据《金融时报》报道，美国企业正越来越多地选择能胜任工作的最低成本AI模型，而非自动采用可获得的最高级解决方案。随着新一代模型缩小能力差距、token成本持续下降，这一转变正对高端定价形成压力。

购买能完成任务的最低成本模型

其逻辑在于，昂贵的前沿模型应仅在必要时部署，而日常任务可由性能足以胜任的廉价模型来处理。

这一模式体现在Ramp于9月9日发布的AI Index中，该指数追踪各企业的AI支出。基于2026年8月的支出数据，Ramp样本中43.8%的美国企业购买了Anthropic产品，OpenAI则为39.8%。Ramp还指出，廉价模型的日益普及对那些商业模式依赖企业持续增加前沿系统支出的AI公司构成威胁。

这一趋势也与OECD于2026年9月发布的智能体AI报告的发现一致。对25家组织的访谈显示，节约成本是采用智能体系统（即能够在有限监督下规划并执行多步骤任务的AI）的常见原因，此外还有其对提高生产力的贡献以及在缓解劳动力短缺方面的作用。

以几分之一美分计量的价格战

AI模型的价格正迅速下降，与此同时新一轮系统正在推出。据Cryptopolitan此前报道，OpenAI于9月22日发布GPT-6 Sol和GPT-6 Luna，定价较此前的GPT-5.6模型低至少50%。GPT-6 Sol每百万输入token成本为2美元，每百万输出token为10美元；token是模型处理文本的标准计量单位，API定价即以此为基准。

同一周内，Anthropic发布了Opus 5.5，xAI则推出Grok 4.7，这些新品登场之际，市场正日益由性价比标准驱动。据Axios报道，廉价但依然高效的模型正代表该行业新的竞争赛道。

长期下降趋势更为显著。据Epoch AI数据，自2023年以来，实现同等AI性能水平的成本每季度约47%，约合每年下降13倍。

每项已完成任务的成本更加重要

随着价格压力加剧，企业衡量AI成功的指标也在转变。基准测试领先地位的重要性并未减弱，但如今更关注客户为有效性能支付多少费用。

Zapier的AutomationBench针对覆盖47种商业工具的端到端工作流测试AI智能体。截至9月28日，Claude Opus 5.5以42.47%的效率位居榜首，价格为每项任务1.44美元；而GPT-6 Sol在XHigh设置下达到33.2%，每项任务仅需0.27美元。

同样的权衡也出现在Artificial Analysis上。GPT-6 Sol在最大努力设置下其智能指数得分为48，估计每项任务成本1.06美元；而小米的开源权重模型MiMo-V2.6-Pro（其权重公开发布，可在供应商自有基础设施之外运行）得分为46，每项任务仅0.13美元。

这一差距之小使得多模型路由成为可行选择。企业无需依赖单一供应商处理所有工作负载，而可以根据每项任务的相对重要性和复杂度分配合适的模型。

更便宜的token仍可能意味着更高的账单

价格下降并不必然意味着AI支出减少。据Axios报道，杰文斯悖论（由19世纪经济学家威廉·斯坦利·杰文斯首次提出，他观察到资源使用效率的提高往往会增加而非减少其总消耗）表明，更廉价的资源会导致更大的消耗。Gartner在其8月17日的预测中发出了类似警告，估计到2028年智能体工作流的推理成本将增长逾五倍。

更廉价的模型还能扩大世界其他地区的获取渠道。据微软发布的《全球AI扩散报告》，经济实惠的开源模型有助于改善可及性，但基础设施、互联互通和技能将在决定谁能够受益方面发挥关键作用。

对企业买家的启示愈发明确：最好的AI未必是最聪明的AI，而是能以最低成本高效完成工作的AI。

来源：Cryptopolitan