我以前以為有設 email alert，就算替 AI 廣告實驗裝好安全帶了。結果證明，那比較像是把火災警報器裝在隔壁房間 😂

去年做一輪 B2B SaaS campaign，我讓 AI 一次產生十幾組廣告文案變體，再串 GA 拉素材表現，最後接付費 API 做受眾與轉換分析。流程本身很順，甚至比人工整理快很多。問題是我只設了 80% 用量提醒，沒有真的把花費切斷。

有一天晚上測試服務卡在重試迴圈，API 持續呼叫。隔天早上收到通知時，成本已經比原本預估多了 3.6 倍。還好當時只是小額測試，沒有把正式 campaign 的預算一起放進去，不然那封 email 只會變成一張事後通知單。

後來我把 AI workflow 的成本控制拆成三層。第一層是月度 hard budget cap，到了上限就直接拒絕新的非必要呼叫，不能只靠提醒。第二層是每個 campaign 的 guardrail，我會同時看 token 數、每次轉換成本和總轉換數。比如單次轉換成本超過目標的 1.5 倍，或單一 campaign token 用量超過預估的 120%，就先暫停自動生成與分析。第三層是超額後的人工作業，交給人確認要不要提高額度、縮小 audience，或直接結束測試。

這裡最重要的不是把預算設得很小，而是把「繼續花錢」變成需要明確同意的動作。尤其 AI service 常常有多步驟串接，文案生成看起來便宜，後面再跑 GA query、embedding、第三方 enrichment，成本會像漏水一樣累積。每一段都不貴，合起來卻可能沒有人知道總額。

最近看到 Simon Willison 提到 usage based API 應該預設 hard budget cap，我非常有感。AWS 和 Google Cloud 已經有 spend limit 或 cap 類的機制，因為雲端服務早就知道 warning email 擋不住夜間 runaway service。AI workflow 只是把這個問題搬到行銷團隊桌上而已。

我們現在每次開新實驗前，會先寫三個數字：月度上限、campaign 上限、單次轉換可接受成本。超過就停，不讓模型自己判斷要不要繼續燒錢。結果不是實驗變慢，反而更容易比較每一輪的 ROI，財務也比較敢讓我們擴大測試。

如果你也有讓 AI 自動跑廣告、分析或資料 enrichment，建議今天就去找一下設定裡有沒有真正的 hard cap。只有 email 通知的話，嚴格說你設的是提醒，不是預算上限 🎯