自架 AI vs API 訂閱 vs SaaS 工具：老闆三選一決策樹（含 8 個節點 + 3 年 TCO 試算）

這個案子我們搞砸了。客戶想做一個內部知識問答系統，三個月把預算燒在自架開源模型上，最後發現每月維運成本比訂 ChatGPT Team 還貴五倍，回答品質還更差。後來打掉重練，改成 Claude API 加上 RAG 架構，兩週上線、月費降到原本的 18%。

這次踩坑讓恆遠團隊真正看清楚一件事：選自架 AI、API 訂閱還是 SaaS 工具，真正的判準是「你公司現在的處境」，潮流根本不該是依據。同樣是想做客服 AI，10 人公司跟 500 人公司答案完全相反；同樣是處理機密資料，銀行業跟貿易公司也不該選同一條路。

這篇是寫給老闆、IT 主管、採購決策者的「三條路高層決策框架」。不會教你怎麼寫 prompt，也不會比較哪家 SaaS 比較好用，市面上 ChatGPT、Claude、Gemini 比較 那種文章已經夠多了。我們要回答的是更上游的問題：為什麼有些公司該乖乖訂 SaaS，有些該咬牙自架，又有些該走 API 客製？這篇有 8 個決策節點、三量級 TCO 對照、兩個踩雷案例，用一張決策樹幫你的公司定位清楚。

三條路到底差在哪：先把名詞定義講清楚

市場上一講到「企業導入 AI」，老闆腦袋裡會浮現三種畫面：自己買 GPU 跑模型、串 OpenAI 收費 API、買現成 SaaS 工具直接用。這三條路的成本結構、控制權、上手速度差到完全不同物種，但很多人在會議裡混著講，討論到最後沒人知道在比什麼。

自架 AI：把模型搬回自己家

自架 AI 就是在公司機房或租用的 GPU 雲端伺服器上，自己跑開源模型，例如 Meta 的 Llama 4、Google 的 Gemma 3、Mistral、DeepSeek 這類權重公開可下載的模型。資料百分百不離開你的網段，模型版本你自己鎖定，要 fine-tune、要做 RAG、要拆出多個推論服務都你說了算。代價是硬體採購、運維工程師、模型優化、安全更新，全部要自己扛。

API 訂閱：用別人的腦，包自己的皮

API 訂閱是付月費或按 token 計費，呼叫 OpenAI、Anthropic、Google 的雲端模型。你不擁有模型，但完全控制應用層：前端介面、資料庫、業務邏輯、權限管理都是自己寫的。資料要傳到對方雲端跑推論再回來，但這幾家都有 zero-data-retention 與企業級合約可以簽。Cursor、Perplexity、Notion AI、Linear AI 這些紅得不行的工具，骨子裡都是 API 訂閱起家。

SaaS 工具：開箱即用，但別人決定你能做什麼

SaaS 工具是直接訂閱現成產品，例如 ChatGPT Team、Claude Team、Microsoft Copilot、Notion AI、Gemini Business。授權給員工帳號，登入就能用。不用寫一行程式碼、不用顧伺服器，但功能、整合、資料外洩風險、定價變動，全部由廠商說了算。微軟今年把 Copilot 從 USD 30 漲到 USD 30 維持沒動但綁定 Microsoft 365 E3+，等於變相漲價，這種事老闆能做的就是接受或換家。

市場現況：為什麼三條路同時都在爆炸成長

先丟一些 2026 年的數字，幫你建立基準感。Gartner 在 2026 年 IT 支出預測報告 中指出，全球 IT 支出將達到 6.2 兆美元，AI 基礎設施年增 40% 是最大貢獻來源。其中很有趣的是三條路同時長：超大規模雲端 AI 服務年增 38%、企業自建 AI 基礎設施年增 31%、SaaS AI 應用層年增 29%。沒有任何一條路在被淘汰。

IDC 在 Worldwide AI Spending Guide 的最新版本給出更細的拆解：到 2026 年企業 AI 支出將突破 6,320 億美元，自架（含 on-prem GPU）佔比 27%、API 服務佔比 41%、SaaS 應用佔比 32%。這個 4:3:3 的結構代表市場已經「分化」成三個並行的賽道，不再是 SaaS 一支獨秀。

台灣的數字更貼近實況。資策會 MIC 公布的 2026 台灣企業 AI 應用調查 顯示，已導入 AI 的企業中 64% 走 SaaS、24% 走 API 客製、12% 自架。但有趣的是「打算未來 18 個月轉換路徑」的比例是：SaaS 想轉 API 的 31%、API 想轉自架的 18%、自架想轉 API 的 9%。也就是說，越接近資料敏感的環節，企業就越想往「我能控制」那一端移動。

Hugging Face 在開發者調查中提到，自架開源模型的中位 TCO 大約是 USD 0.0008 / 1K token（前提是 GPU 利用率 >65%），而同等級的 OpenAI GPT-4o API 是 USD 0.0125 / 1K token。乍看之下自架便宜 15 倍，但這個數字有個大陷阱我們等一下會拆：GPU 利用率沒拉高之前，自架根本不會省錢。

老闆最常踩雷的五個迷思

恆遠這兩年談過超過 80 個導入諮詢，重複出現的誤解大概就是這幾個。先把它們攤開講，後面的決策樹才不會白看。

迷思一：自架最便宜，反正開源不用錢

Llama 4 的權重免費，但跑它的 H100 GPU 每張 USD 27,000，一台 8 卡伺服器含散熱、UPS、機房空間、頻寬一年下來總成本破 NT$ 600 萬。如果你的 token 用量沒辦法把這台機器吃到 60% 以上利用率，平均每個 token 的真實成本反而比 API 貴 3-5 倍。Andreessen Horowitz 在 AI 經濟學報告 中算過，企業自架 AI 要做到比 API 便宜的「轉折點」是月 token 量超過 50 億，絕大多數公司根本到不了這個量級。

迷思二：API 比較貴，因為要按 token 計費

這是把 API 跟 SaaS 搞混的典型錯誤。SaaS 是「人頭月費」，100 人公司訂 ChatGPT Team 一年 USD 36,000；API 是「實際用量」，同樣 100 人但平均每人每天 50 次對話，一年 token 費用大概 USD 12,000-18,000。前提是你願意自己寫前端，但只要有開發能力或外包，API 通常比 SaaS 便宜 50% 以上，而且不會有「離職員工還佔 license」這種問題。

迷思三：SaaS 比較不安全，資料一定外洩

這是 5 年前的觀點。OpenAI 的 ChatGPT Team / Enterprise、Anthropic 的 Claude Team / Enterprise，現在都簽 SOC 2 Type II + ISO 27001 + zero-data-retention，預設資料不拿來訓練。要說真實風險，反而是「員工把客戶資料貼進個人版 ChatGPT」這種影子 AI 問題比較嚴重。買對版本（Team / Enterprise）的 SaaS，資安等級不會比你公司的 NAS 差。

迷思四：先買 SaaS 試水溫，之後再轉自架

聽起來很合理，但實際上這條轉換路徑的代價最大。SaaS 期間你累積的是「使用習慣」，不會有資料工程、模型評估、prompt 庫的累積。等到要轉自架，等於從零開始。比較合理的演進路線是「SaaS → API + RAG → 視需要再自架特定任務」，每一步都會把上一步的資產帶進來。

迷思五：自架就是地端，雲端 GPU 不算自架

這個迷思讓很多老闆把「資料主權」跟「機房位置」綁在一起，導致決策變形。實際上租 AWS p5、GCP A3、CoreWeave、Lambda Labs 的 GPU 自己跑模型，依然是自架：你擁有模型權重、推論流程、資料路徑全部的控制權。真正的重點是「資料 + 模型」的支配權在誰手上，GPU 在誰家機房反而是次要。

為什麼老闆會在三條路之間跳來跳去

回到最一開始那個踩坑的案子。客戶當時跳的順序是這樣的：

第一個月買 ChatGPT Team 給全公司用，員工反映「機密文件不敢丟進去」、「答案常常不知道是不是亂掰」。第二個月決定自架 Llama，IT 主管很興奮買了兩張 RTX 6000 Ada，跑起來推論慢、品質差、機房過熱。第三個月恆遠介入評估，重新拆解需求發現：他們真正要的是「能讀公司 SOP 與技術文件的問答機器人」，這件事用 Claude API + RAG 兩週就能上線，月成本 NT$ 38,000，比自架 GPU 月攤提 NT$ 21 萬便宜超多。

跳來跳去的根本原因，是把「使用情境」跟「採購路徑」混在一起談。情境是「客服回覆 / 知識問答 / 程式輔助 / 報告生成」，路徑是「自架 / API / SaaS」。同一個情境可以走三條路；同一條路可以服務多個情境。決策樹要做的就是把這兩個維度切開。

在 BCG 的 AI Adoption Maturity Survey 2026 中，46% 的企業 AI 專案停留在 PoC 階段沒辦法上線，主要原因前三名是：選錯路徑（38%）、TCO 失控（27%）、組織能力跟不上（21%）。其中「選錯路徑」這一項裡面，最常見的是「自架做不起來改 API」與「SaaS 卡住改 API+RAG」這兩種轉換陣痛。

八個決策節點：把你的公司定位清楚

把諮詢過的案子整理成八個關鍵問題。回答完，路徑會自己浮出來。

節點 1：資料敏感等級（決定自架是否必要）

處理的是醫療、金融、法律、軍工、政府專案資料？或者公司有 ISO 27701 / GDPR / HIPAA 強制條款？敏感等級高 → 自架優先；普通商業資料 → 開放 API / SaaS。

節點 2：月 token 預估量級

估一下公司每月會打多少次模型：客服機器人 1k call/月 vs 自動化文件處理 100k call/月 vs 全公司分析 10M call/月，三個量級對應的最佳路徑完全不同。低用量強制走 SaaS，高用量才有自架的本錢。

節點 3：客製化整合深度

只是「要一個聊天介面」還是「要嵌入 ERP / CRM / 內部系統做工作流自動化」？前者 SaaS 解決，後者沒有 API 客製跑不掉。

節點 4：法遵與資料主權要求

公司在歐盟有客戶嗎？有金管會 / 衛福部 / 國家高速網路與計算中心的特殊規範嗎？需要 audit log 完全在自家 SIEM 嗎？這些條件會把 SaaS 直接踢掉，也可能逼你用 Azure OpenAI / AWS Bedrock 這種「API 但區域鎖定」的混合方案。

節點 5：團隊技術能力

有沒有後端工程師、DevOps、ML/MLOps 工程師？沒有就別碰自架，不論預算多少都不該碰。API 客製需要 1-2 個後端工程師（自有或外包），SaaS 不需要技術團隊。

節點 6：上線速度需求

業務壓力是兩週要上線還是六個月可以慢慢做？兩週級的需求只剩 SaaS 和輕量 API；六個月以上才有空間談自架。

節點 7：可承擔的初期固定成本

自架 GPU 一年 CAPEX 是 NT$ 200-800 萬起跳；API+RAG 開發費 NT$ 40-150 萬；SaaS 月人頭費。看公司現金流可以承擔哪一檔。

節點 8：未來三年的策略定位

AI 對你公司是「降本工具」還是「核心競爭力」？前者就走 SaaS / API，把資源留給本業；後者要自己累積資料資產與模型 know-how，自架或 API 重度客製是必經之路。

3 年 TCO 攤開算：三量級 × 三條路徑

成本是三選一最殘酷的篩選器。下面三張表把月 1k call、100k call、10M call 三個量級的 3 年總擁有成本（TCO）攤開，讓老闆一眼看到自己屬於哪一檔。

計算前提：USD 1 = NT$ 32，平均單次對話消耗 2,500 tokens（input 1,500 + output 1,000）。SaaS 以 ChatGPT Team / Claude Team 為基準。API 以 GPT-4o / Claude Sonnet 4.5 為基準。自架以單台 8 卡 H100 跑 Llama 4 70B 為基準（含人力與維運）。

量級 A：每月 1,000 次呼叫（小型試點）

量級 A 一句話結論：如果是試點階段或者小團隊內部使用，SaaS 直接訂閱就好。算什麼自架，那是把錢丟進機房地板的縫裡。

量級 B：每月 100,000 次呼叫（中型應用）

量級 B 一句話結論：這是大多數中型企業會落地的量級。API + RAG 是最佳解：成本可控、靈活、能客製化、不用維運硬體。

量級 C：每月 10,000,000 次呼叫（高用量重度應用）

量級 C 一句話結論：到這個量級，自架反而比 API 便宜 26 倍。但前提是有專業 MLOps 團隊把 GPU 利用率維持在 70% 以上、模型優化、quantization、batching 全部到位。算一下你的真實量級再決定要不要走這條路。

選錯路的兩個踩雷案例（化名）

把實戰中看過的兩個失敗案例濃縮分享。化名處理，但教訓是真的。

案例 A：A 製造（化名），自架燒了 NT$ 480 萬才認賠

背景：傳產製造業，年營收 8 億，IT 部門 4 人。聽競爭對手說「自架 AI 才安全」，半年內買了兩台 8 卡 A100 伺服器（共 NT$ 380 萬），雇用一位 ML 工程師（年薪 NT$ 180 萬），目標是做產品文件問答 + 客服自動回覆。

出問題：專案啟動 8 個月後，月實際使用量只有 3,500 次對話（占規劃 1.5%）。GPU 利用率長期在 4% 以下，等於用一台跑車去送便當。同時 ML 工程師在小公司缺乏 MLOps 同儕，半年離職，自架架構斷在沒人懂。

收尾：第 14 個月決定下架自架方案，改成 Claude API + RAG，三週上線。新方案月成本 NT$ 24,000，是原本攤提的 8%，回覆品質還更好。原本買的 GPU 二手轉售折損超過 60%。整體損失含設備、人力、機會成本約 NT$ 480 萬。

教訓：自架的損益點是 GPU 利用率，不是「我有沒有錢買硬體」。買得起不代表養得活。

案例 B：B 電商（化名），SaaS 綁架後被漲價反鎖

背景：中型跨境電商，60 人團隊，全公司用某 AI 寫作 SaaS 做商品描述、廣告文案、客服回覆，每月平均產出 8,000 則內容。月費綁年約 USD 18,000。

出問題：第二年續約時 SaaS 廠商把月費調漲 65%，並引入「公平使用條款」限制單月 token 上限。同時客服場景需要接 LINE Official 與 Shopify webhooks，廠商 API 不開放給訂閱客戶，只給「企業客戶」（門檻提高一倍）。等於既被漲價、又被綁住手腳。

收尾：花 3 個月評估，最終改成 Claude API 自建三個內部工具（商品描述、廣告文案、客服 RAG），開發費 NT$ 120 萬一次性，月運行成本 NT$ 45,000。一年回本，第二年起每年省 NT$ 480 萬。但這 3 個月的轉換期文案產量降 30%，業績受到衝擊。

教訓：SaaS 在「核心生產流程」上會變成定價權的人質。如果某個 AI 工具是業務命脈，越早往 API 客製靠攏越好。SaaS 適合輔助工具，不適合命脈工具。

不同公司類型的建議路徑：恆遠的實戰選法

講完通則，講具體場景。下面這張表是恆遠團隊在客戶端真正用過的選法。

恆遠自己的選擇是「API 混合」：客戶服務系統、寫作工具、開發助手用 SaaS（Cursor、Claude Pro、ChatGPT Team）；但是公司內部的 客製化 AI 系統開發、報價自動化、客戶 RAG 知識庫，全部走 API+客製化。為什麼這樣選？因為「會幫客戶做的東西自己一定要先做過」，也因為核心生產流程不能被 SaaS 廠商綁住。這本質上是場景之爭，跟路線之爭無關。

這跟我們在 客製化 AI 系統開發完整指南 裡聊到的「站在 AI 巨人肩膀上」是同一件事：客戶不需要自己訓練 GPT-5 等級的模型，但要懂得用對工具堆出自己的護城河。SaaS 是租房，API 是裝潢，自架是蓋自己的房子。三件事都有人在做，只是看你現在的階段該做哪一件。

一條更務實的演進路徑：階梯式升級

給還沒決定的老闆一個建議：與其一次選定路徑，不如把它當作三段樓梯走。這個方法在恆遠服務過的中型客戶身上重複驗證過很多次。

階段 1：SaaS 試水（0-6 個月）

買 ChatGPT Team / Claude Team 給核心部門用 1-3 個月，真正的目的是「找出哪 3 個流程靠 AI 真的省時間」，「全公司導入 AI」反而是後話。這個階段最大的產出是 use case 清單與痛點訪談。預算 NT$ 30-80 萬就足夠。

階段 2：API + RAG 打造痛點殺手（6-18 個月）

拿階段 1 的清單挑出 1-2 個「投資報酬最高、整合最深」的場景，用 API 開發專屬工具，通常是知識庫問答、客服 AI、工作流自動化、報價產生。這個階段把資料資產（文件、SOP、客戶記錄）變成 RAG 索引，預算 NT$ 80-300 萬。

階段 3：視需要再考慮自架（18 個月+）

如果階段 2 的 API 用量已經穩定突破月 1,000 萬 token、資料敏感性升高、或公司想把 AI 變成競爭門檻，這時候才是評估自架的好時機。技術團隊已經養出來了，量級也撐得住攤提。預算 NT$ 600 萬以上，一次性 CAPEX。

常見問題：老闆最關心的六個 Q&A

結語：三條路沒有最好，只有最適合

回到開頭那個踩坑的案子。如果當時客戶第一次諮詢時就走過這個決策樹，可能就直接落在「API + RAG」象限，省下三個月時間和接近 NT$ 200 萬。但這個經驗也讓恆遠團隊把「先評估、再選路、最後做」這套流程變成標準作業：每次跟新客戶開會，第一場必然先把這 8 個節點走過一輪。

AI 採購本質上是一個演進過程，遠遠超出單一選擇題的範疇。今天你選 SaaS，不代表三年後不能走自架；今天你決定自架，也不代表所有場景都要自己跑。重點是「現在這個階段、這個量級、這個團隊」最合理的那一條路。再過兩年，這個答案可能又會改變，而那才是真正在用 AI 替公司賺錢的人會做的事。

如果你正卡在三選一的路口，需要有人陪你走完這 8 個節點、把 3 年 TCO 算清楚，恆遠的 AI 諮詢服務 會用一場 90 分鐘的免費需求釐清，把你公司現在的處境定位出來。如果評估完發現需要走 API + 客製化，客製化 AI 系統開發 會接手把藍圖變成可運作的系統。

延伸閱讀：想看單一模型怎麼選的話可以看 Claude Opus / Sonnet / Haiku 比較；想看開源模型怎麼選 Gemma 3 完整指南 有實測；想看 fine-tune 跟 RAG 怎麼決定 Fine-tuning vs RAG 決策指南 是另一個維度的決策樹。三軸合在一起看，AI 採購的全貌就清楚了。

決定走 SaaS 路線之後，評估廠商同樣需要系統性框架。可以參考 中小企業 SaaS 採購評估框架：6 維度 + 30 條 checklist，幫你在簽約前把費用、整合、安全、退場全部評估清楚。