AI 不再搶 IT 預算，開始搶人的飯碗：年營收逼近 200 億美元的真相

本文整理自《All-In Podcast》2026 年 3 月播出的單集。

{{< youtube HiVej9_fvl8 >}}

{{< spotify "episode/5PWmuXVToSV9aRBtXrnCNM" >}}

{{< apple-podcast "tw/podcast/iran-war-oil-shock-off-ramps-ais-revenue-explosion/id1502871393?i=1000755144717" >}}

---

兩百億美元。這是 Anthropic 和 OpenAI 在 2026 年合計的年化營收數字。如果你對這個數字沒有感覺，換個方式說：Anthropic 光是今年前四、五個月的營收，可能就追上了 SpaceX 一整年的數字。

這不是預測，而是 Altimeter Capital 創辦人 Brad Gerstner 在最新一集 All-In Podcast 上分享的實際觀察。他不只談數字，還點出了他認為今年最重要的一件事：AI 公司的收入來源，已經從 IT 預算轉移到了勞動預算。這個轉變，比表面的營收數字更值得注意。

Opus 4.6 跨過的那條線

Gerstner 把這次轉折定位在一個非常具體的時間點：Anthropic 發布 Opus 4.6、OpenAI 推出 ChatGPT 5.4 的那一刻。在此之前，企業買 AI 就像買新的專案管理軟體或雲端工具，花的是 IT 部門的預算，跟其他軟體工具搶同一塊餅。但 Opus 4.6 之後，局面變了。

「我們跨過了一個門檻，」Gerstner 在節目中說，「模型和建立在上面的 Agent，不管是 Claude Code、Codex 還是 ChatGPT，它們不再跟 IT 預算競爭。它們現在在增強勞動力。它們跟勞動預算競爭。」

這句話的含義需要拆開來看。IT 預算在全球企業的支出中大約佔幾千億美元，已經是一塊很大的市場。但勞動成本呢？光是美國企業每年的薪資支出就超過十兆美元。當 AI 從「比其他軟體工具好用」變成「可以做人類工作的一部分」，它的潛在市場一下從千億級跳到了兆級。這不是量變，是質變。

Gerstner 也用行動證明了他的判斷：他透露自己加碼了 Anthropic 的投資部位。對一個管理數百億資金的避險基金經理人來說，這種公開表態本身就是一個信號。

淘金熱的暗面：營收品質之辯

但 Social Capital 執行長 Chamath Palihapitiya 聽完這些數字後，反應出乎意料地冷靜。他沒有質疑營收的真實性，而是直指一個更根本的問題：這些錢花得值不值得？

「你舉不出一個好例子，說哪家真正的大型企業，從 AI 中得到了持續的、正面的利潤率提升，而不只是一個小規模的測試。」Chamath 的語氣很直接。他認為，那些令人振奮的企業 AI 支出數字背後，藏著一個不太好看的現實：絕大多數的企業花錢買 AI，不是因為已經算清楚了投資報酬率，而是因為董事會施壓。「你導入 AI 了沒？」這個問題在 2026 年的企業董事會裡，已經跟幾年前的「你上雲了沒？」一樣成為必答題。結果就是成千上萬家公司同時在「打勾」，營收數字自然飆升。

Gerstner 自己也承認這個問題的存在。他甚至發明了一個新詞：「實驗性經常收入（experimental run rate revenue）」，用來跟傳統的「年度經常收入（ARR）」做區別。作為投資人，他必須分辨哪些收入會重複出現、哪些只是一次性的實驗支出。

Chamath 把這個局面比喻成 1849 年的淘金熱。「Anthropic 和 OpenAI 是在賣鏟子和十字鎬的人，」他說，「我是買了鏟子去淘金的人。但就像那場淘金熱一樣，大多數去淘金的公司最後會血本無歸。」賣工具的穩賺，但買工具的人到底能不能挖到金子，目前沒有人敢打包票。

這個比喻抓住了 AI 產業現階段最核心的張力：賣基礎設施的人已經在賺錢了，但買基礎設施的人到底能不能賺回來，目前還是一個大問號。

程式碼助手：第一個真正站穩的用例

在一片對企業 AI ROI 的質疑聲中，前白宮 AI 政策顧問 David Sacks 點出了一個例外：程式碼輔助工具。

「談到企業營收，真正在講的就是 coding assistance，」Sacks 說，「這是第一個突破性的企業用例。」Claude Code、GitHub Copilot、Codex 這些工具，已經不是「試試看」的階段了。個別工程師確實感受到了生產力的提升，而且這種提升有一個關鍵的結構性優勢：軟體工程師本來就不夠用。

這一點很重要。AI 在程式碼領域之所以推動得快、阻力小，正是因為它填補的是一個既有的缺口，而不是在取代現有的工作者。當 AI 協助一位工程師寫出更多程式碼，公司不需要裁掉誰，只是讓原本招不到人的職缺壓力減輕了一些。這是「勞動力增強」的最佳案例，不是「勞動力替代」那種讓所有人緊張的劇本。

但 Sacks 也注意到一個新的變數：定價模式正在改變。過去企業買軟體是按人頭算（per-seat），一個帳號一年多少錢，很好預測。但 AI 工具正在轉向按使用量計費（per-token），這創造了一個全新的經濟模型。企業的 AI 支出會隨著使用量波動，不再是固定的訂閱費。這對營收的可預測性來說是一把雙刃劍。

Jason Calacanis 則補充了另一個觀察角度：真正把 AI 從實驗推向生產的，不是大企業，而是小公司和新創。大企業有太多包袱，中階主管不願意裁自己的團隊，而新創和小公司沒有這些顧慮，它們天生就是用最少的人做最多的事。消費端的訂閱收入（大約佔總營收的一半，接近 100 億美元）則更單純：每月 20 美元的 ChatGPT 或 Claude 訂閱，使用者知道自己得到了什麼，續訂率說明一切。

我的觀察：臺灣企業該怎麼看這場辯論

Chamath 和 Gerstner 的交鋒，其實就是臺灣每一家正在考慮導入 AI 的企業都在面對的問題：到底是真的有用，還是花錢買心安？

我覺得 Chamath 的「淘金熱」比喻值得認真對待，但不應該被過度簡化成「所以不要買 AI」的結論。1849 年的淘金熱裡，確實大多數淘金者血本無歸，但也有人挖到了金礦。區別在於：有沒有在對的地方挖、有沒有合理的開採計畫。

對臺灣企業來說，Sacks 指出的 coding assistance 路線是一個很好的切入點。臺灣的軟體工程師一樣不夠用，而且 coding 是目前最容易量化 ROI 的 AI 應用。與其同時在十個部門鋪開「AI 轉型」，不如先在開發團隊裡把 Claude Code 或 Copilot 用起來，累積真實的生產力數據，再決定下一步怎麼擴展。

最後，Gerstner 發明的「實驗性經常收入」這個概念，我覺得不只適用於分析 AI 公司的營收。每一家正在花錢買 AI 的企業，都該問自己同一個問題：我現在的 AI 支出，到底是真正的生產投資，還是一筆打勾用的實驗費？答案不同，接下來該做的事也完全不同。