Ramp 採購指數：Anthropic 企業付費市佔 34.4%，首度超越 OpenAI

企業支出分析平台 Ramp 於 2026 年 7 月 30 日發布的 AI 採購指數顯示，Anthropic 在美國企業付費採購的市佔率達到 34.4%，超過 OpenAI 的 32.3%。兩者差距 2.1 個百分點，是該指數追蹤以來領先位置首次易主。

先界定：這個數字量的是什麼

這類指數建立在企業信用卡與採購卡的實際扣款紀錄上，反映的是「多少企業決定付費訂閱」，而不是使用者人數、API 呼叫量或營收規模。一家 20 人公司採購一套 Claude 席次，與一家 2,000 人企業採購 ChatGPT，在筆數統計上的權重可能相同。

這個特性有兩面。侷限在於它無法反映使用深度與合約金額；價值則在於刷卡採購是已經發生的決策，比問卷調查或試用數據更接近真實的預算行為，通常也比技術評測更早反映生產環境的實際體驗。

解讀的關鍵是：這是採購偏好的轉向，不是模型能力的排名。

代理原生架構改變了什麼

Claude Opus 5 主打 Anthropic 所稱的「代理原生」（Agentic Native）架構。與過去「人下指令、AI 產出程式碼片段、人貼回專案」的模式相比，差別在於模型能自行執行、觀察結果並修正，形成完整迴圈。

具體到開發流程：模型可以自行建立容器環境、執行測試套件、讀取失敗訊息、修改程式碼，重複直到測試通過。工程師的角色從「逐行審查產出」轉為「定義任務與驗收標準」。

對採購決策者而言，這個差異直接反映在人力成本上。前者需要工程師全程盯著，省下的是打字時間；後者可以交付任務後去處理別的事，省下的是整段工時。這是採購邏輯從「輔助工具」轉向「產能單位」的分界，也是企業願意換供應商的實際理由。

這個迴圈在什麼情況下會失效

代理型工作流的效果高度取決於任務性質。以下幾類情境目前仍會明顯降低成功率：

• 驗收標準不明確的任務　迴圈仰賴「測試通過」這類客觀訊號。若任務是「把這個頁面改得更好看」，模型沒有可收斂的目標。
• 測試覆蓋不足的專案　模型會讓現有測試通過，但未被測試涵蓋的路徑可能悄悄壞掉。測試品質差的專案，導入代理反而放大風險。
• 不穩定的測試　偶爾失敗的測試會讓模型反覆修改本來正確的程式碼。
• 跨大量檔案的重構　需要同時理解的程式碼超過上下文容量時，模型容易做出局部正確、整體矛盾的修改。
• 知識不在程式碼庫裡的任務　例如「照公司報價規則計算折扣」，規則寫在資深員工腦袋裡，模型無從得知。

換句話說，代理型 AI 的產出品質，取決於專案本身的工程紀律。測試齊全、規格清楚、模組邊界明確的專案獲益最大；反之則可能製造出難以察覺的技術債。這也解釋了為什麼同一套工具，在不同公司的評價會落差極大。

對台灣企業的意義

把美國的採購數據直接套用到台灣會失真。主要卡點通常不在技術，而在三個結構性因素。

一、資料落地與資安審查。代理型 AI 為了完成任務，需要的權限遠高於對話式助理——存取程式碼庫、執行指令、連線內部系統。多數企業的資安流程是為「員工存取」設計的，尚未有對應「AI 代理存取」的審查框架。這通常是導入案卡最久的環節，而不是模型好不好用。

二、預算科目與成本結構。席次制訂閱對人數少的團隊單價偏高，而代理型工具的用量計費又難以事前估算。對習慣一次性採購軟體授權的公司，這種浮動成本在編列預算時缺乏對應科目，光是走完內部流程就可能耗掉一季。

三、導入後的維運責任。這是最常被低估的一項。工具導入後，prompt 要維護、流程要調整、產出品質要抽查。這些工作若沒有明確歸屬，多數會在三到六個月內回到原本的做法，然後得出「AI 不好用」的結論。

因此對台灣中小企業而言，比「該選哪家模型」更關鍵的問題是：先找出一個驗收標準明確、測試完整、且有人願意負責維運的任務，用它作為第一個導入標的。選錯任務的失敗率，遠高於選錯廠商。

需要保留的懷疑

單季指數不足以判定長期趨勢。企業軟體採購有明顯的合約週期，年約集中續訂的月份會放大特定廠商的數字；2.1 個百分點的差距，也在容易反轉的範圍內。

真正值得觀察的是接下來兩季：這個差距是持續擴大，還是回到互有領先的震盪。前者代表採購邏輯的結構性轉變，後者只是一次週期性波動。在那之前，用單一季度的市佔數字論斷「誰贏了」都言之過早。