5–2%」作為 AI 戰略總預算，其中 60–70% 給單一旗艦專案、30–40% 給小型 PoC 與工具採購。年營收 3 億的公司，AI 年度預算落在 150–600 萬合理；年營收 10 億的公司落在 500 萬–2,000 萬。低於 0.5% 通常做不出像樣成果，高於 2% 對中小企業現金流壓力過大。
把這篇收進你的決策資料夾
AI 系統客製化費用的合理性，本質上是一個「把暗成本翻成明成本」的工程。當你把資料準備、token 用量、模型重訓、change management 全部攤在桌面上，原本看起來嚇人的 300 萬可能比 100 萬更划算；原本看起來划算的 32 萬可能 6 個月後變成 130 萬。
下一張報價單拿到手，先做這篇開頭那 8 個自我檢測問題、再對照 30/100/300 三段表格、最後跑一次 ROI 敏感性分析。三個動作做完，你的決策品質會比 90% 同行業者好。
需要我們協助拆報價、做 ROI 試算、或安排第三方廠商盡調？走 AI 諮詢服務 預約免費 30 分鐘會議。
AUTHOR
自由揚AntonyLin
想了解更多？看看我們的相關服務
相關文章
台中軟體開發公司怎麼選：6 個技術指標、5 個常見地雷、報價區間與合約紅線
台中系統開發外包報價怎麼算：6 種專案類型、估時方法、4 條合約紅線、避免被坑的 SOP
Microsoft Scout 全企業常駐 AI 員工發表完整解析：4 個採購訊號、與 Copilot Pro / Claude / 自家方案的並排決策框架、與中小企業 30 天評估行動清單
老闆找外包做 AI 怎麼判斷廠商「真的會做」還是「只是會說」？6 個訊號＋3 個技術測試題完整指南
客製化 ESG 永續報告與內控稽核系統開發完整指南：6 個關鍵決策、3 個報價區間、5 個常見地雷
留言(0)
尚無留言，成為第一個留言的人吧！