Vercel 十一月 AI 使用報告：決策模型占 26% 請求，為何只占 0.53% 花費？
高頻分類可以先獨立計算小模型成本，但選型應比較自己工作成功率、延遲與總費用，不應照單一平台排名直接換掉主模型。
Vercel AI 使用報告出現一個容易誤讀的數字，決策模型已接下四分之一的請求，花費占比卻不到百分之一。因為替資料選標籤，和生成一篇長文，使用的運算與輸出量本來就不同。
這份 2026 年 11 月 9 日公布的報告，整理的是十月經過 AI Gateway 的實際流量。它觀察到的變化，是應用程式開始替不同工作安排不同模型。
所以請求數變多，不代表某家公司的營收也同幅增加。一次只需給出選項的模型，可能有很高的呼叫量，卻只花很少的推論費用。
報告也顯示新團隊偏好、語音使用與模型更換速度都在變化，但這些統計各有不同分母。把它們混成一個熱門榜，反而無法協助選型。
我會用這份資料提醒高頻應用重新拆解成本，先找出能單獨驗收的分類工作。至於核心模型要不要更換，仍應由自己的成功率與延遲測試決定。
在看數字之前，先釐清這個樣本能代表誰，才能知道哪個結論適用於自己的團隊。
Vercel AI 使用報告觀察的是十月 Gateway 流量，範圍有多大？
這是單一平台的匿名彙整使用資料，可以看平台內的變化，無法直接當成全球 AI 市占。AI Gateway 是讓應用透過共同入口呼叫不同模型的服務，沒有經過它的使用量，自然不在這份報告裡。
依 Vercel 官方報告，這個入口每月處理超過一百兆 token。Token 是模型處理文字等內容時使用的計量單位，但請求數、token 數與花費，仍是三種不同的觀察方式。
例如一次請求可能只做分類，也可能帶進整份文件。兩者都算一次呼叫，卻可能消耗完全不同的輸入與輸出，所以不能把請求量直接當成運算量或收入。
報告中的付費團隊，是當月至少送過一次付費請求的團隊。所謂大型團隊則依當月 token 用量分類，並非用員工人數衡量，因此不能把高用量直接解讀成大公司。
十一月發表，為什麼主要談十月？
月份是發布時間，資料整理到 2026 年十月。這讓團隊能觀察完整月份的使用行為，也表示十一月新模型推出後的變化，還不能從這份資料直接看出來。
花費也採公開牌價估計，實際帳單可能因個別安排而不同。這個方法方便以相同尺度比較，但它量到的是平台內的估計支出，不是任何一家模型公司的正式營收。
Vercel 另提供 統計方法入口與可探索的公開資料。讀者要比較其他月份時，應同時看定義是否更新，因為官方明列方法改變時，過去數字也可能修訂。
這也留下樣本選擇的限制。會採用共同模型入口的團隊，可能原本就比較常切換供應商；直接向單一供應商採購的組織，使用習慣未必相同。這是解讀資料時的推論，報告沒有提供全市場抽樣來排除這種差異。
因此，企業可以用平台資料提出自己的測試問題，卻不能把平台上較常見的做法直接當成最佳實務。先確認自己的工作是否相近，再決定哪些分工值得比較，才不會因為數字大就套用到不同場景。
確定樣本邊界之後，請求量與花費的落差才有可比較的意義。
決策模型占 26% 請求，為何花費只有 0.53%？
決策模型通常只需分類、評分或挑選，短輸出加上低單價，會讓呼叫量與費用占比明顯分離。它們適合回答「應該選哪一個」，不必每次都生成一段長文字。
報告表示，決策模型在九月中進入 Gateway，到了十月已占全部請求的 26%，估計花費卻只占 0.53%。它們當時有八家供應商、十五個模型，已經成為平台內可單獨選擇的一類工作工具。
用一個比例示意，如果平台收到一百次請求，約二十六次屬於決策模型。但把花費另看成一百美元，這一類只對應約五十三美分，兩組分母並不相同。
這個落差不表示高價模型沒有價值，而是工作可以拆開。一份客服工單先分辨要交給哪個部門，再由文字模型整理回答，兩個步驟對能力與輸出長度的需求不同。
哪些團隊更常使用決策模型？
十月接近三分之一的付費團隊使用過這類模型，在每月超過一百億 token 的團隊中，比例約為七成。用量愈大，每次省下的小額成本愈容易累積，因此分工的經濟理由也更明顯。
不過高用量團隊本來就使用較多種類的模型。報告指出，花費最高的百分之一團隊，使用模型數的中位數為二十九個，所以不能把決策模型的採用差異，全解釋成它比其他模型更好。
請求量也高度集中。官方說這一類的大部分呼叫流向 TypeSafe AI 的 Jev，因此這份成長並非十五個模型平均分配，觀察市場機會時要保留這個集中現象。
對應用開發者，值得先拆出的是答案有限、成功標準清楚的工作。至於需要長篇解釋或創作的任務，仍要以相應模型驗收，不能因分類模型便宜就直接替換。
模型能按工作分工，也讓語音介面可以接到原本已選好的文字模型，而不必整套換掉。
延伸閱讀：Kanana-2-v-decide 開放權重，AI 代理為何可以不寫文字就做選擇？
語音採用率升至 10.7%，為什麼不等於即時語音模型取代文字？
許多團隊只加上聽寫或朗讀，讓原本的語言模型繼續負責回答，因此語音成長並非單一模型包辦所有步驟。這比較像替既有應用增加說話入口，而不是把整套服務換掉。
官方圖表顯示，十月有 10.7% 付費團隊使用語音模型，高於七月約百分之四。只看七月和十月都有付費的同一批團隊，採用率也從百分之五增加到百分之十四，說明成長不只來自新客戶。
語音對話可以拆成聽寫、產生回答和朗讀。團隊若已有熟悉的文字模型，只在前後加上語音服務，就能沿用既有提示與工具流程，也比較容易逐段替換供應商。
不同語音功能的比例能直接相加嗎？
不能。同一團隊可能同時使用多種功能，所以各類採用率有重疊。官方十月數據分別列出語音轉文字、文字轉語音與整合式模型，若直接加總，便會重複計算部分團隊。
這也提醒產品團隊，語音使用率並不能替代體驗驗收。聽寫正確、回答合理和播放自然，各自可能由不同模型決定，應分段觀察錯誤，才知道要改哪一個環節。
報告說，大多數語音團隊只使用其中一到兩個部分。這支持了可拆解的產品方向，但沒有證明整合式語音模型不適合使用，因為兩種做法的工作與延遲需求仍可能不同。
同一個應用可以同時使用多家模型，分析供應商偏好時也得保留這種重疊。
Anthropic 新團隊占比領先，和 OpenAI 花費增加可以同時成立嗎？
新團隊第一選擇、所有付費團隊覆蓋率與估計花費是不同指標，所以它們可以朝不同方向變動。若只挑其中一張圖，很容易得到過度簡化的勝負結論。
以下把報告中經常被混用的指標分開，先看它們究竟計算什麼。
| 指標 | 計算方式 | 能回答的問題 |
|---|---|---|
| 新團隊第一選擇 | 首月語言模型請求最多的實驗室 | 新客戶先把較多呼叫交給誰 |
| 付費團隊覆蓋率 | 使用過該供應商的團隊比例 | 有多少團隊把它納入工作 |
| 估計花費占比 | 依牌價推算的支出比例 | 平台預算分配到哪裡 |
表格裡的新團隊第一選擇，並不是只准使用一家供應商。官方數據為 Anthropic 42.7%、OpenAI 24.0%，接近二比一，描述的是首月呼叫偏好，不能當成所有開發者的獨家選擇。
所有付費團隊的情況則不同。十月約百分之五十五使用 OpenAI、百分之五十四使用 Anthropic，兩者幾乎相同，而且可以重疊。花費最高的一群團隊中，超過九成同時使用兩家，更明顯呈現多供應商安排。
估計花費又有另一個方向。自前一年十二月以來，OpenAI 占比約由九美分增加到十五美分，Anthropic 則約降至三十二美分。即使後者的新客戶偏好領先，前者仍可能在既有客戶的大額工作中增加份量。
這些結果能幫助觀察需求分配，卻不能單獨證明哪個模型品質最好。工作類型、單價與輸出長度都會影響花費，因此團隊仍要回到自己的任務比較。
這種多模型安排也使換版更常見，但換版速度還要配合實際工作量解讀。
新模型更換變快，團隊該如何保留可比較的驗收紀錄？
流量往新模型移動，說明供應與採用都很快，但無法保證換版後每項工作都會變好。對開發者而言，需要跟上的應該是驗收方法，而不只是模型名稱。
十月超過一半的語言模型請求，交給上架未滿六十天的版本。這裡的年齡從該版本第一天進入 Gateway 開始計算，並不必然等於它在所有平台的正式推出日。
官方也觀察到，模型使用量達到高峰四週後，原先使用它的團隊約四分之三已經不再呼叫這個版本。但多數團隊仍在 Gateway 使用別的模型，因此不能改寫成他們放棄了 AI。
改用新模型，應該固定哪些比較條件？
先固定一份任務輸入和可使用工具，再保留驗收結果。若舊版本必須通過正式測試，新版本卻只看回答是否完整，得到的提升就可能來自標準改變。
用量與成本也應記在整項工作上，包含失敗重試。模型單價較低，若需要更多輪才能修好同一問題，總成本仍可能較高，這是平台占比無法替單一團隊回答的部分。
報告的換模統計，也限於九月與十月都至少使用一千萬 token 的付費團隊，並以 token 判定主要模型。因此低頻個人使用者，不必直接沿用這群團隊的更換節奏。
舊模型也沒有完全消失。七成高於上述用量門檻的團隊，仍使用過至少十個月前的模型，只是典型團隊交給它的 token 占比不到百分之三。保留舊版作為小量特定用途，和以新版承接主力工作可以並存。
先固定任務、記錄成本與成功標準，才能用資料決定分工，而不是追著榜單跑。
Vercel AI 使用報告常見問題
可以把這份報告當成全球 AI 市占嗎？
不能。它涵蓋經過 Vercel AI Gateway 的流量，不包含所有直接呼叫模型供應商或其他平台的使用者，適合觀察平台內的變化。
模型年齡如何計算？
官方從該版本第一天在 Gateway 出現開始計算，並把各版本分開。若要和供應商發布時間比較，應另外核對兩個日期，不能當成同一件事。
花費占比就是模型公司的營收占比嗎？
不是。報告用公開牌價估計平台內支出，實際帳單可能不同，也沒有涵蓋供應商全部業務。它能比較樣本內的預算分配，無法代替財務揭露。
先拆開高頻決策，再用自己的工作量決定模型
已有大量分類或分流需求的團隊，最值得先比較的是短輸出工作能否用更小成本完成。若主要工作是長篇創作，則應保留相應的內容驗收，不能只跟著請求量占比選模型。
先從報告的方法與公開資料確認分母，再選一種重複任務做對照測試，保留原模型作為可回退的比較基準。當同一任務的正確性、延遲與總費用都有紀錄，這份報告才會變成可採取行動的線索。
延伸閱讀：Vercel Virtual Models 教學：同一個模型名稱，如何管理團隊 AI 設定？
