为什么扩大AI规模需要新的经济策略

事件核心：发生了什么

TechRadar 发布评论文章，聚焦企业生成式 AI 落地中的成本失控问题。文章援引 MAISA 联合创始人 David Villalón 的观点，指出当前企业普遍存在“tokenmaxxing”现象——无论任务复杂度如何，一律调用最大的前沿大模型，导致推理成本远超产出价值。数据显示，80% 的企业承认 AI 成本预测偏差超过 25%，超过 95% 的生成式 AI 试点项目未能进入有意义的规模化生产阶段。部分大型企业已在数月内烧完年度 AI 预算，甚至开始取消内部许可证。

为什么重要

这一现象揭示了一个结构性矛盾：AI 的能力提升速度远超其经济性优化速度。传统软件的成本是可预测的固定支出，而概率性 AI 模型每次运行成本不同，同一流程的成本可能从一天的一美元跳到第二天的上百美元，财务部门难以将其纳入稳定预算。问题的关键不在模型选型本身，而在于默认所有任务都需要前沿级推理能力的假设不成立。文章认为，单纯限制用量或节流是防御性退却，真正需要的是将优化从“选哪个模型答题”下沉到“改造工作流程本身”。这种从请求级路由到流程级架构的转变，才是摆脱成本困局的可行路径。

对用户/开发者/创作者的影响

对于开发者而言，这意味着 API 调用策略需要从“单一最强模型”转向分层组合：简单任务交给小型专用模型，复杂任务才动用前沿模型。对于企业采购方，文章提醒不要以试点项目的成本数据作为规模化预算的依据，生产环境的边缘案例、多步重试和高并发会大幅推高实际开销。创作与内容生成领域同样面临成本约束：批量生成任务更适合使用轻量模型或缓存机制，而非每次请求都触发完整的前沿模型推理。对普通用户来说，如果企业无法解决成本问题，最终可能表现为AI功能涨价、使用配额收紧或服务降级。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

目前公开信息显示，MAISA 提出的“流程级架构”方案尚未公开具体产品落地细节，值得观察其是否推出可集成的 API 或开发框架。另一个观察点是云厂商和模型提供方是否调整定价策略，例如按任务复杂度分级计费，或推出可预测成本的订阅模式。此外，随着成本压力传导，专注于“小模型＋流程优化”的中间层工具是否会获得资本和开发者社区更多关注，也值得追踪。

来源：TechRadar