Benedict Evans 最新報告：AI 吃掉世界，背後的資本、部署與商業模式重組

科技分析師 Benedict Evans 在 2026 年 5 月發布最新簡報《AI eats the world》，以「Capital、Deployment、Change」三大段落拆解生成式 AI 的現況。整份簡報的核心論點並不是單純看多 AI，而是提出一個更精準的觀察：AI 確實是繼大型主機、PC、Web、智慧型手機後的新一輪平台轉移。

但這場轉移的最大不確定性在於，資本開支已經爆炸，應用部署仍在早期，而模型本身可能會走向商品化。換句話說，這不是一份「AI 萬能」簡報，而是一份提醒投資人與企業經營者的警告書：AI 正在改變一切，但現在最賺錢、最有護城河的位置，未必是砸最多錢訓練模型的人。

Evans 的標題是《AI eats the world》，呼應 Marc Andreessen 當年的「Software is eating the world」。但這份簡報的真正訊息可能是：AI 確實會吃掉世界，只是現在沒有人知道，最後是模型公司、雲端巨頭、晶片商、企業軟體、新創、顧問公司，還是掌握工作流程與資料的既有企業，會吃到最大一塊。

AI 是新平台轉移：每 10 至 15 年，科技產業重新洗牌一次

Evans 首先把生成式 AI 放進科技史的長週期來看。他指出，科技產業大約每 10 至 15 年會發生一次平台轉移：大型主機、PC、Web、智慧型手機，再到今天的生成式 AI。每一次平台轉移，都會讓創新、投資與新公司創立的重心轉向新平台，也會重設產業內的守門人與價值捕捉方式。

Evans 用 Microsoft 的案例說明平台轉移的殘酷性。Microsoft 曾經主宰 PC 時代的作業系統，但智慧型手機崛起後，Microsoft 在全球「運算裝置」中的作業系統占比迅速被稀釋。Microsoft 並沒有突然變差，而是平台本身變了：當運算從桌機轉移到手機，價值捕捉也跟著轉移到 Apple、Google、App Store、Android 與行動網路生態系。

Evans 將 AI 視為類似的重置時刻。問題不是 AI 會不會重要，而是誰會在新平台中成為 Apple、Google、Microsoft、Nvidia、OpenAI，誰又會像 PC 時代之後的舊守門人一樣，被新平台邊緣化。

資本開支爆炸，四大雲端巨頭 2026 年計畫投入 7,000 億美元

簡報第一大段主題是「Capital」。Evans 用非常直觀的數據指出，AI 已經把科技巨頭推進一場前所未見的資本開支競賽。Microsoft、Alphabet、AWS 與 Meta 這四大公司，2026 年計畫資本開支合計約 7,000 億美元。為了凸顯規模，他特別拿全球電信產業約 3,000 億美元、全球油氣產業約 1 兆美元的資本開支作比較。

這個數字的震撼在於，過去網路公司被市場視為「asset-light」的軟體或平台企業，靠高毛利、低邊際成本與自由現金流創造巨大市值。但生成式 AI 改變了這套財務結構。雲端巨頭為了訓練模型、部署推論、建設資料中心與購買 GPU，資本密集度正在快速上升。這些原本靠自由現金流支應資本開支的企業，現在正挑戰自身的財務重力。

這也是為什麼 Sundar Pichai 與 Mark Zuckerberg 的引言被放在簡報前段。Pichai 的說法是，低估投資的風險遠高於過度投資；Zuckerberg 則說，最糟情況也只是「提前建好未來幾年的容量」。這種語氣反映出 AI 資本競賽的心理狀態：沒有人確定需求會長到哪裡，但所有巨頭都害怕自己蓋得不夠快。

Nvidia 供不應求，台積電產能成 AI 擴張瓶頸

資本支出爆炸的直接受益者，首先是 Nvidia。報告將 Nvidia 與 Intel 的季度營收放在同一張圖中比較，顯示 Nvidia 營收在 AI 週期中垂直上升，甚至面臨「追不上需求」的狀態。Evans 還特別註記，Nvidia 無法讓台積電足夠快地增加產能。

這一點非常關鍵。AI 不是單純的軟體革命，高度依賴硬體、晶圓、先進封裝、HBM、電力與資料中心施工的實體資本循環。他進一步指出，全球半導體月度銷售已出現前所未有的需求上升，TSMC、Intel、Samsung Electronics 等半導體公司的資本開支也被迫跟著上升。

不過，Evans 也保留了一個重要警告：半導體從來都是循環產業。今天的需求看起來像結構性短缺，但歷史上每一次半導體投資週期，都可能在供給追上、需求放緩或技術路線轉變時進入反向循環。因此，AI 硬體投資可能是長周期機會，也可能在某些環節形成資本錯配。

資料中心建設超越辦公室，AI 正在重寫美國建築與能源版圖

報告援引美國 Census 數據指出，美國資料中心建設支出，不含伺服器與運算設備，已經開始超越辦公室建設。這代表 AI 不只影響科技股，也開始影響不動產、電力、基建、地方政治與社區反彈。

這也解釋了「Deployment hits bottlenecks everywhere，AI 部署的瓶頸不只在 GPU，還包括記憶體、電力、多年期電網排隊、資料中心土地、政治阻力與社區反彈。Evans 用「pig in a python」形容突然暴增的資本部署需求，意即整個供應鏈正在消化一個過大的吞嚥物。

這對投資人非常重要。市場常把 AI 交易簡化為 Nvidia 或雲端巨頭，但 Evans 的圖像顯示，真正的 AI 供應鏈更長：GPU、HBM、先進封裝、晶圓代工、伺服器、資料中心、電力、冷卻、工程施工、土地、地方政府許可，全部都可能成為瓶頸，也全部可能形成投資機會或風險。

OpenAI 想加入資本俱樂部，但資產負債表不是自己的

Evans 將焦點轉向 OpenAI。他指出，OpenAI 正試圖加入資本開支俱樂部，市場傳出其計畫建設 30GW 以上容量，金額可能高達 1.4 兆美元，或到 2030 年投入 6,000 億美元；甚至有「每週新增 1GW」建設的願景，若以每 GW 約 200 億美元估算，相當於每年約 1 兆美元的資本需求。

Evans 對這件事的描述很犀利：Other People’s Balance Sheets、circular revenue、a lot of plate-spinning。也就是說，OpenAI 的問題不是沒有需求，而是其資本需求遠超自身資產負債表承受能力，因此必須依賴合作夥伴、雲端供應商、特殊融資結構、租賃安排與潛在的循環收入模式。

這正是生成式 AI 商業模式的最大矛盾之一：需求爆炸，但供應昂貴；收入成長很快，但算力成本與資本開支更快；公司估值像軟體公司，但財務結構卻越來越像電信、能源或重資產基礎設施公司。

AI 收入成長驚人，但商業模式還遠未均衡

簡報第 18 頁展示 OpenAI 與 Anthropic 的月度收入成長，標題是「Meanwhile – unprecedented growth」。Evans 指出，OpenAI 與 Anthropic 的收入成長速度前所未見，需求遠高於供給，但商業模式「nowhere near equilibrium」。

也就是說，AI 公司不是沒有收入，而是收入、價格、成本、使用量與資本開支之間尚未找到平衡。他把問題拆成幾個矛盾：使用量成長能超越效率提升多久？推論效率每年可能提升 50 至 100 倍，但使用量是否會更快增加？模型會變得更大還是更小？運算會在雲端還是邊緣？開源模型會如何影響價格？資產生命週期又該如何估算？

這是整份簡報最關鍵的投資問題之一：AI 需求爆炸不等於所有參與者都會有高利潤。若效率提升、競爭加劇、開源模型普及與價格下降同時發生，最底層模型與算力提供商可能會面臨類似電信業的商品化命運。

LLM 像 2010 年的行動網路：流量爆炸，但價值未必被基礎設施捕捉

Evans 用非常有力的歷史類比解釋 AI 定價問題：2010 年的行動網路。當年智慧型手機與行動數據流量爆炸，電信商面臨基礎設施被壓垮的問題，於是開始設計新的資費模式。今天的 LLM 也面臨類似處境：bits 變成 tokens，邊際成本不透明，使用量與價值不一定對齊，供需失衡使模型公司可以短期按 ROI 定價，但長期定價能力未必能維持。

他更直接指出，行動網路是兆美元級產業，但大部分使用情境與價值捕捉都由別人建立。電信商建了基礎設施，真正賺走上層價值的是 Apple、Google、Meta、Uber、Spotify、Netflix、TikTok 與各種 App。

Evans 的問題是：LLM 會不會也是這樣？模型公司與雲端公司投入天量資本，最後卻只成為低毛利基礎設施，而真正價值由上層應用、垂直軟體、工作流程、自有資料與用戶關係捕捉。

模型可能商品化：沒有網路效應，差異正在縮小

簡報第 25、26 頁提出一個對 AI 模型公司非常嚴峻的問題：到目前為止，模型看起來越來越像商品。Evans 使用 ArtificialAnalysis 的 frontier LLM benchmark 分數指出，OpenAI、Anthropic、Google、Meta 與中國模型之間的差距正在縮小；對多數一般用途與消費者場景而言，模型表現相當接近，而且最重要的是，模型本身沒有明顯網路效應。

這與過去軟體平台截然不同。Facebook 有社交網路效應，Google 有搜尋與廣告資料飛輪，Microsoft Office 有文件格式與企業標準，Apple 有硬體與生態系鎖定。但 LLM 若只是 API，使用者今天可用 OpenAI，明天可換 Anthropic、Gemini、Llama、DeepSeek 或其他模型，切換成本可能沒有想像中高。

因此 Evans 提出一個暫時性假說：Chat 是糟糕的 UX，一般用途需要 apps；模型實驗室不可能建立或生成所有應用；模型沒有網路效應、可能商品化；模型最終會成為基礎設施，創新會往 stack 上層移動。

這對當前 AI 投資敘事是一個很大的挑戰。市場常把「最強模型」視為最大價值來源，但 Evans 認為，長期價值可能不在模型本身，而在誰能把模型包進具體產品、資料、流程、GUI、銷售通路與企業部署中。

所有人都在用 AI，但大多還不是每天必需品

簡報第二大段是「Deployment」。Evans 首先承認，ChatGPT 的普及速度非常驚人。OpenAI 報告 ChatGPT 全球每週活躍用戶超過 9 億，但付費用戶僅約 5%。

這個數字表面上代表 AI 已經全民化，但 Evans 接著用更細的資料指出，消費者使用仍然「a mile wide and an inch deep」。簡報第 30 頁顯示，2025 年用戶自述的 ChatGPT 訊息量中，即使是前 20% 用戶，一年訊息數也不到 1,000 則；Evans 因此推論，對至少 80% 的用戶來說，ChatGPT 還不是每日必需品。

美國消費者調查也呈現類似結論：很多人偶爾使用生成式 AI，但每日使用比例仍明顯較低。職場也是如此，不同行業中 AI 使用率快速成長，但從「上週用過」變成「每天不可或缺」，仍有一段距離。

這呼應了先前 a16z 報告中，OpenAI 的使用數據顯示，用戶主要需求集中在日常生產力：

• 寫作與編輯：28.1%
• 實用建議（生活、健康、學習等）：28.3%
• 查詢資訊：21.3%

相比之下電腦程式設計僅 4.2%，數據分析、數學等高價值場景占比更低。

(ChatGPT 廣告長怎樣？當 90% 用戶不願付費，AI 正走向「少數付費、多數看廣告」)

這一點非常重要。AI 的知名度與試用率已經極高，但真正決定商業價值的是使用深度、日常習慣與流程嵌入程度。就像智慧型手機不是因為大家買了手機才改變世界，而是因為 App、地圖、支付、社群、影音、叫車、外送與行動商務，把手機變成每天不可或缺的入口。

AI 企業部署第一波：生產力、分析、客服、行銷、後台流程與寫程式

Evans 對企業部署的觀察相對務實。AI 最先落地的通常是明顯、容易部署、容易衡量的場景：生產力、分析與決策輔助、客服、成本節省、行銷、後台流程，以及最重要的 coding。

其中 coding 是最明確的一代變化，企業 AI 年化支出中，coding 是最大類別之一。Evans 將其稱為「software development 的世代變化」。Zuckerberg 的引言也呼應這點：越來越多案例中，一兩個人一週可以做出過去需要數十人花數月完成的東西。

不過 Evans 並沒有因此說「軟體工程師會消失」。他的重點反而是：寫 code 不是最難的部分。真正難的是知道 code 應該做什麼、它要放進哪個市場、要跟哪些系統整合、哪些功能該打包或拆分。企業內部有 ERP、CRM、HCM、上百個 SaaS、on-prem 系統與客製化應用；AI 可以讓寫程式變便宜，但不會自動解決產品、流程、組織與商業模式問題。

Chatbot 不會是終局，AI 軟體要重新設計使用者體驗

Evans 對 Chatbot 形式保持懷疑。簡報第 44 頁指出，要把神奇的原始技術變成真正可用的產品，需要解決「blank screen」與「jagged frontier」問題。使用者不一定知道該問什麼，模型能力邊界也不規則；因此真正的 AI 軟體需要用例、工具、GUI、流程、GTM、專有資料與工作流程。

這與 Steve Jobs 的兩句話相呼應：「人們不知道自己想要什麼，直到你把東西展示給他們看」、「你必須從體驗出發，再回推技術」。Evans 的意思是，AI 公司不能只把模型丟給使用者，期待使用者自己發明工作流。真正的價值會出現在能把模型包裝成明確體驗、嵌入既有工作流程、解決具體問題的產品公司。

這也是為什麼系統整合商與顧問公司重新變重要，Accenture 的季度生成式 AI 合約大幅成長，OpenAI、Anthropic 等公司與 PE、外包商、策略顧問合作，因為「automation takes a lot of manual labour」。

自動化本身需要大量人工顧問、流程梳理、資料清理、權限設計、系統整合與組織變革。AI 部署不是打開訂閱就能完成，而是一場企業再工程。

每家公司都有 Pilot，但從試點到 Production 還很長

報告引用 Bain 的企業生成式 AI 採用數據，標題是「Everyone has a pilot」。軟體、客服、行銷、知識管理、營運、IT、銷售、財務、HR、法務等部門都有大量開發或試點專案，但真正進入 production 的比例仍明顯較低。

這反映企業 AI 的現實：大家都怕落後，所以一定要做 pilot；但要讓 AI 穩定進入核心流程，還要解決準確率、責任歸屬、資料安全、權限、稽核、成本、ROI、員工接受度與舊系統整合。這些不是模型 benchmark 可以直接回答的問題。

因此，AI 部署真正需要的不是更多 demo，而是能把 demo 變成制度、流程與財務成效的能力。這也解釋了為什麼未來 AI 的價值可能流向企業軟體、垂直應用、顧問、資料管線、流程自動化與 governance 工具。

新創會拆解 Google、Excel、Email、Oracle，甚至拆解 ChatGPT

Evans 引用 Y Combinator 的資料指出，AI 新創正在大量增加。他對這波創業潮的描述是：AI 新創會試圖拆解 Google、Excel、email、Oracle，甚至拆解 ChatGPT。

這句話非常值得注意。市場常把 ChatGPT 視為 AI 的入口，但 Evans 認為，ChatGPT 本身也可能只是一個暫時性的通用介面。就像早期入口網站、AOL、Yahoo、Flash、WAP、i-mode 都曾經看起來像未來，但最後真正穩定的價值分布並不是當初最明顯的答案。

生成式 AI 的上層應用可能會分裂成無數垂直產品：法律文件、醫療行政、財務分析、銷售助理、設計、客服、程式碼維護、企業搜尋、資料分析、廣告素材、電商推薦、採購、供應鏈、HR、教育、遊戲、內容製作。模型是原料，應用才是包裝後的商品。

AI 到底自動化任務，還是重塑工作？

簡報第三大段是「Change」。Evans 將 AI 放進更長的自動化歷史中。他指出，過去的軟體自動化主要處理「可以用邏輯步驟描述的事情」；而 AI 的新能力是，只要有足夠訓練資料、且驗證可以規模化，就可能自動化更廣泛的任務。

但自動化不一定等於工作消失。簡報第 54 頁用電梯操作員作例子：自動電梯出現後，電梯操作員這個職位基本被按鈕取代，這是「一份工作其實只是一個任務」的案例。

可是會計師的例子不同，電腦與試算表並沒有讓會計消失，而是改變會計工作內容、創造更多分析、審計、合規與財務管理需求。這是「任務被自動化，但工作被重組」的案例。

Evans 的問題因此變成：你的產業裡，AI 自動化的是「整份工作」，還是只是其中一個任務？如果是任務，那任務變便宜之後，會釋放什麼新需求？如果那個任務本來就是你的護城河，那你就可能被打穿。

AI 是「無限實習生」：但你要問對問題

一句話總結 AI 的新能力：「AI gives you infinite interns」。Evans 接著追問：如果你有一百萬個實習生，或一個速度快一百萬倍的實習生，你會做什麼以前不可能做的事？

他的例子是客服電話。傳統做法可能是抽樣聽幾通電話，判斷客服品質；AI 之後可以每天聽一百萬通電話，並告訴你顧客抱怨中出現了什麼新模式。這不是把既有工作做快一點，而是創造以前無法提出的新問題。

這正是 AI 真正的潛力：不是「幫我寫一封信」或「幫我摘要會議」，是讓企業可以對龐大非結構化資料提出過去不可能提出的問題。所有客服、銷售、倉儲、商品、影音、會議、醫療紀錄、法務文件、程式碼庫、供應鏈紀錄，都可能成為 AI 可讀、可問、可自動化的資料層。

推薦系統從相關性走向理解：Google、Amazon、Meta 的下一場戰爭

報告將 AI 與搜尋、推薦、電商放在一起討論。Evans 指出，Amazon、Google、Meta 現在很多時候並不知道商品真正是什麼，也不知道你為什麼買。傳統推薦更多依賴統計關聯：像你的人買了什麼、點了什麼、看了什麼。

Mark Zuckerberg 的引言則指出，未來推薦可能從統計模式走向「第一性原理理解」：理解你真正關心什麼，也理解每一段內容到底是什麼。這會改變搜尋、廣告、電商推薦與社群內容分發。

以前你可能問「這件外套在哪買？」未來你可以問「找 20 個選項並解釋我該怎麼選」，甚至「看我的 Instagram，幫我買幾件能更新冬季穿搭的外套」。這代表 AI 可能從資訊搜尋，進一步走向決策代理與交易代理。

不過他也提醒，生成式搜尋目前更多是 additive and experimental，而不是完全替代傳統搜尋。不同年齡層仍大量使用搜尋引擎，AI 搜尋還在非常早期。

任務與工作的分離：AI 會拆開「塑膠」與「音樂」

Evans 在簡報後段反覆追問：「What’s the task and what’s the job?」他用音樂產業的例子說明，CD 的塑膠、印刷與物流只是任務或載體，真正的 job 是音樂本身。當串流移除 CD 成本，音樂產業先被破壞，後來又透過訂閱重新成長。

套用到 AI，企業必須問：我們賣的是什麼？使用者真正想完成的是什麼？哪些成本只是載體？哪些知識、判斷、品味、信任、責任與關係才是真正價值？

這對媒體、法律、會計、軟體、外包、客服、教育、顧問、金融研究都非常關鍵。AI 可能讓寫稿、整理、製表、初審、初稿、查詢、客服回覆這些任務變得便宜，但真正有價值的可能是選題、判斷、責任、策略、品牌、客戶信任與最後決策。

Evans 的結論：我們才剛開始，所有答案都還不確定

最後回到歷史類比。Evans 提醒，所有新平台剛開始時，看起來都「完全不同」，但其實我們已經經歷過很多次：大型主機、PC、Web、智慧型手機，每一次都讓市場興奮，也讓人犯下大量錯誤判斷。

他在列出早期網路與行動網路時代的許多失敗方向：AOL、Yahoo、Pointcast、Flash、VRML、入口網站、Sun、Netscape；行動網路時代則有 i-mode、J2ME、WAP、JOYN、DVB-H、預載、Nokia、RIM。這些東西在當時都像是答案，但最後很多都不是終局。

對生成式 AI，他列出的未解問題包括：瀏覽器？MCP？語音？App stores？Wearables？GEO？沒有人知道哪一個會成為真正的主介面或價值中心。

因此，Evans 給出的最終建議不是預測答案，是學會問對問題：你和競爭對手可以用 AI 做什麼？AI 能不能解鎖或破壞你商業模式中的關鍵部分？在高度不確定中，必須預設 radical uncertainty。