誰真正靠 Claude 賺大錢？為什麼 Jane Street 賺得比 Anthropic 還多？

當全球科技巨頭競相投入訓練基礎 AI 模型時，我們容易誤以為掌握底層算力與模型的供應商，將會是這波 AI 浪潮中最大的獲利者。然而，真實的商業利潤流向卻給出了截然不同的答案。在當前的 AI 賽道中，真正賺走超額利潤的並非販售 Token 的模型開發商，而是那些能將大語言模型（LLM）深度接入核心業務、撬動龐大營收槓桿的應用端企業。

知名科技分析師 Dylan Patel 近期在《Dwarkesh Podcast》訪談中，徹底拆解了 AI 價值的捕獲真相。這不僅僅是矽谷科技圈的探討，對於正在思考如何導入 AI 的台灣 B2B 企業與決策者而言，這是一記響亮的信號。如果你仍然將 AI 視為單純的「通用工具」或是「外包節流」手段，你很可能正在錯失 AI 所能帶來的真正商業紅利。

TL;DR (本文精要)

在 AI 產業的價值鏈中，最大的超額利潤並非由販售算力與 Token 的底層模型商（如 Anthropic 或 OpenAI）獲取，而是流向了將 AI 深度整合進核心業務的應用端企業。以量化交易巨頭 Jane Street 與 Meta 為例，他們透過將 Claude 等大語言模型（LLM）嵌入專有數據與決策鏈，創造出遠大於模型採購成本的倍數級營收。對於 B2B 企業而言，未來的競爭關鍵在於拒絕易被取代的「薄封裝（Thin Wrapper）」，轉而建構高槓桿的垂直自動化工作流，並將商業模式轉型為以「解決方案與最終價值」為導向的定價策略，從而捕捉 AI 時代的龐大紅利。

為什麼 AI 時代的超額利潤流向了應用端企業而非模型商？

在訪談的開篇（00:00–01:01），Dylan Patel 與主持人 Dwarkesh 深入剖析了一個反直覺的現象：Anthropic 與 OpenAI 等底層模型廠所獲取的利潤，實際上遠低於終端企業客戶提取的商業價值。以全球頂級的量化交易機構 Jane Street 為例，作為 Anthropic 的最大客戶之一，Jane Street 透過調用 Claude 模型來優化其高頻交易與投資策略，其從每一次 Token 運算中所創造的邊際利潤，遠遠超越了 Anthropic 販售這些 Token 所能賺取的微薄收益。

同樣的邏輯在社群巨頭 Meta 身上展露無遺。節目中指出，Meta 的調用量曾一度佔據 Anthropic 高達 10% 的總業務量。他們並非將 Claude 僅用於無關痛癢的周邊服務，而是將其深度整合進核心廣告演算法的優化中。透過模型的精準運算，Meta 成功使使用者的停留與互動時間增加了 5%。在龐大的全球用戶基數下，這 5% 的提升直接為其核心廣告營收帶來了倍數級的驚人增長。

這揭示了一個殘酷卻真實的商業法則：單純套殼 API 毫無防禦力；能將 AI 深度嵌入專有業務數據與決策鏈的企業，才握有市場定價權。科技巨頭透過 AI 達成的業務優化效益，早已大幅超越了採購模型 API 的成本。

AI 算力規模化與 AGI 將如何衝擊傳統白領勞動力成本？

當基礎模型的競爭白熱化，開源模型與價格戰的夾擊將持續擠壓底層基礎設施的利潤率。然而，這對應用端企業而言，意味著算力成本的持續下降與規模化運用的龐大機遇。節目中指出，當 AI 技術發展至 AGI（通用人工智慧）水準時，Gigawatt（吉瓦）級別的電力與算力基礎設施，預估將能夠支撐百萬名全自動化軟體工程師或白領勞動人口的規模。

這是一個結構性的劇變。過去，企業擴張的瓶頸在於高階專業人才的招募與管理；未來，系統架構的瓶頸將會轉移至「算力分配」與「任務管線（Task Pipeline）的吞吐量」。這意味著，具備高度專業技能的單一白領勞動力，其單位價值將面臨被重新評估與大幅壓縮的挑戰。未來的企業競爭，將聚焦於誰能建構出吞吐量最大、邏輯最嚴密的垂直自動化工作流。

B2B 企業在 AI 浪潮下應採取哪些轉型與定價策略？

對於台灣的 B2B 決策者與企業主而言，這場由 AI 驅動的價值重分配，帶來了三個具體可行的行動方針：

1. 拒絕「薄封裝（Thin Wrapper）」，建立高槓桿的垂直自動化工作流 企業在導入 AI 時，絕不能僅停留在表面工具的串接。無論是行銷數據分析還是廣告投放自動化，必須將 AI 模型的能力與企業專屬的業務邏輯、內部數據緊密綁定（例如深化多 Agent 協作機制）。唯有建立起客製化的工作流，才能形成真正的商業護城河，捕捉到如同 Jane Street 般的高額應用利潤。

2. 重新定義 AI 導入的 ROI，將目光放在「核心營收倍數增長」 許多企業在評估 AI Agent 時，往往陷入了「能省下多少助理人工費」的成本迷思。然而，真正的 ROI 來自於 AI 對核心業務的賦能。應專注於 AI Agent 的單次任務產出能否為業務帶來實質增長，而非將其僅僅視為廉價的勞動力替代品。

3. 商業模式轉型：邁向「解決方案與價值計費」 若你的企業本身即是 B2B 服務商，必須認知到模型越普及，利潤越往應用端集中。未來，應逐漸屏棄單純的「純人力勞務」輸出，替客戶將通用大模型轉化為具備高業務槓桿的解決方案，並轉向以「最終交付價值」來定價。

企業導入 AI 高槓桿應用時會面臨哪些系統性風險？

然而，在擁抱 AI 高槓桿效益的同時，我們也不能忽視伴隨而來的系統性風險。

首先，隨著模型自動化能力的不斷攀升，傳統純人力提供基礎工程與行銷勞務的定價空間將被迅速壓縮。若企業或服務商未來依然僅依賴「純人力計費」而非「解決方案／價值計費」，將面臨勞動力價值崩解的巨大生存危機。

其次，在企業內部的 AI 系統設計上存在著一個顯著陷阱。部分決策者因為過度擔憂 Token 耗費所帶來的成本，進而在架構上限制或閹割了 AI Agent 深度反思（Deep Reflection）的能力。這種為了節省微小 API 運算成本而犧牲模型深度思考與自動化協作的做法，無異於因小失大，反而會讓企業錯失創造高槓桿應用價值的真正機會。

結語：如何打造專屬的 AI 企業利潤引擎？

賣算力與 Token 的模型商正在內捲成本，而應用的黃金時代才剛剛開始。未來的商業勝局，屬於那些敢於將 AI 深度融入核心業務鏈、以算力換取營收倍數增長的工作流實踐者。作為 B2B 企業主，現在是時候重新檢視你的 AI 策略：你是在單純採購降低成本的工具，還是在打造屬於你的「Jane Street 級」利潤引擎？

---

深入了解本集洞察：

• YouTube 原始訪談：https://www.youtube.com/watch?v=4NMBwT1qYew

常見問答 (FAQ)

Q: 為什麼 Jane Street 使用 Claude 創造的利潤比 Anthropic 賣 Token 賺的還多？

A: 因為 Jane Street 將 Claude 等大語言模型深度嵌入其高頻交易與投資策略的核心業務中。他們利用 AI 進行精準的高階數據運算與決策優化，從單次 Token 調用中所撬動的邊際金融利潤，遠遠大於 Anthropic 販售這些算力 Token 所獲得的微薄基礎設施收益。

Q: 企業在導入 AI Agent 時，應該如何正確評估 ROI (投資報酬率)？

A: 企業不應將 AI 的 ROI 侷限於「能省下多少行政或助理的人工成本」，而應將目光放在「核心營收倍數增長」。真正的評估標準在於 AI Agent 結合企業內部專屬業務邏輯後，其自動化工作流與單次任務產出能否為整體業務帶來實質、可規模化的營收擴張。

Q: 什麼是 AI 應用的「薄封裝 (Thin Wrapper)」，為什麼 B2B 企業應該避免？

A: 「薄封裝」指的是僅在基礎 AI 模型（如 ChatGPT 或 Claude）外層加上簡單的介面或 API 串接，缺乏與企業內部數據和專有業務邏輯的深度綁定。這種模式極易被對手輕易複製，毫無商業防禦力可言。企業應建立高度客製化、整合多 Agent 協作機制的垂直自動化工作流，才能構建真正的商業護城河。