FinOps Foundation 發表的《State of FinOps 2026》報告訪問了 1,192 位從業者，合計管理超過 830 億美元的年度科技開支。當中有一個數字，值得每一位香港企業管理層重新思考自己的 AI 計劃：98% 的組織已把 AI 開支納入正式的成本管理範疇，2025 年這個比例是 63%，2024 年只有 31%。
三年前幾乎沒有人管理 AI 成本，今天幾乎所有人都在管理。而走得最前的企業，並不是花得最少的那一批，而是能夠在一次會議之內回答財務總監提問的那一批。
今年這一點比去年更關鍵。Forrester 在《2026 Technology & Security Predictions》中預測，隨著供應商承諾與實際交付價值之間的落差擴大，企業將把四分之一的原定 AI 開支押後至 2027 年。預算並沒有消失，只是流向了說得清楚的團隊。
什麼是 AI FinOps？
AI FinOps 是一套讓 AI 開支變得可見、可歸屬、可辯護的營運紀律。它把原本應用於雲端的財務管理方法，延伸到 token、推論運算、GPU 時數、模型授權以及 AI 代理的活動，讓每一元 AI 成本在帳單到達之前，就能追溯至某個團隊、某項工作負載與某個業務成果。
FinOps Foundation 在 2026 年 2 月正式修訂了組織使命，由「推進管理雲端價值的人」改為「推進管理科技價值的人」。
這個措辭上的改動，本身就是整件事的重點。過去的職責是節省成本，現在的職責是治理投資。
對香港企業而言，實際意義相當直接：AI FinOps 就是擋在一個 AI 項目與一場尷尬董事會議之間的東西，避免出現無人能解釋 400 萬港元究竟買了什麼的場面。
為什麼 AI 成本在 2026 年變成董事會議題？
因為數字已經不再是零頭。Gartner 預測 2026 年全球 AI 開支將達到 2.52 萬億美元，按年增長 44%。在這個規模下，AI 不再是 IT 預算內的一個項目，而是董事會需要質詢的資本配置決定。
有三股力量同時發生作用。第一是絕對開支。Gartner 指出，2026 年總額中超過一半屬於 AI 基礎設施，單是 AI 優化伺服器就增長 49%。
第二是問責壓力。Forrester 指出，能夠將 AI 價值與公司財務增長掛鈎的決策者不足三分之一，因此行政總裁愈來愈傾向把 AI 審批交回財務總監把關。
第三是內部資金壓力。《State of FinOps 2026》發現，不少組織被要求以其他範疇的優化節省來自行支付 AI 投資。換句話說，你的 AI 預算，可能取決於你能否在別處省下同等金額。
對香港的部門主管而言，最後一點徹底改變了對話性質。你不再是在申請新錢，而是在與提出同樣理由的同事，競爭同一筆被回收的資源。
AI 開支與一般雲端開支有何不同？
AI 開支具備浮動、不透明、由代理行為驅動三項特徵，而傳統雲端成本工具從來不是為此而設。一台虛擬機每小時的費用可以預測；一個 AI 代理則會消耗 token、呼叫工具、查詢向量資料庫並自主執行多步流程，其成本取決於行為，而非資源配置。
《State of FinOps 2026》的受訪者指出三項具體困難。
--- 可見度。不同供應商與服務的計價模式差異極大，難以作同等比較。
--- 歸屬。把 AI 成本分攤至業務單位，比分攤基礎設施成本困難得多。
--- 價值。投資往往帶有探索性質，回報難以在早期定義。報告引述一位從業者的說法：目前根本無人能回答自己的 AI 是否創造了價值。
此外還有速度問題。一個設定錯誤的代理，可以在數小時之內產生傳統雲端配置需要數月才累積得到的開支。以月度帳單覆核作為控制手段，對這種失效模式而言實在太慢。
這也解釋了為何 2026 年從業者最希望獲得的工具能力，是針對 token、LLM 請求與 GPU 使用率的細緻成本監察。市場正在要求一種尚未完全存在的儀表。
AI FinOps 的營運模式應該長成什麼樣子？
主流模式是小型中央賦能團隊，配合嵌入各業務單位的聯邦式代表。《State of FinOps 2026》數據顯示，81% 的實務採用集中式賦能（60%）或輻輳式（21%）架構；即使是管理超過 1 億美元開支的組織，平均也只有 8 至 10 名從業者，加上 3 至 10 名外部支援。
真正值得借鏡的結構細節是匯報線。78% 的 FinOps 團隊現時匯報予 CTO 或 CIO，較 2023 年上升 18 個百分點；而匯報予財務總監的比例已跌至 8%。
原因在於影響力。與副總裁、高級副總裁或行政層有直接互動的從業者，對科技選型的影響力約為僅接觸總監層者的兩至四倍，例如雲端服務選型為 53% 對 24%，供應商選型為 47% 對 16%。
這應該被理解為一項治理指示。如果你的 AI 成本職能設在財務報告之內，它只會描述過去；設在科技領導層之內並獲得行政層支持，它才能在承諾簽署之前影響決定。
對一家 200 人的香港專業服務公司而言，這不代表要組建團隊，而是要指定一位問責負責人，給予行政層背書，並在每個運行 AI 工作負載的業務單位安排一名代表。
如何把 AI 成本分攤到業務單位？
先標準化資料，再在工作負載層級標記，最後在爭議發生之前先訂好共用成本規則。次序非常重要。在未標準化之前就嘗試分攤的團隊，最終只會在爭論數字，而不是在做決定。
業界的標準化機制是 FOCUS（FinOps Open Cost and Usage Specification），用以統一不同供應商的帳單資料格式。《State of FinOps 2026》指出，從業者最希望 FOCUS 下一步擴展的領域正是 AI 工作負載，排名高於數據中心與更廣泛的 SaaS 支援。
對中型企業而言，可行的分攤次序如下。
--- 標準化。把所有與 AI 相關的帳單納入單一格式，包括模型 API、GPU 運算、向量資料庫，以及捆綁在 SaaS 授權內的 AI 功能。
--- 源頭標記。要求每項 AI 工作負載在進入生產環境之前，必須帶有負責人、成本中心與應用場景。事後補回標記，是最昂貴的一種清理工作。
--- 以規則而非爭論拆分共用成本。共用知識庫或共用嵌入索引如何分攤，必須事先議定。
--- 以業務單位而非 token 呈報。部門主管關心的是每宗查詢處理成本，而不是每百萬 token 的價格。
最後一步的翻譯，正是多數計劃失敗之處。技術層面的單位經濟學，只有被表述為業務本來就在管理的營運單位時，才具說服力。若你仍在建立底層的成本圖像，可先參考我們的姊妹文章 企業 AI 的真實成本是多少，以及如何歸因，再套用本文所述的治理層。
回報未明朗時，如何證明 AI 的價值？
在部署之前定義價值單位，而不是在部署之後。《State of FinOps 2026》把「判斷 AI 價值與投資回報」列為從業者面對的三大難題之一，原因正是探索性項目往往被回溯地對照一套從未被書面確立的目標。
一個站得住腳的價值論證包含四個組成部分，而每一項都可以在呼叫第一個模型之前議定。
--- 基線。這個流程今天的成本是多少？以工時、人手、錯誤率或周期時間衡量。
--- 單位。你將為哪一個營運單位定價？每張處理發票、每宗解決查詢、每份審閱文件。
--- 門檻。單位成本降到什麼水平才值得繼續？由誰決定？
--- 終止條件。在什麼日期之前出現什麼結果，項目就無須爭論直接結束？
撰寫終止條件看似悲觀，事實剛好相反。一個寫明退出機制的項目更容易獲批預算，因為財務總監的下行風險是有界且可見的。
這一點與我們另一篇分析直接相關，探討 為何大部分企業 AI 試點無法進入生產環境。失敗原因極少是技術問題，幾乎總是欠缺一個成功的定義。
忽略 AI 成本治理會出什麼問題？
有四種失效模式反覆出現，而且都不會在早期發出警號。單獨出現尚可承受，同時出現，就是一間企業在財政年度結束時，面對可觀的 AI 開支卻無法說明成果的原因。
隱形經常性支出。AI 功能隨 SaaS 續約捆綁而至，開支因此增長，卻從未以「AI 決定」的形式出現。《State of FinOps 2026》顯示，90% 的實務現已管理 SaaS，一年前這個比例是 65%，正是因為這種蔓延。
無歸屬的試點。概念驗證跑在一個沒有成本中心的中央帳戶上；十二個月後它已成為生產關鍵，卻無人為帳單負責。
失控的代理。自主流程不斷循環、重試或過度檢索，成本累積的速度超越任何月度覆核所能捕捉。
價值真空。系統運作正常，採用率也真實，但無人說得出單位經濟。當預算收緊，無法量化的項目總是最先被削減，與其實際價值無關。
香港企業還多一層考慮：AI 成本治理與資料治理互相重疊，因為工作負載在何處運行，同時影響其價格與合規狀況。正在權衡這個取捨的企業，應把成本模型與我們關於 企業 AI 的資料落地究竟意味著什麼 的解析一併閱讀。
香港企業在未來 90 天應該做什麼？
先建立可見度，其次是治理，優化放最後。《State of FinOps 2026》在次序上的結論毫不含糊：跨所有科技類別，被列為最優先的能力都是分攤、預測、預算與報表，因為團隊一再發現，必須先理解成本，才有可能降低成本。
對一家 200 至 500 人的機構而言，務實的 90 天次序如下。
--- 第 1 至 30 天：盤點。列出組織承擔的每一項 AI 成本，包括捆綁在 SaaS 內的 AI 功能、以公司卡購買的部門訂閱、模型 API 金鑰與 GPU 容量。這張清單通常會比任何人預期的更長。
--- 第 31 至 60 天：歸屬。為每一項指定負責人與成本中心，公開共用項目的分攤規則，並把開支警報設在工作負載層級而非帳戶層級。
--- 第 61 至 90 天：量化。挑選開支最高的兩項工作負載，定義其單位經濟、基線與終止條件。在下一次預算檢討中只呈報這兩項，而非全部。
兩項工作負載被妥善呈報，所建立的信任度會高於十二項被含糊帶過。這項工作的目的不是完整，而是證明你的 AI 開支是被治理的，不只是被發生的。
正在建構周邊控制層的組織，亦可參考 AI Gateway 如何集中管理模型存取與用量上限，因為路由決策與成本控制，愈來愈是同一組控制桿。
策略要點
《State of FinOps 2026》所呈現的轉變，本質上與會計無關，而是與「誰有權決定」有關。與行政層有直接互動的 FinOps 從業者，對科技選型的影響力是其他人的兩至四倍，這意味著成本紀律已悄悄成為架構決策桌上的一個席位。
Forrester 預期四分之一的原定 AI 開支將押後至 2027 年。當中部分屬於審慎，但更多只是預算離開了答不出問題的主管，流向答得出的那一位。
你不需要龐大團隊、昂貴工具或成熟實務才能開始。你需要的是一張清單、一位負責人，以及兩項你能用財務總監本來就使用的語言說清楚的工作負載。
懂AI的冷，更懂你的難。UD 同行28年，讓科技成為有溫度的陪伴。科技最難的部分，從來都不是科技本身。
本文由 UD 企業 AI 團隊審閱。
下一步從哪裡開始
成本紀律只有指向真實工作負載時才有價值。如果你仍未確定組織內哪一項 AI 計劃最值得先撥預算，起點應該是準備度評估，而不是一張試算表。UD 團隊手把手帶你完成每一步，由 AI 準備度評估、應用場景篩選，到部署上線、成本分攤與成效追蹤，28 年香港企業服務經驗，全程陪你走。
