AI Product Economics Maturation

資料來源#

• 2026 State of Scaling: The Great Sorting
• Accenture and Google Cloud Deepen Partnership with Formation of New Accenture Gemini Enterprise Business Group
• Forward-deployed engineers are the AI industry's latest talent obsession
• Ramp's latest data on China vs. the American AI Labs
• Startup ARR is less secure than ever, new research shows
• State of AI 2026: The Builder's Economy
• The ICONIQ Pacesetter Index

摘要#

ICONIQ Growth 的 State of AI 2026: The Builder's Economy（第三次半年一期的建構者調查，涵蓋約 305 位打造 AI 產品之軟體公司的高階主管，2026 年 Q2，empirical）以一項論點為主軸：市場已從證明 AI 能運作，轉向證明 AI 能帶來收益。受訪公司中，AI 產品營收占比已接近一半，毛利率正在擴大，而領先的營運者將「定價、成本與組織設計視為產品決策，而非事後才考慮的事項」。本頁整理這波成熟化中的單位經濟面向——營收組成、毛利率走勢、定價模式轉變、供應商組合、內部 AI 成本，以及前進部署工程師（FDE）的變現方式。組織重整部分見 AI-Native Organization；每位員工營收部分見 AI Investment Story, Not Efficiency Story。

證據說明——同一個 empirical 來源內要區分不同證據等級。 原始文件標記為 empirical（對約 305 位高階主管所做的真實調查），但 ICONIQ 的重點數字混合了兩種等級。2025 年數字是自陳的實際值；2026P／2027P 數字是自陳的預測值——更接近 prediction 等級，而非實測的 empirical；由於這些數字既是預測、也是調查結果（受訪者預測自家公司情況，且由創投出版者以樂觀方式呈現），證據力又更弱。全文會在相關數字旁標明「預測」。若 ICONIQ 的未來走勢與知識庫中其他地方的實測結果（例如 RPE 上升）相互印證，那麼它是該結論的最弱證據，而不是最強證據。

AI 已成為營收與毛利率的故事#

「證明 AI 能帶來收益」的核心展示（以下數字皆為受訪群體平均值，另有註明者除外；不含純 AI-native 公司）：

• AI 產品營收占比：32%（2025 實際）→ 42%（2026 預測），增加 10 個百分點（N=265，排除 AI 驅動營收占 95% 以上、可能屬於 AI-native 的公司）。AI 產品營收接近一半，是簡報中「不再只是實驗」的重點標題。
• AI 產品毛利率：45%（2025 實際）→ 53%（2026 預測，+8 個百分點）→ 59%（2027 預測，+6 個百分點）——兩年預計總計增加 14 個百分點（N=287）。高成長公司預測 2027 年毛利率為 64%，同業則為 58%。毛利率擴張歸因於營收規模，以及各項最佳化措施（降低推論成本排名第一、路由策略第二、擴大營收以取得成本槓桿第三，此外還有切換 OSS 模型、調漲價格、與供應商協商價格）。
• 毛利率改善仍是預測，並非已實現的成果。值得注意的是，這比 Emergence Capital 的實測毛利率情況更樂觀；其股權結構資料顯示，成長最快的公司毛利率比成長較慢的同業低 6–16 個百分點（以 AI 基礎設施成本換取成長）。ICONIQ 受訪者預測毛利率會擴張；Emergence 則在成長前沿測得毛利率承壓——這是調查預測與實際數據之間值得留意的落差（見 Telemetry vs. Survey Measurement）。

同一出版者兩個月後的實測毛利率——以及它為何無法驗證這項預測#

ICONIQ 的 Pacesetter Index（2026-09-17，empirical）是少見的案例：出版者將一項實測數字帶進自家預測所在的領域。它不是調查：資料來自上市軟體公司，以及 ICONIQ 創投與成長投資組合的 2024 年至 2026 年 Q2 季度財務與營運數據。依 ARR 區間列出的公司層級毛利率（中位數／前四分位數）如下：

ARR 區間	毛利率，中位數	前四分位數
<$10M	55%	80%
$10M–$25M	60%	70%
$25M–$100M	80%	85%
$100M+	75%	85%

在將這項指數視為上述 2027 年 59% 預測的定論之前，有三個理由必須先檢視。 (1) 衡量指標不同——調查預測的是AI 產品毛利率；指數衡量的是公司整體毛利率。對 AI 營收只占 32–42% 的公司來說，兩者不是同一項指標；對真正 AI-native 的公司而言，也只會大致趨近。(2) 受訪群體不同——調查涵蓋約 305 家打造 AI 產品的軟體公司，多數是新增 AI 業務線的既有公司；Pacesetter 則按三年營收成長前四分位數加上 ICONIQ 自己的 AI-Native／AI-Driven 標籤選出，且未公布對照組。(3) 觀察軸不同——預測是固定樣本沿著曆年推進；指數則是在同一個彙整期間，比較不同公司的ARR 區間。橫斷面資料無法證偽預測。

它提供的是合理性範圍。若 2027 年 AI 產品毛利率達到 59%，會低於目前 $25M 以上 Pacesetter 的公司層級毛利率（75–80%），也會落在兩個較小區間的中位數（55%、60%）之間——因此該預測在數字上並非離譜；而 ICONIQ 受訪者預測將擺脫的低毛利率，正是其實測群體中集中於小規模公司的情況。另有兩點不利於把這個階梯解讀成「規模越大、毛利率越高」的直線故事：它是非單調的（進入 $100M+ 區間時從 80% 降至 75%），而低於 $10M 區間中位數與前四分位數相差 25 個百分點，顯示早期 AI 領先公司並非都採取相同的毛利率結構。數字四捨五入至最接近的 5。

定價模式轉變#

毛利率上升有一部分來自定價。訂閱與平台仍是最常見的模式，但隨用量與價值連動的模式正在增加，建構者正讓價格與用量成本及消費所帶來的價值相符：

• 42% 的受訪者採用按用量計費，23% 採用按成果計費，兩者在過去六個月都有上升。
• 公司平均採用約 1.7 種定價模式（高於 2025 年 Q4 的 1.5 種）——定價架構本身正成為組合式產品決策。
• ICONIQ 社群提出的理由：讓價格符合 AI 的成本（推論成本會隨用量增加）與價值（成果），而非按席位計價。對採用按用量計價的產品而言，token／推論成本通常由供應商與客戶共同承擔。

三個月後以營運數據重新衡量賣方端占比。 ICONIQ 自己的 State of Scaling 報告指出，目前 70% 的 Pacesetter 將部分營收與用量連動（混合式或按用量計價，2026 年 Q2 公司特徵資料）——這是以成長表現選出的群體，而非約 305 家公司的調查樣本；衡量的是「將部分營收與用量連動」，而非「使用此模式」，因此不能視為對上述 42% 的重述。營運者自己的建議才是有用之處：「逐步推出定價」——分階段套用至現有客戶，並對所有新客戶實施；「不要讓人類預測用量」——ML 模型「在用量型營收預測上始終勝過人類判斷」；此外，應比直覺所認為的更久維持新客戶取得的優先地位，因為在「約 $500M ARR」時降低其優先級，可能會「在企業尚未準備好轉型之前，就損害營收模式」。

同一轉變的買方觀點，以及供需落差（a16z 經 TechCrunch 報導，2026 年 9 月）#

ICONIQ 衡量建構者如何收費。Julie Bort 在 TechCrunch 的文章（2026-09-03，practitioner-opinion——一篇報導尚未讀過的創投調查的新聞文章）首次呈現買方想要什麼，而兩者並不一致：a16z 調查了 50 位技術領域 AI 買方，超過半數希望 AI 費用與產出工作或其他成果連動，而不是依消耗的 token 等用量計價。 相較賣方端的 ICONIQ 23% 按成果計價，買方需求大約是供給的兩倍——但兩者來自不同群體、不同工具，也回答不同問題（偏好什麼，對比目前如何收費），所以這個比例充其量只能看方向，而且兩個數字都是自陳資料。

a16z 合夥人 Tugce Erten 與 Sarah Wang 提出的是論點，而非衡量結果：依「可辨識的工作」定價——處理的報告、結案的工單、產生的潛在客戶——才能向客戶證明價值，並讓產品「對雙方都具有經濟價值」；而按 token 計費，則是把 SaaS 時代按席位與儲存空間計價的慣性套用到價值不會與用量成正比的產品上。原文未取得；wiki 中的引文來自 Bort 的轉述。

這股熱情必須經得起本頁已提出的兩項考驗。(1) 它與成本端的期待相反：本頁的超支排序將 token 支出排在第一；某個工作流程原本預估每次執行 $0.10，但代理程式重試並自行修正後，成本達到 $1.50 以上。按成果計價會讓賣方全額承擔這種差異——以結案工單計價的費用，不會因某次執行成本達到預估的十五倍而變動，這正是 23%／1.7 種模式的情況呈現出混合而非全面轉換的原因。(2) 提出這項需求的買方，正以六個月後的續約審查牽制賣方（Seven Powers Applied to AI）；因此「按成果計價」同時是在要求一種定價模式和問責工具，兩者一起到來，而後者才是具有約束力的部分。

第三種買方觀察，樣本較大且附帶防護條件（2026-09-22）。 ICONIQ 的 State of Scaling 納入了自有的 AI 軟體企業買方調查（2026 年 6 月，n = 132）：40% 的企業 AI 買方偏好混合式用量加訂閱（25%），或完全按用量計費（15%）——而且在接受這種方式前，約「60% 的受訪者要求保證成本不會超過門檻，並能即時查看用量」。這補上了 a16z 報導缺少的另一半，也改變了整體圖像：買方不是要求自己承擔用量風險，而是要求把風險轉移出去，並設下上限。設有上限且提供即時用量追蹤的合約會像按成果計價一樣，把超支差異推回賣方——因此在成本端，兩種買方偏好其實是一回事，而且都指向下方超支清單中排名第一的 token 支出。

供應商組合重整——Anthropic 升至第一#

多模型已成為預設作法：建構者平均使用約 3.3 家模型供應商（高於 2025 年 Q4 的 3.1 家），而排行榜前段在六個月內重新洗牌（2025 年 Q4 → 2026 年 Q2，受訪者占比，可複選）：

• Anthropic 51% → 81%——從第 3 名躍升為這些 AI 建構型軟體公司的第一大供應商。
• OpenAI 77% → 71%（現居第 2）；Google 56% → 50%（第 3）；Azure 30% → 26%；AWS 27% → 22%；Meta 21% → 21%；接著是 Databricks 9%、Mistral 8%、DeepSeek 7%、Alibaba 6%、Moonshot 4%、xAI 3%。
• 選擇條件的排序維持不變：模型可靠性與準確度第一、成本第二；但安全／隱私從第 4 升至第 3，SOC2／企業 SLA 從第 10 升至第 8，顯示產品成熟時企業就緒度的壓力正在上升。ICONIQ 社群指出，安全「正成為轉換成本」；可觀測性與監管可解釋性則是新興阻礙（一家全球保險公司的 CISO「目前還無法向監管機關說明已部署的代理程式正在做什麼」）。

這是市場占有率的觀察（約 305 家建構者中的採用廣度），不是支出或 token 用量的觀察——但它是知識庫中關於 Anthropic 建構者端供應商地位的第一筆資料，也從需求端印證了 Anthropic 項目所述「ARR 達 $11B，快速成長」的敘事。

付款紀錄提供獨立佐證（2026-08-04 新增）。 Ramp 的 2026 年 7 月 AI Index（empirical，來自 Ramp 客戶群的公司卡與帳單付款紀錄）以完全不同的母體與工具，在相同六個月期間觀察到同一波重整：Anthropic 於 2026 年 5 月超越 OpenAI，並在 6 月觸及美國企業的 42.4%，高於 OpenAI 的 39.5%；OpenAI 則較 2025 年 11 月的 41.4% 高點下滑約 1.9 個百分點。兩者的數值不可直接比較——ICONIQ 詢問約 305 家打造 AI 產品的軟體公司使用哪些供應商（可複選）；Ramp 則計算所有透過其支付網路的企業付費購買哪些供應商——但自陳調查與依付款憑據建立的樣本對方向和時間點看法一致，證據力比任何一方單獨提供的都強；本頁自己的證據說明也提醒了調查資料的限制。詳見 Telemetry vs. Survey Measurement，兩者趨同才是值得注意之處。

Ramp 的資料也為簡報中中國模型的尾端比例設下界線（DeepSeek 占 ICONIQ 受訪者 7%、Alibaba 6%、Moonshot 4%）：在所有 AI 支出型美國企業中，只有**5.8%**會向任何模型服務或推論平台付費——Ramp 用這個指標代理開源與中國模型的使用情況——而其中 96.4% 仍直接向 OpenAI 或 Anthropic 付費。ICONIQ 的比例較高並不矛盾，因為該群體正是 Ramp 所辨識出的 AI 密集型尾端；兩種工具都顯示，中國供應商的規模比美國實驗室小一個數量級，而且是被加入供應商組合，而非取而代之。完整分析見 The Open-Weight Frontier Gap。

內部 AI：支出上升，真實成本難以預測#

簡報中另一個經濟前沿是內部 AI——建構者讓自家員工具備 AI 生產力的成本：

• 預測 2026 年內部 AI 系統支出將從營收的 11% 升至 16%，並預期 2027 年進一步成長；高於 ICONIQ 過往分析測得的營收 1–3%。這項數字刻意涵蓋廣泛：納入間接支出（變革管理、技能提升、資料治理），以掌握「AI 的真實成本」；受訪者表示這項成本難以預測。
• 超支來源（依序排列）：(1) token 支出——從單輪呼叫轉向多步驟代理流程，會讓成本非線性增加（某個工作流程原估每次執行 $0.10，代理程式重試／自行修正後卻達到 $1.50 以上）；(2) 資料基礎設施——正式環境等級的 RAG、權限控管、資料結構化；(3) 組織賦能——治理、使用標準、持續訓練，這些「很少出現在最初的商業案例中」。token 數本身「很快就會失去作為指標的效用——一旦用量成為目標，做法就會偏離初衷」；將 AI 使用成本回計至成本中心效果更好。
• 生產力確實提升，但幅度溫和，而且因用途而異。 自陳生產力提升以程式碼輔助為首（高成長公司 48%、同業 32%，相差 16 個百分點），接著是文件／知識檢索以及產品與設計（約 40%），銷售／人資則降至約 25%。AI 代理程式在所有營收區間都只帶來 <30% 的提升——低於非代理式 AI——而且在多步驟或高度依賴情境的工作中「通常需要人為介入」。高成長公司也更快導入新的 AI 工具（達到效益需時 2.5 個月，對比 3.5 個月），並撰寫更多 AI 輔助程式碼（59%，對比 47%）。內部生產力成為護城河的範例是 Ramp（內部 AI 採用率 99%；350 多個可重複使用的工作流程在公司內共享，以 Git 管理、版本控管，並像程式碼一樣審查）——一家公司的實例，呈現了 internal-productivity-as-moat 與 skillify-it 兩種做法。

成本項目實際情況如何：其他資料來源的實測（ICONIQ State of Scaling，2026 年 9 月）#

以上所有數字都是建構者對自家內部支出的自陳。 2026 State of Scaling（ICONIQ Venture & Growth，2026 年 9 月，empirical）是 52 頁的年度報告，其 Pacesetter Index 擷取了該報告的群體分析；它從三個外部角度檢視同一項成本，但沒有任何一項衡量 AI 支出占營收的比重。必須明確指出這點，因為讀者最可能在這份報告中尋找答案。

• 投入價格減半，推動因素是路由，而非折扣。 Silicon Data SDLLMTK token 支出指數——跨 20 多個模型加權計算的 LLM 推論每百萬 token 實際混合服務成本，每日收盤，期間為 2025-12-01 至 2026-08-17——走勢為 $1.02 → $1.79 → $1.26 → $2.07 → $1.05，約在 2026 年 6 月見頂，期末大致回到起點。ICONIQ 對高點至低點約 50% 跌幅的解讀是：「模型路由正成為毛利率槓桿：公司逐步依成本、效能與任務複雜度，將工作負載分配至不同供應商。」圖表的階段標籤將波動歸因於模型發布——「高階模型組合轉變」（GPT-5.2、Claude Opus 4.6）、「轉向開放權重」（Kimi K2.5、Qwen3.5），接著是「前沿品質溢價再度擴大」（GPT-5.4/5.5、Claude Opus 4.8）。這是價格指數，不是支出指數：即使單位價格減半，公司帳單仍可能翻倍。
• 上市公司開始在財報電話會議中談論帳單。 在 2025 年 Q2 至 2026 年 Q2 的曆年季度財報電話會議逐字稿中，實質 AI 討論中投入營收／變現的比重增加三倍，從 5% 升至 15%，而運算／基礎設施成本增加一倍，從 3% 升至 6%；報告指出後者「集中於推論密集型公司」（第 19 頁；六個類別正規化為 100%，約 56% 的所有 AI 提及因內容泛泛而不納入）。
• 唯一的公司層級數字是軼聞，且以薪資為分母。 一家 ARR 超過 $500M 的金融科技公司 CFO 表示：「我們的 token 支出從接近零升到薪資的約 5-10%，因此從未來的人力編制計畫中扣除了這部分。改用中階模型作為預設並加入快取後，即使用量持續上升，成本也降到遠低於該水準。」只有一家未具名公司，衡量的是薪資占比，而非營收；而且發言者表示後來降低了這項支出。但這種說法最清楚地呈現了本頁支出段落暗示卻未衡量的替代關係——token 支出由人力編制項目支應，這正是 spend-to-headcount trade 在單一損益表內部的觀察結果。他的另一個主張更具持久性：「難的是找到價值，而不是控制成本。」

解析說明。 薪資數字在 docling 解析的原始文件中變成「薪資的約 510%」——原文以連字號連接的區間在換行處被拆開（~5-／10% of payroll），之後又被合併成看似合理、實際荒謬的數字。這項錯誤透過 pdftotext -layout 還原；表格檢查無法發現這類問題，因為它發生在散文內容中。

前進部署工程師成為可變現的 GTM 模式#

簡報聚焦的人才角色是前進部署工程師（FDE）——嵌入客戶端、面向客戶的工程職位。AI 建構者正將此職位制度化為營收職能，而非交付成本。

這個職位現在有自己的頁面。 Forward-Deployed Engineering as a Delivery Layer 詳述交付層：ICONIQ 對營運者的定義與組織定位、完全負擔成本 5–10 倍的經濟效益門檻與各市場人力配置範本、供給估計、買方反應，以及由誰掌管該層的三種競爭答案（模型供應商／客戶內部／系統整合商）。本節保留本頁主題——變現觀察；以下兩個未解問題也基於相同理由留在此處。

簡報本身的數字：

• 約 50% 的公司正擴大 FDE 模式，將其作為 GTM 的永久組成部分（而非暫時的導入輔助）；預計企業客戶在 2027 年會有最高程度的 FDE 整合。
• FDE 的主要職能（單選，N=200）： Revenue Driver 38%（實質促進擴張／留存／策略客戶成果）> Product Intelligence Loop 24%（客製化工作刻意回饋核心產品路線圖）> Delivery Necessity 22%（導入所需，但不是成長推手）> Product Gap Coverage 17%（補足尚未建置的功能）。多數人將 FDE 定位為成長或產品訊號，而非單純服務職能。
• 薪酬約為 70/30 底薪／變動薪酬；變動薪酬通常與客戶留存／續約連動——這是明確依成果設計的薪酬結構。變現方式仍然分散：併入訂閱費、另收專業服務費，或採混合模式。

FDE 作為營收推手的定位，將「讓 GTM 緊貼產品」的直覺（Founder-Led Sales Discipline）延伸至規模化的 PMF 後階段；Product-Intelligence-Loop 職能（24%）則是 GTM 端將客戶訊號回饋產品路線圖的循環。

供給端，以及由誰掌管（TechCrunch，2026 年 7 月）#

ICONIQ 從需求端與建構者端觀察：約 305 家公司表示正擴大 FDE 團隊。TechCrunch 於 2026-07-30 的報導（Rebecca Bellan，vendor-claim）談的是市場另一端；看待其數字時必須保持距離，因為所有數字都來自 Christian & Timbers 的未公開專有研究；該公司是一家招募這類職位的高階主管獵才公司，而研究也宣稱這類人才稀缺，並獨家提供給 TechCrunch。據報導，研究方法包括：訪問 180 家公司的 250 多位 C-suite 招募主管、調查 80 位 Fortune 500 高階主管、訪談 300 多位 FDE；期間為 2026 年 1 月至 6 月。形式上是調查，但賣方本身也是資料來源。

• 不同母體與工具對 ICONIQ 的需求觀察提供方向性獨立佐證：計畫招募 FDE 的公司比例，從 2026 年初的 5–10% 上升至 Q2 結束時的 70%；最大型顧問與服務公司表示需要將 FDE 人數擴大 10 倍（團隊規模 20–100 人）。ICONIQ 所說約 50% 的 AI 建構者正擴大 FDE 團隊，將其納入永久 GTM 模式，是對不同群體提出的不同問題；兩者在方向與時間點上相符。證據權重應據此評估：empirical 調查對比 vendor-claim。
• 人才稀缺的主張是最受賣方立場影響的部分：市場上約有 17,000 名美國 FDE，其中只有約 2,000 名——「不是有 2,000 名可用，而是總共只有 2,000 名」——具備產業知識與應用 AI 經驗，能帶來投資報酬；此處將 ROI 定義為「數千萬美元以上的 ROI 影響」。招募公司估計有多少人能勝任它招募的工作，是本頁獨立性最低的數字；第二方、同樣有利害關係的 Chris Taylor（與 Anthropic 合作的 Ode 執行長）所述質性版本更有參考價值：「許多 FDE 很適合協助你將 Claude Code 推廣至整個員工群體。能建構旗艦 AI 產品功能的人卻少之又少。」
• 前沿實驗室現在也成為 FDE 供給方。 Anthropic 的 Ode 與 OpenAI 的 Deployment Company 聘用 FDE，「唯一任務就是走進企業推廣他們的技術」——這是垂直整合交付層，動機是面對較便宜的開放權重競爭，尋找實驗室自身的獲利途徑。
• 這帶出策略上耐人尋味的發現：它關乎護城河，而不是人才。 企業正在建立內部 FDE 團隊，而不是向 Ode 或 Deployment Co. 租用，明確目的是避免將自有商業流程交給模型供應商：「每個人都擔心，一旦交出自有商業流程，[AI 公司]就能與他們競爭；許多領域確實如此。」這是從客戶角度觀察 workflow lock-in——對新創而言，編碼成流程的資產是護城河；對企業而言，則是不願交給可能藉此向上延伸產品堆疊的供應商的資產。Taylor 證實「內部前進部署工程師」這個說法正在流傳，也提到自己的客戶尚未要求 Ode 為他們建立此類團隊——也就是說，動機已有紀錄，但行為大多尚未出現。
• 這並未觸及下方的變現問題。 文章完全沒有討論 FDE 工作如何定價、如何包裝或如何入帳，也沒有毛利率分析。未解問題仍然懸而未決；這點本身值得記錄：語料庫中最受矚目的職位報導，對其是否能帶來收益隻字未提。

保留自我削弱的那一段，因為這是誠實之處。 Christian 自己預測這個職位可能不會長久：「也許兩年後一切都自動化了，代理程式會自動化其他代理程式，而不是由人類自動化代理程式」，FDE 可能在五到十年內消失——這是來自其業務依賴相反結果之人的 prediction，也是為什麼應將年底需求成長 2,100% 的預測視為行銷數字，而非可用來檢驗本頁的預測。

相關連結#

• Forward-Deployed Engineering as a Delivery Layer — 本頁探討變現的職位，在產業層級交付層中的定位：營運者定義、界定 Revenue-Driver 定位的完全負擔成本 5–10 倍門檻、各市場人力配置範本，以及交付層的三種競爭掌管者（模型供應商、客戶、系統整合商）
• AI Investment Story, Not Efficiency Story — 同一份 ICONIQ 簡報中的 RPE 部分：ARR／每位 FTE 營收是知識庫中的第四種人均營收衡量工具（調查加未來預測），在該文中依工具類型分類；本頁則整理 RPE 頁面提及的毛利率／定價／成本經濟
• Organizational Complements to AI — ICONIQ 的內部 AI 支出從營收 1–3% 升至 11%→16%，以及三種超支來源（token、資料基礎設施、賦能），列出了 AI 價值實現的前置配套成本——也就是該文指出生產力提升所仰賴的工作流程／技能／治理重整成本
• AI-Native Organization — 本簡報中的組織重整部分（組織扁平化、角色組合轉變、各職能人數，以及 FDE 作為新的招募類別）；「內部生產力就是護城河／將技能流程化」的做法（Ramp 的 350 個版本化工作流程），是 Tan 對約 305 家建構者提出的論點之實測案例
• AI-Native Startup Lifecycle — AI 產品成為營收來源後，Scale 階段的損益表呈現的樣貌：毛利率最佳化、定價組合、供應商組合，以及 FDE 帶動的擴張
• Telemetry vs. Survey Measurement — 工具所帶來的保留意見：ICONIQ 採用帶有未來預測的調查，因此其樂觀的毛利率／RPE 走勢是對未來的自陳看法；若與實測收據資料不一致，權重應低於後者
• Compounding Data Moat — Ramp 的內部生產力護城河，以及「模型品質是租來的，你擁有的是工作流程的串接方式」這種對供應商重整的解讀：切換供應商成本低（產品組合中有 3.3 家），所以持久優勢在內部工作流程層，而不在模型本身
• Seven Powers Applied to AI — 定價架構為何比以往更重要：企業 AI 合約中，慣性護城河已不復存在；以成果計價正是該文轉換成本項目所建議的因應方式，具體表現在計費單位上
• Cost-per-Task Over Cost-per-Token — 同一項計費單位論點再往下一層，從應用程式到模型 API：賣方每個 token 的支付成本，對比買方願意為每單位完成工作支付的價格
• ICONIQ — 本頁兩份簡報的出版者，也是為何必須分開衡量而非合併兩份 ICONIQ 觀察的原因：一份是附有 2026P／2027P 預測的高階主管自陳調查；另一份則是以成長表現選出的群體之實測營運數據，且沒有對照組
• Anthropic — 建構者端市場數據：六個月內，Anthropic 在受訪 AI 公司中躍升為第一大模型供應商（51%→81%）

待解決的問題#

• ICONIQ 受訪者預測毛利率到 2027 年將升至約 59%，但 Emergence 的股權結構資料顯示，成長最快的公司目前毛利率比同業低 6–16 個百分點。預測中的毛利率擴張會實現嗎？還是這只是調查中的樂觀預期，隨公司規模擴大，毛利率將回歸實測到的成長與毛利率取捨？以同一出版者的實測基準檢驗後，仍未有答案（2026-09-22）：The ICONIQ Pacesetter Index 以實測而非預測為基礎，這正是本項問題需要的改進；但它按 ARR 區間而非年份衡量（低於 $10M／$10–25M／$25–100M／$100M+ 區間的中位數分別為 55%／60%／80%／75%），研究對象也是不同群體（成長表現位於前四分位數的 AI 領先公司，沒有對照組），衡量的層級也不同（公司毛利率，而非 AI 產品毛利率）。不同規模公司的橫斷面資料無法證偽同一樣本跨時間的預測，而且這組數字本身也不是單調上升——進入最大區間時，中位毛利率從 80% 降至 75%。它確實以收據而非自陳資料，確認本項問題另一半所指出的成長與毛利率取捨確實存在，且集中於規模最小、成長最快的區間。觸發事件不變：受訪樣本的 2027 年實際數字，或同一批公司跨年份的毛利率序列。進一步查證後，缺少的比較資料終於出現，但仍無助於回答問題（2026-09-22）：索引所摘錄的完整報告 2026 State of Scaling: The Great Sorting 同時繪出按年份計算的毛利率，以及與非 Pacesetter 的比較——正是指數缺少的兩項內容。公司層級中位數：ARR 低於 $100M 的公司，2022-23 至 2026 年為 72%／74%／70%／70%；Pacesetter 為 71%，Others 為 70%。ARR 高於 $100M 的公司為 78%／79%／79%／78%；Pacesetter 為 73%，Others 為 78%。現在有了時間軸，但走勢是持平——四年內沒有任何整體毛利率擴張；唯一真正的差距，是 ICONIQ 歸因於 Pacesetter 大規模時「較高的推論、基礎設施與部署成本」的約 5 個百分點。這仍不是本項問題所詢問的數據：70–78% 是公司整體毛利率，而 45%→53%→59% 的預測則是AI 產品本身的毛利率；整體混合毛利率完全可能掩蓋這條細項。新增資料顯示了成本拖累的方向：在階梯頂端，AI 領先公司放棄毛利率而非提高毛利率，與預測的走勢相反。Pacesetter 各儲存格的公司季度樣本數 n = 4–12。觸發事件不變。
• FDE 的變現方式分散（併入訂閱／另收 PS 費用／混合），且薪酬與留存連動。是否會出現主流 FDE 變現模式？「Revenue Driver」的自我定位（38%）經得起毛利率分析嗎——也就是說，FDE 真正帶來增益，還是把服務成本重新歸類為成長？(問題仍然懸而未決，而且原因很明確：語料庫中最受矚目的 2026 年 7 月職位報導詳談人才供給、稀缺性與供應商結構，卻對定價、方案組合或毛利率隻字未提。答案要從財報申報資料或營運者的損益表中找，而不是職位報導。) 第三種人力配置模式出現了，卻沒有價格資訊；因此多了一欄證據仍為零（2026-09-22）。Accenture and Google Cloud Deepen Partnership with Formation of New Accenture Gemini Enterprise Business Group（Accenture 新聞室新聞稿，2026-09-08，vendor-claim）宣布由全球系統整合商在模型供應商的平台上配置一支 1,000 人的 FDE 團隊——既不是供應商端交付部門，也不是客戶內部團隊。Accenture 與 Google Cloud 表示，這支團隊由「近 50,000 名具備 Google Cloud 技能的專業人員」組成，並由 Google Cloud 提供訓練；新聞稿沒有說明計費模式、FDE 雇主、時程或毛利率。因此，合理的變現模式從三種（併入訂閱／另收 PS 費用／混合）增加到四種（SI 自行簽訂服務合約，由平台供應商記列用量費、整合商記列工時），但何者占主導地位仍毫無證據——而語料庫中最大的一筆 FDE 承諾，揭露的資訊反而最少。最接近經濟效益驗證的資料來自不同來源，而且是門檻而非結果：ICONIQ 營運者在 2026 State of Scaling: The Great Sorting 中指出，FDE 經濟效益「通常只有在服務能帶來完全負擔成本 5–10 倍回報的機會時才合理」，其產能「隨人數線性擴張」，且只有「達到相當規模的 ACV」才可行。這明確指出該項問題中的 Revenue-Driver 自我定位有何不足：若此模式只有面對大型客戶才能抵銷成本，那麼 38% 的「Revenue Driver」說的是 FDE 被指派服務的客戶，而非此模式的毛利率；兩者可以分開看待。從需求端來看，同一份報告的 n=132 買方調查中，73% 對 FDE 持正面看法——企業需要這個層級，但這不代表它能增加利潤。觸發事件不變，新增一個可能的資料來源：SI 部門揭露能單獨列出 agentic 部署服務的資訊。
• 企業正在建立內部 FDE 團隊，特別是為了避免向模型供應商揭露專屬商業流程（C&T 經 TechCrunch 報導，vendor-claim；動機僅由一家招募公司與一位供應商執行長記錄，相關行為大多尚未被觀察到——Ode 表示沒有客戶要求它建立此類團隊）。這種內部化真的會大規模發生嗎？若會，是否會讓 FDE 作為營收推手的模式止步於價值最高的客戶——也就是說，實驗室整合交付層的做法是否會自我設限？可用職缺資料（非供應商企業內部的 FDE 職稱職位）對照供應商服務營收揭露來驗證。出現一個真正的新面向，但仍未化解疑慮（2026-09-22）：Accenture and Google Cloud Deepen Partnership with Formation of New Accenture Gemini Enterprise Business Group（vendor-claim）將第四方納入討論。全球系統整合商在 Google Cloud 的 Gemini Enterprise 上配置 1,000 名 FDE，既不是本項問題所對比的兩種選項，也就是供應商端交付團隊或客戶內部團隊：FDE 關係以及編碼後的流程知識由一家不銷售競爭軟體的公司掌握，而其帳戶關係壽命也長於平台選擇。若照字面解讀，這就回答了已陳述的顧慮——模型供應商不會取得流程資料。但它沒有回答顧慮的實際核心，新聞稿本身便指出：「建立可重複使用、因產業而異的解決方案」是該事業群的第二項優先事項；也就是說，這家公司會取得一位客戶的流程知識，再轉售給其競爭對手，而其服務客戶約 9,000 家。因此，內部自建與透過 SI 合作並非替代方案；有此顧慮的買方沒有理由因第三種模式而放心。另有兩項限制，說明這還不能算是對本項可證偽部分的進展：這是一項供應商主張，沒有時程，也未指出 1,000 名工程師的雇主，因此尚未觀察到任何實際行為；而且完全沒有提到企業是否正在建立內部團隊——這仍是本項問題所關注的量。這項消息改變了上述職缺測試的方式：內部 FDE 數量現在無法區分企業自行內建，或 SI 派駐至客戶所在地的人員，因此衡量工具必須區分雇主與工作地點。
• 內部 AI 支出從營收 1–3% 跳升至預測值 16%，受訪者稱真實成本難以預測。16% 是隨工具成熟而下降的短期賦能高峰，還是軟體公司持久的新成本項目？*(價格面部分有解，支出面仍未觸及（2026-09-22）。 2026 State of Scaling: The Great Sorting 是同一出版者的營運資料報告，衡量的是投入價格，而非支出：Silicon Data 混合 token 支出指數為 $1.02 → $1.79 → $1.26 → $2.07（2026 年 6 月）→ $1.05（2026 年 8 月），自高點大約減半；ICONIQ 將跌幅歸因於在不同供應商之間進行模型路由，而非調降牌價。單位價格減半是支出高峰消退的必要條件，但遠非充分條件——支出等於價格乘以用量，而同一份報告的 agentic 工作流程資料顯示用量快速上升。唯一的公司層級資料是軼聞，且單位不符：一家 ARR 超過 $500M 的金融科技公司 CFO 表示，token 支出「從接近零升至薪資的約 5-10%」，之後透過中階模型預設值與快取，「即使用量提高，也降到遠低於該水準」——只有一家未具名公司，分母是薪資，而非營收；數字也由發言者自行調降，但這直接觀察到成本項目先膨脹、再透過工程手段降低，符合「短期高峰」的預測。上市公司財報電話會議也證明這項成本逐漸受到重視，但無法估算其規模：運算／基礎設施成本在實質 AI 討論中的占比，從 2025 年 Q2 至 2026 年 Q2 增加一倍，由 3% 升至 6%。**觸發事件不變，問題也更明確：*同一組樣本再次調查 2026 年實際 AI 支出占營收的比重——ICONIQ 在 52 頁的報告中沒有公布這項數字，因此無法從營運資料面解決此問題。)

資料來源#

• State of AI 2026: The Builder's Economy — ICONIQ Growth，State of AI 2026: The Builder's Economy（2026-07-08，empirical）：§「AI Go-to-Market & Economics」（AI 營收占比、毛利率走勢、定價模式組合、單位經濟槓桿），§「AI Models & Infrastructure」（供應商組合、選擇條件），§「AI for Internal Productivity」（內部 AI 支出、成本超支、各用途生產力、代理程式效益、Ramp 案例研究），§「Talent & Organization → Spotlight: Forward Deployed Engineering」（FDE 職能、薪酬、變現）。多數圖表數值透過兩階段方式從簡報圖片讀取：營收占比（image_000037）、毛利率（image_000046）、供應商組合（image_000020）、各用途生產力（image_000089）；FDE 職能占比與內部支出數字取自原生文字／表格。
• Forward-deployed engineers are the AI industry's latest talent obsession — Rebecca Bellan，TechCrunch，2026-07-30（vendor-claim——所有數字都來自 Christian & Timbers 未公開研究；該公司招募其研究宣稱稀缺的職位人才，並「獨家提供給 TechCrunch」；據報導的方法包括：訪問 180 家公司的 250 多位 C-suite 主管、調查 80 位 Fortune 500 高階主管、訪談 300 多位 FDE，時間為 2026 年 1 月至 6 月）：Q1 至 Q2 招募意願從 5–10% 升至 70%、約 17,000 人總供給／約 2,000 名頂尖人才的估計、Ode 與 OpenAI 的 Deployment Company 作為實驗室自有交付團隊、為保護專屬流程而內部化的動機，以及 Christian 自己預測此職位可能在 5–10 年內消失。未提及定價、方案組合或毛利率。
• The ICONIQ Pacesetter Index — ICONIQ Venture & Growth，The ICONIQ Pacesetter Index（2026-09-17，empirical，並非調查——2024 年至 2026 年 Q2 的季度財務與營運數據，來自上市軟體公司及 ICONIQ 自己的創投與成長投資組合）。本頁僅引用依 ARR 區間列出的公司層級毛利率（中位數 55%／60%／80%／75%；前四分位數 80%／70%／85%／85%），以及 ICONIQ 所述「Pacesetter 的營運毛利率往往較低」。所有數字均須留意樣本選擇問題：Pacesetter 按三年營收成長前四分位數及 ICONIQ 自己的 AI-Native／AI-Driven 標籤選出；出版內容沒有對照組；**COI：**基準樣本部分來自出版者自己的投資組合。**解析說明：**完整基準表僅以頁面圖片呈現（）；編譯時逐格重新檢查，全部 56 格均清晰可讀。數字四捨五入至最接近的 5；報告 PDF 需填表才能取得，因此未下載。工具來源背景見 ICONIQ。
• Startup ARR is less secure than ever, new research shows — Julie Bort，TechCrunch，2026-09-03（practitioner-opinion）：僅涉及 a16z 的部分——一項對 50 位技術領域 AI 買方進行的調查，超過半數希望費用與成果連動，而非按 token 計價；「依可辨識的工作定價」論點歸於合夥人 Tugce Erten 與 Sarah Wang。這是媒體對未取得原文的創投貼文所做的報導；樣本 n=50，未公布抽樣框架，文章本身將企業 ARR 不穩定作為報導脈絡，屬記者綜合觀點；本頁在 Seven Powers Applied to AI 處理。
• Accenture and Google Cloud Deepen Partnership with Formation of New Accenture Gemini Enterprise Business Group — Accenture 新聞室新聞稿，2026-09-08（vendor-claim，約 1,120 字；亦轉載於 googlecloudpresscorner.com，本頁僅從 Accenture 版本匯入）。本頁僅在兩個 FDE 未解問題中引用此來源，說明第三種人力配置模式（系統整合商承諾在 Google Cloud 的 Gemini Enterprise 上配置 1,000 人 FDE 團隊，由約 50,000 名具備 Google Cloud 技能的 Accenture 專業人員組成），以及它未提供的內容：未說明計費模式、FDE 雇主、時程、課程或毛利率。全篇皆為第一方資料——引言來自 Julie Sweet 與 Thomas Kurian，並附上 Everest Group 分析師背書。沒有任何數據是本頁經濟論述的關鍵依據。完整分析見 Forward-Deployed Engineering as a Delivery Layer。
• 2026 State of Scaling: The Great Sorting — ICONIQ Venture & Growth，2026 State of Scaling: The Great Sorting（2026 年 9 月，empirical；52 頁 PDF，以 docling 解析）。這是 Pacesetter Index 擷取內容的年度報告。本頁引用 Silicon Data token 支出指數（第 18 頁，匯入時依僅以圖片呈現的圖表手動轉錄）、財報電話會議 AI 討論占比（第 19 頁，同樣依圖片轉錄）、70% 採用按用量計價的公司特徵資料及營運者定價建議（第 26、28 頁）、按年份與比較組繪製的毛利率圖（第 36 頁）、企業買方調查（2026 年 6 月，n = 132），以及 CFO 以薪資占比描述 token 支出的引言（第 47 頁）。解析警告：這段引言在 docling 正文中被合併為「薪資的約 510%」；正確內容是「薪資的約 5-10%」，原本以連字號表示的區間因換行而拆開——透過 pdftotext -layout 還原；任何表格檢查都無法發現這種失誤。關於樣本選擇、COI 與公司季度 n 陷阱，見 ICONIQ。