一句话看懂：AI 成本正在从“拼谁能用更便宜的模型”转向“拼谁能少调用模型”。TechRadar 刊文指出，只盯着模型路由和开源模型降价，忽略了更省钱的一环——把可复用的业务逻辑从大模型推理中剥离出来。
事件核心：发生了什么
据 TechRadar 报道，Alteryx 首席产品官 Ben Canning 在署名文章中提出上述判断。背景是 AI 支出正快速膨胀：Uber 曾公开抱怨四个月内花掉了原本覆盖 2026 年全年的 AI 预算。此前一段时间，部分科技公司还把员工消耗的 token 数量做成排行榜，如今风向已明显反转。
面对账单压力，业界流行两条省钱思路：一是模型路由，把不同任务分给不同模型；二是采用开源模型或低价的中国模型，例如文中提到的 Kimi K3，以较低价格获得接近前沿水平的能力。Canning 认为这些做法本身成立，但单独使用视野太窄。
为什么重要
文章点出一个容易被忽略的成本结构问题：很多被交给大模型的任务其实是可重复的，比如文件对账、业务规则校验、合规检查、源文档解析。如果让模型每次都从零重建上下文、重新推演内部定义，无论用闭源还是开源模型，token 消耗都是浪费的。
他给出的替代方案是在 LLM 和云数据平台之间加一层“业务逻辑层”，把利润率计算、合规阈值等组织专有规则做成预建分析工作流，模型只消费输出结果，而不是亲自推理。按这个思路，最便宜的 token 是根本没被生成的那个。
对用户/开发者/创作者的影响
对开发者和企业技术团队来说，这意味着成本优化的重点要从“选模型”扩展到“划分职责”：哪些问题必须交给大模型推理，哪些应由确定性工作流处理。把分析逻辑接入云端数据平台，既能减少重复计算，也能避免为同一份数据付两次算力钱。
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。
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。
文章还提到一个长期收益：加入业务逻辑层后，模型输出在税务、财务、合规等领域的可靠性更容易被验证，团队对 AI 工具的信任提升，反而会加快落地速度，而不是单纯压价。
值得关注的后续
一是模型路由之后，“业务逻辑层”会不会成为新的采购品类，云数据平台与大模型之间的中间件竞争是否升温。二是开源低价模型持续降价，是否会削弱企业自建逻辑层的动力。三是目前公开信息显示，这套思路仍以观点和案例为主，实际成本下降幅度有待更多企业数据验证。
来源：TechRadar
