廉價AI的終結：消費定價對組織意味着什麼

本文是《超越編碼助手》系列第三篇，該系列探討企業級AI輔助軟件工程。此前文章討論了AI工具為何讓某些團隊變慢，下一篇將關注AI開發的質量-速度-成本三難困境。

2025年11月，Anthropic開始以新計費結構續約企業客户。原有的捆綁token企業席位——每月按座收費附帶大量token，僅當大幅超出時才支付額外費用——正被淘汰。新方案中，座位費僅覆蓋平台訪問，所有token按標準API費率單獨計費。《The Register》以“Anthropic從企業座位協議中剔除捆綁token”為題進行了報道。

這並非AI公司行為不當的故事，而是技術成熟曲線的正常演進。每個主要技術類別都經歷過類似階段：供應商在培育需求時提供廉價接入，隨後當需求趕上產能時進行價格修正。雲計算如此，SaaS如此，現在是AI。

對工程組織的影響巨大，調整時機已到。2026年4月Axios報道，一些公司在AI上的支出已超過員工薪資——IT預算“被沖垮”。無論這種跨越是否已在某組織發生，趨勢線清晰：隨着AI使用成本上升至實際覆蓋供應商算力支出，每家公司都必須選擇如何為員工配置這些工具。明智的公司會找到方法，讓工程師獲得足夠資源以提高生產力，同時避免無限資源導致浪費。這種平衡需要監控、歸因和成本效益追蹤能力——多數團隊尚未具備。

補貼時代的短暫存在

固定費率的AI曾經存在，原因與2014年雲計算折扣額度類似：供應商在產能未充分利用、市場爭奪激烈時用利潤換取採用率。這是當時的理性策略，無人幻想其永久持續。

多重力量加速了這一終結。

四重力量同時作用

消費定價：捆綁token安排正被行業範圍內解除。Anthropic的轉型最為明顯，但並非孤例。座位費現在僅涵蓋訪問權限，使用量按標準費率按token計費。這意味着每個token都是成本，無法再隱藏在固定費用內。

產能限制：推理基礎設施增長不及需求。產能緊張時價格成為配給機制。這非任何單一供應商的利潤策略，而是物理和供應鏈問題。

實際輸入成本：AI API定價背後的成本堆棧在多個方面惡化：

• 電力：2025年美國居民電價上漲11.5%，是通脹率的三倍多。高盛和EIA預計2030年電價較2025年上漲40%。數據中心佔美國電力需求增長的40-50%，某些數據中心附近批發電價較五年前上漲267%。
• 內存：高帶寬內存（HBM）結構性短缺。SK海力士先進封裝線已排至2026年；美光HBM產能在2025年初即售罄。1GB HBM約消耗標準DRAM四倍的晶圓容量。DRAM價格在2026年Q1較2025年Q4上漲約90%。AI推高所有內存成本。
• 硬件：即使消費端也感受到壓力。2026年初，蘋果Mac Mini因本地推理代理棧“OpenClaw”走紅而缺貨——表明“自己運行”需求可迅速壓倒供應。

雲與邊緣推理差距：在本地或邊緣硬件上運行推理，對於可預測工作負載可比雲API調用便宜得多。Brad DeLong以Marco Arment的50台Mac Mini服務器農場為例：前期硬件約3萬美元，每年攤銷約6000美元，功率小於2千瓦，而相同工作負載若使用OpenAI Whisper API，每台Mac Mini等效日費約1800美元。另有分析顯示，通過堆疊硬件、量化和蒸餾技術，可預測推理工作負載可實現約3000倍的效率與成本改善。方向明確：並非所有推理都需調用前沿模型API。

供應商鎖定風險：深度依賴單一供應商意味着其定價變化直接成為你的定價變化，且無議價能力。這一風險在2026年4月比三年前更為突出。

一個實例

假設一個“AI PR浪潮”式設置——團隊運行大規模並行AI代碼生成，類似Gas Town。12至30個併發代理，每個承擔小任務，生成並迭代多份草稿。早期Gas Town採用者公開提及API支出達每小時100美元。

在捆綁token定價下，只要該團隊不是計劃中最高用量者，每小時100美元通常被企業津貼覆蓋。在按token定價下則不然。每小時100美元乘以正常工作周，僅生成步驟每年每團隊就達數十萬美元——還不包括驗證、審查、測試或部署。新舊計費間的數量級差異並非意外，而是預期情況。

組織對此變化感到恐慌毫不意外。許多組織已在第一季度花完全年預算。預計成本將繼續攀升。最大問題之一是缺乏有價值的報告和成本管理工具。因此，下一步需要的是管理成本的方法，以便組織能夠自信地制定預算。

雲成本類比

行業曾見過這一幕。2010年代末的雲成本危機由相同模式產生：廉價豐富的新能力→工程師臨時採用→六位數月賬單無人預算→整個FinOps學科應運而生以建立防護欄。

這些教訓直接適用於AI支出：

• 按工作負載歸因成本：若無法知曉特定PR、工作項或工作流的成本，就無法優化。粒度可觀察性將ROI從感覺變為可衡量。
• 以適當粒度設定預算：組織、團隊、項目和工作項預算，並規定預算接近時如何應對。
• 給予團隊可見性：隱藏成本總是錯配。團隊只有在成本實時可見時才能做出成本意識決策，而非三週後在財務報告中。
• 設計昂貴與廉價選項間的路由：並非所有任務都需要前沿模型，並非所有工作負載都需要雲API調用。編排層應能切換模型，並隨時間推移自主判斷模型適用性。
• 避免鎖定：編排層需跨多個供應商工作，支持雲端或本地自託管模型。鎖定客户在下次定價變化時無議價能力。
• 資源池化：單開發者沙盒無法實現團隊級成本控制。共享計算池配合排隊和優先級，是組織在不扼殺工程師的情況下控制預算的實際方法。

2015年將雲成本視為後話的工程組織，花了多年時間為那個選擇買單。早期建立成本意識的組織如今擁有持久優勢。AI支出正上演相同模式。

讓工程師探索，但有意識地

我並非主張嚴格鎖定資源以致工程師無法實驗。實驗是學習和成長的方式。將成本視為一等約束並非剝奪工程師AI訪問權。每個工程組織需要給工程師空間探索工具能力，嘗試不奏效的想法，培養AI輔助工作流的品味——這隻能通過親身實踐獲得。這不是浪費，而是團隊學習新能力的途徑。

正確的答案是帶有意識的分配：每位工程師的“學習預算”，共享實驗池，token使用可見性，回顧哪些有效哪些無效。錯誤不在於不給工程師訪問權，而在於給予無限訪問權卻沒有反饋循環，然後對賬單感到驚訝。

管理良好的SDLC將吸收變化，臨時團隊則不能

具有嚴格SDLC的組織——定義的工作流、分階段審查、工作項級別預算、跨passes複用工件——能適應消費定價而無需中斷。他們已知道每項工作的目的和值得花費多少。將簡單重構路由至廉價模型，將安全敏感變更路由至前沿模型，僅是另一項調度決策。

工程師隨意使用工具的組織則會經歷更艱難的着陸。成本螺旋上升，因為一切無法歸因。質量波動，因為無有意識路由。賬單到來，除了“大家都在用AI”外無法解釋。這不是可持續答案。

紀律成為競爭優勢。現在在編排層構建成本意識和SDLC結構的組織將優於其他——不僅因為即時節省，更因為紀律會複合。在成本壓力下做出的每個架構決策往往比充裕環境下更可防禦。

架構上受青睞的特性

能夠做到五點的系統將擁有持久優勢：

1. 根據任務複雜度在模型間路由——廉價模型用於廉價工作，前沿模型僅當任務需要時。
2. 按事項/故事追蹤預算和成本。
3. 緩存中間表示，避免今日重新生成昨日已驗證的工件。
4. 無需重寫工作流即可切換供應商，包括在本地運行低成本模型。
5. 預算緊張時推遲低優先級工作。

所有這些背後的模式相同：工具和流程賦予組織實際成本控制，同時保持每個工程師的靈活性以良好完成工作。在成本控制與靈活性間取得平衡的組織將成為這場轉型的贏家。選擇一邊——要麼限制工程師至無用，要麼讓支出失控——的組織將輸給那些找到平衡點的。

下篇文章《AI開發的質量-速度-成本三難困境》將進一步探討。