AI (人工智慧) 支出正從實驗性試點，轉變為一項重大的經常性營運成本，並於 2025 年在全球達到 1.5 兆美元。

潛在回報比以往任何時候都更高，但投資與成效之間的落差也同樣擴大。根據最近一項 McKinsey 研究，88% 的組織已在至少一項業務職能中部署 AI (人工智慧) ，但只有 39% 能將這項投資對應到企業層級的 EBIT 影響。

目前還沒有一套成熟的方法，能讓這些投資變得可衡量、可預測且有效率。這就是為什麼我們要推出 Cursor CFO Council——這是一個由財務主管組成的工作小組，專注於回答一個核心問題：如何讓 AI (人工智慧) 支出始終與價值掛鉤？

該委員會將於全球不同城市輪流舉行季度會議，為成員提供一個固定的論壇，交流各自觀察到的趨勢，並共同建立 AI (人工智慧) 經濟學的共享框架。

#智慧正開始反映在營收上

最近一份採用 Cursor 資料的 BCG 分析 發現，token 用量位居最高五分位的公司，年營收年增率中位數達 16.5%；相較之下，位居最低五分位的公司僅為 5.1%。

另一項針對 Cursor 用量的 獨立研究 發現，在 2025 年底模型大幅改進後，工作者每週傳送給代理的訊息增加了 44%。增幅最大的是高複雜度工作，訊息數成長了 68%。

更好的模型正在擴大團隊願意嘗試的工作範圍，這顯示出一種類似 Jevons 的動態：能力提升後，用量往往不減反增。但同樣明顯的是，採用 AI (人工智慧) 帶來的效益，並未同等地出現在所有地方。

#AI (人工智慧) 帶來的回報分布極不均衡

我們最近發布的 Developer Habits Report 顯示，p99 開發者每日產出的 AI (人工智慧) 輔助程式碼行數，是活躍使用者中位數的 46 倍；而每週合併的 PR (拉取請求) 數量，則是活躍 PR (拉取請求) 作者中位數的 15 倍。

換句話說，只有少數人獲得了驚人的槓桿效益，而大多數人則沒有。

我們也觀察到，支出、token 消耗和 AI (人工智慧) 產生的程式碼也有類似的集中現象。以 吉尼係數 衡量，這些分布比世界上任何國家的所得分配都更不均。

#每單位工作成本差異很大

即使 AI（人工智慧） 的效果已相當明顯，成本差異仍然很大。在《Developer Habits Report》中，不同模型家族的每次代理請求成本相差將近 9 倍，而每行已接受的程式碼成本則大約相差 7 倍。

這樣的成本落差說明了為什麼能使用多種模型和供應商會很有幫助。不同模型各自擅長不同類型的工作——規劃、前端開發、偵錯、低成本執行——而在 Cursor 中，84% 的重度使用者每週都會使用多種模型。

隨著 AI（人工智慧） 供應商轉向按用量計費，這種選擇彈性正變得愈來愈重要，因為這會讓智慧能力成為更難預測的變動成本。

讓合適的工作對應到合適層級的智慧能力，能大幅節省成本，而且這種優勢只會隨時間持續擴大。

#一個探討 AI (人工智慧) 經濟學的論壇

AI (人工智慧) 的生產力價值正隨著每次重要模型發布不斷提升，但採用情況並不均衡，用量高度集中，而且成本也會因工作如何分流而出現很大差異。

CFO Council 將為財務主管提供一個共同深入討論這些疑問的空間。它將致力於建立 AI (人工智慧) 生產力的共通基準、衡量智慧回報的框架，以及模型配置與成本管理的實務做法。

CFO Council 的首次會議將於 8 月舉行。我們期待在會議前後陸續公布參與者名單。我們也計劃發布該團體工作的最新進展，讓更廣泛的社群都能受益於我們所學。