Ramp AI Index：Fable 5 使用率為何落後？價格不是唯一答案（2026）

2026 年 8 月 12 日，Ramp 首席經濟學家 Ara Kharazian 發布〈Cracks in the AI Thesis〉。文章用 Ramp Token Spend Management 資料指出：在一個樣本數未公開、且比一般 Ramp AI Index 更偏科技業的樣本裡，Fable 5 使用率若以 Anthropic Token 占比衡量只有 6%，以 Anthropic 模型歸屬支出衡量則是 11.4%。這組數字很醒目，但它證明的是「工作負載沒有全數流向高價模型」，不是「只有 6% 企業採用 Fable 5」，更不是全市場市占。

這篇資料在 8 月 23 日被 Financial Times 再度帶進主流討論。截至 8 月 26 日 07:06（台北時間），Hacker News 討論串的官方資料已記錄 805 分、698 則留言。真正值得追的問題不是「哪家模型輸了」，而是：企業買的是能力排名，還是完成任務後的經濟價值？

先把原文放在這裡。點擊下面的頁面截圖，會在新分頁打開 Ramp 原文。

接下來分三步走：先忠實整理 Ramp 看到的現象，再逐一核對分母、價格與發布時序，最後提出一套不靠品牌信仰的模型採購判準。

一、Ramp 到底量到了什麼？先鎖死四個分母

Ramp 的核心觀察很簡單：Fable 5 是 Anthropic 定價最高的公開 API 模型，卻沒有迅速吃下 Anthropic 客戶的大部分 Token 與支出。原文最重要的一句是：

“Fable 5 has made up only 6% of tokens businesses purchased from Anthropic … 11.4% of dollars spent on Anthropic models.”

中文：「Fable 5 只占企業向 Anthropic 購買 Token 的 6%……占 Anthropic 模型支出的 11.4%。」

— Ramp AI Index，2026 年 8 月

這裡有四個容易在轉述時被混掉的分母：

1. 6% 是 Ramp 模型計費樣本裡，Fable 5 占「Anthropic Token」的比例。
2. 11.4% 是同一類樣本裡，Fable 5 占「Anthropic 模型歸屬支出」的比例。
3. 25% Token／23% 支出 是 GPT-5.6 Sol 在「OpenAI 內部」的比例，不能把 25% 除以 6% 就宣稱 Sol 有四倍企業採用。
4. 約 75% 才是 Ramp 公開的跨供應商比較：2026 年 7 月，Fable 5 的模型歸屬支出約為 Sol 的四分之三；但原始美元總額與樣本數都沒有公開，外界無法自行重算。

因此，最安全的寫法不是「企業不用 Fable 5」，而是：在 Ramp 這個偏技術、規模未揭露的模型計費樣本中，Fable 5 使用率尚未成為 Anthropic 工作負載的主流。而 11.4% 支出對 6% Token 的比值約為 1.9，也只表示每單位 Token 對支出的貢獻較高；它本身不能估出企業的價格彈性。

二、價格差是真的，但不是一場乾淨的價格實驗

價格當然重要。Ramp 發文時，Fable 5 的 API 基礎價是每百萬 Token 輸入 10 美元、輸出 50 美元；GPT-5.6 Sol 當時是輸入 5 美元、輸出 30 美元。也就是說，Fable 的輸入價是兩倍，輸出價約為 1.67 倍，不能籠統寫成「所有 Token 都貴兩倍」。

模型與時點	輸入／百萬 Token	輸出／百萬 Token	判讀
Claude Fable 5（8 月 26 日現價）	US$10	US$50	高價、針對高難度與長時程工作
GPT-5.6 Sol（8 月 20 日以前）	US$5	US$30	這才是 Ramp 主要觀察期適用的牌價
GPT-5.6 Sol（8 月 21 日起促銷）	US$4	US$20	至少到 11 月 21 日；超過 272K 輸入另有倍率
Claude Opus 5（7 月 24 日發布）	US$5	US$25	Anthropic 自家更便宜的前沿替代方案

截至 8 月 26 日，Sol 的促銷輸入、輸出價都只有 Fable 的 40%。這確實讓「價格可能壓低 Fable 流量」變得合理；但不能把今天的促銷價倒套回 7 月資料，也不能因此把相關性直接寫成因果。企業還同時面對模型可用性、預設選項、合規、延遲、重新驗證與遷移成本。

三、Fable 5 並沒有連續兩個月站在同一條起跑線

如果只從 6 月 9 日發布日一路數到 7 月底，會以為 Ramp 看了近兩個月的正常採用；實際時序不是這樣：

• 6 月 9 日：Anthropic 發布 Fable 5，API 與部分企業用量先上線，訂閱方案分階段開放。
• 6 月 12 日：美國出口管制要求針對外國人存取取得授權；Anthropic 因無法即時驗證國籍，自行暫停所有使用者的 Fable 存取。
• 6 月 30 日至 7 月 1 日：管制解除後，Anthropic 開始全球重新部署；第三方雲端恢復時間不必然完全同步。
• 7 月 24 日：Opus 5 以 Fable 一半的 API 牌價上市，並被定位成更日常的工作模型。
• 7 月 31 日：Ramp 公開圖表的資料序列結束。換句話說，它大致只觀察到一個月不中斷的全球可用期。

還有兩個不能忽略的系統因素。第一，Anthropic 的現行 Fable 政策要求 30 天資料保留，不適用零資料保留設定，敏感工作負載可能在看到價格以前就被合規排除。第二，Anthropic 說 Claude 應用中的部分資安、生物與模型開發請求，可能由安全分類器自動切換到 Opus。截至 8 月 26 日檢視的 Ramp 公開文件未說明這類切換如何歸因，所以它只能列為可能的混雜因素，不能當成已證實的原因。

這些條件共同說明：Ramp 不是在實驗室裡只改變價格、其他變數全固定。它看到的是一個真實但混雜的企業採用現場。

四、Fable 占比低，不等於 Anthropic 或企業 AI 支出失速

Ramp 的廣義交易資料反而顯示，2026 年 7 月有付費 Anthropic 的合資格企業占 43.5%，OpenAI 是 39.7%。同一家公司可以同時付費給兩家，所以這是非互斥的付費採用率，不是兩家公司相加等於 100% 的市場占有率。

支出強度也仍在上升。Ramp 的 7 月 CSV 顯示，每月 AI 支出除以公司員工數後，前 1% 企業約為每人 7,400.50 美元、前 10% 約 650 美元、中位數 11.95 美元。這個指標包含 LLM 訂閱、Coding Agent、API Token 與 GPU 雲端；它是「公司總 AI 支出 ÷ 員工數」，不是每位員工實際花了多少，也不是每人都在使用。

還要再分開兩個樣本。Ramp 的主 AI Index 頁面截至 8 月 26 日描述超過 70,000 家美國企業的卡片與帳單付款資料；但 Fable 的模型層級圖來自另一個可獨立使用的 Token Spend Management 產品。截至同日，Ramp 公開的該圖、產品頁與方法頁未列出那張圖的企業數、產業權重、同群追蹤方式或信賴區間。把「70,000 家」直接貼到 Fable 圖表上，會把兩個資料集合誤當成同一個。

五、Benchmark 領先，也不等於每個任務都更值錢

「Fable 是最強模型」本身也需要拆開。Anthropic 稱它是自家最有能力、廣泛發布的模型；但截至 8 月 26 日，檢視 ARC Prize、Arena 與 Artificial Analysis 的現行結果，並沒有得到同一個跨任務冠軍。以 ARC Prize 的模型頁為例，Fable 5 在 ARC-AGI-1 為 98.5%、ARC-AGI-2 為 89.2%，而 Sol 分別為 96.5% 與 92.5%：兩者各自在不同題組領先。

截至 8 月 26 日，商業評測機構 Artificial Analysis 的整體 Intelligence Index 只讓 Fable 以 62 對 61 小幅領先，估算單次任務成本卻是 3.14 美元對 1.23 美元；同時，Sol 在部分 Coding Agent 評測領先。這不是要把另一張榜當真理，而是提醒：能力差距會隨題型、Harness、推理設定與日期改變，成本差距卻會直接進入每一次呼叫。想知道排行榜怎麼交叉讀，可以接著看 AlphaLab 的 AI 模型排行榜判讀指南。

六、AlphaLab 的判讀：現象成立，因果還沒有被證明

我的結論是：Ramp 的描述性發現很有價值，但把它提升成企業付費意願的「新上限」，證據還不夠。以下把同意與存疑分開。

我同意：前沿能力不會自動壟斷工作負載

如果企業採用「便宜模型處理日常量、昂貴模型只升級處理失敗代價高的尾端任務」，那麼旗艦模型的 Token 占比本來就不該最高。低占比可以是理性的模型路由，不必然是產品失敗。Ramp 最重要的貢獻，是替這個分層現象提供了一組可觀察的企業計費證據。

我存疑：價格不是目前資料能識別的唯一原因

Fable 的發布中斷、第三方雲端恢復時差、30 天保留要求、安全路由、Opus 5 的半價與預設位置、企業遷移週期，都可能壓低 7 月的 Fable 5 使用率。更重要的是，Ramp 這篇公開分析提供 Token 與模型歸屬支出，未提供任務是否完成、人類改稿時間、每次失敗的損失或模型帶來的營收。沒有這些資料，就不能斷言企業已找到一個普遍的「能力再高也不付錢」上限。

什麼新證據會改變判斷？

• 公開 Fable 圖表的確切企業數、連線類型、產業與企業規模分布。
• 用同一批企業做 matched cohort，比較重新部署後 3、6、12 個月的絕對 Token、活躍組織與留存。
• 把牌價換成企業實付價，納入快取、批次、贈送額度、承諾用量與談判折扣。
• 按任務類型公開完成率、重試次數、延遲、人類修正時間與失敗成本。
• 說明供應商自動切換模型時，Ramp 最後把用量與支出歸到哪個模型。

七、企業真正該算的，是「每個成功任務的總成本」

每 Token 價格只是帳單單價。真正的決策函數更接近：

預期淨價值 ≈ 成功機率 × 任務價值 − 推論成本 − 延遲成本 − 合規成本 − 遷移成本

任務	預設策略	升級條件	真正要量的指標
分類、摘要、固定格式抽取	先用便宜模型	格式失敗或信心不足	一次通過率、重試率、每成功件成本
程式修復、長時研究、複雜 Agent	依內部 Eval 路由	便宜模型超時或驗收失敗	端到端成功率、延遲、人類接手時間
法務、醫療、機密資料	先過合規與保留政策	控制條件與資料路徑合格	保留、區域、稽核、錯誤損失
大量離線批次	比較 Batch 與快取後價格	品質差距超過容忍門檻	有效輸入／輸出成本、快取命中率

最實際的做法，是挑 20 到 50 個真實任務，同時跑 Fable、Opus、Sol 與一個便宜基準模型；記錄 Token、快取、延遲、重試、人類修正時間與最終驗收，再把路由規則放進正式流量。AlphaLab 的 10 題模型路由 Eval可以當起點；若要把多團隊帳單對回任務，則接著用 LLM API 成本歸因與 Chargeback補齊資料層。

結論：不是「最強模型失敗」，而是模型開始分層

Ramp 的數字確實推翻了一個天真的想像：Benchmark 或品牌聲量第一，就會自動拿走最多企業 Token。它沒有證明的，則是「價格已單獨造成 Fable 失敗」。在更成熟的 AI 架構裡，最昂貴的模型很可能像專科醫師或事故處理團隊——使用頻率不高，卻在少數高價值任務上值得存在。

所以接下來不要只盯 Fable 5 使用率的單一占比。真正能驗證這場價格戰的三個訊號，是重新部署後的同群絕對用量、每個任務的成功與人工成本，以及 Sol 促銷結束、Opus 5 成熟後，企業路由是否仍維持同樣分層。到那時，我們才有資格回答：企業是在拒絕高價能力，還是終於學會只在值得的地方使用它。