過去企業採購 SaaS 服務，大多按員工人數計算固定月費。不過隨著 AI Agent 普及，成本模式開始轉變。Agent 接收指令後會自主進行多輪推理、檢索及呼叫工具，同一項工作每次執行的 Token 用量亦可能不同，企業難以再單靠席次數量或固定工作量，以線性方式推算 AI 支出。
Google Cloud 於 8 月宣布擴展 Gemini Enterprise 的計費與成本管理機制，包括即付即用（Pay-as-you-go）、共享配額、彈性儲蓄計劃（FSP）、支出異常偵測及專案級支出上限（Spend Caps），並預告推出「延後執行」模式。這反映 AI 成本管理正由月底才檢視帳單，逐步成為 AI 架構的一部分。
93% 受訪企業 AI 支出曾超出預算
McKinsey 最新《The State of AI in 2026》顯示，年收入超過 10 億美元（約港幣 78 億元）的大型企業中，40% 受訪者表示公司正規模化使用 AI Agent，比例高於一年前的 27%。
McKinsey 在 2026 年 5 月進行的一項調查，訪問了 75 名合資格企業受訪者，結果顯示 62% 已由實驗進入實際部署，而 93% 表示 AI 支出曾超出預算；當企業由個別應用擴展至全公司使用時，平均 AI 支出接近增加 4 倍。雖然調查樣本規模不大，但反映企業擴大 AI 使用後，成本可預測性正成為新的管理問題。
固定月費與按量計費並存 統一管理開發與商務 AI
- 日常生產力：繼續採用固定席次，保持每月預算穩定。
- 用量波動與開發：採用 Gemini Enterprise Pay-as-you-go，毋須預先承諾固定用量，按實際使用量付費。
- 共享配額：把 Gemini Enterprise 內部分商務應用、Google Antigravity 與自訂 Agent 的每日額度集中於專案層級共享，避免資源閒置；管理員亦可設定超額部分是否轉為按量付費。
- 穩定用量折扣：透過 Flexible Savings Plans (FSP)，承諾 1 年或 3 年每月支出可享 10% 至 20% 折扣，不設最低或最高金額限制。對已有 Google Cloud 企業合約的客戶，FSP 支出亦可直接納入現有 Enterprise Agreement（EA）的承諾額度，避免另設獨立的 AI 計費體系。
Google 亦正把開發者工具納入同一套治理架構。符合資格的 Gemini Enterprise 客戶可使用 Google Antigravity，Android Studio AI 用量亦納入 Gemini Enterprise 訂閱，讓商務 AI、開發工具及自訂 Agent 的用量可以集中管理，毋須分開處理授權及計費。
設立支出上限 達標後自動暫停新用量
為防範異常開支，Google Cloud 同時加入 AI 支出異常偵測。當專案成本偏離正常水平時，系統可協助分析原因並指出主要成本來源，讓管理員及早介入。
相比折扣與異常偵測，專案級支出上限（Spend Caps）為企業提供了更明確的防護機制。當 Agent 出現異常循環或程式錯誤時，傳統預算警告只能通知管理員，Spend Caps 則可進一步暫停新用量。
當專案估算成本達到設定金額時，系統會暫停該專案中指定服務的新用量，降低異常循環持續產生成本的風險，而且不影響同一專案的其他服務或其他專案運作。
需要留意的是，該功能目前仍屬預覽階段（Preview），只支援部分 Google Cloud 服務。此外，機制主要依據估算成本觸發，並非毫秒級即時，限制生效前仍可能產生少量費用。
可延後工作負載 推理成本最高減半
另一項值得關注的功能是即將推出的「延後執行定價」（Deferred Execution Pricing）。針對不具即時性的 Agent 工作（如每日報表、文件分類或大批資料整理），企業可標記為延後執行，由 Gemini Enterprise Agent Platform 在非繁忙容量時段處理。這類任務的推理成本最高可降至一般模式的一半，並可繞過標準配額限制。這代表企業未來除了選擇模型，亦可透過區分即時與非即時工作來控制推理成本。
對企業而言，可按 AI 工作負載的成熟度選擇不同成本模式：仍在試驗或用量波動階段，可採按量計費並設定支出上限；需求穩定後，再考慮 FSP 等長期承諾；毋須即時完成的工作則可轉為延後執行。重點不只是降低 Token 單價，而是讓不同類型的 AI 工作採用合適的成本模式。
AI FinOps 從 Token 成本轉向「每項成果成本」
主要雲端平台正朝相同方向演進。AWS 今年亦推出 AWS FinOps Agent，協助企業查詢及調查雲端成本；Amazon Bedrock Projects 則讓企業把模型推理支出歸屬於不同應用或工作負載。這反映企業開始需要釐清究竟是哪個應用、工作負載或部門在產生成本。
McKinsey 分析指出，單看 Token 單價無法判斷 Agent 是否划算，因為一項業務流程可能包含多個 Agent 與人工覆核。企業部署 Agent 後，衡量效益的指標正由「消耗多少 Token」轉向 Cost per Outcome（每項成果成本）——例如完成一次保單處理或解決一宗客服個案的總成本，再與傳統流程效益進行對比。
Google Cloud 今次更新的重點，是當 AI Agent 開始自主執行任務，企業必須建立相應的財務治理機制。問題已由「員工能否使用 AI」，逐步轉變為「AI 可以自主消費多少預算，以及這筆支出創造了多少業務價值」。
