前沿模型变便宜后，真正稀缺的是挑对工作

重要的并不是前沿模型正在变便宜，而是价格下降让“什么工作值得交给模型”变得更难回避。因为可以尝试的任务更多了，真正稀缺的资源就变成了任务选择、结果验证，以及承担错误的责任。

Anthropic 在 7 月 24 日发布 Claude Opus 5，称它以约一半价格接近 Claude Fable 5 的前沿能力。OpenAI 经济研究团队在 7 月 27 日发布的 “Work at the Frontier” 则从工作方式出发，指出员工正在把 AI 用到传统岗位边界之外。两个信号放在一起看，AI 采用的经济学正在改变：问题不再只是“能不能负担最强模型”，而是“哪些工作应该进入越来越宽的模型调用范围”。

这首先是一个产品决策，其次才是云账单问题。

价格下降带来的机制变化

当推理昂贵时，团队会自然地限制调用：只有高价值提示才交给最强模型，流程保持狭窄，其他事情继续人工处理。价格下降后，这种限制会松动。开发者可以让模型分类更多工单、检查更多代码路径，或准备更多研究方案。

问题是，可能被 AI 辅助的动作数量，增长速度会超过团队审阅这些动作的能力。一次便宜调用，可能制造一条昂贵的判断队列。仍然有人需要确认结果是否正确、是否改对了东西，以及这项任务是否值得开始。

所以真正的成本单位并不是 token，而是“经过验证的有效工作”：推理、上下文准备、复核、修正，以及注意力被占用的机会成本。

市场可能误读什么

最直接的解读是，模型降价会扩大 AI 应用的利润。有时确实如此，但降价也可能抹平弱产品的差异。如果竞争对手可以更便宜地购买相近的智能，应用就必须靠工作流选择、专有上下文、分发能力，或从输出到可接受结果的更短路径来守住位置。

还有一个更危险的误读：前沿模型更便宜，并不代表每名员工都应该拥有一个可以自由行动的通用智能体。OpenAI 的工作研究之所以重要，正在于它显示 AI 使用正在跨越岗位边界；这并不等于每一项跨界任务都适合自动化。组织仍然需要明确：模型何时可以执行，何时只能提出建议，何时只应负责检索证据。

如果路由政策很弱，便宜的智能反而会增加噪声：生成没人要求的草稿，做没人信任的分析，触发没人负责的动作。

给运营者的建议：让“挑工作”可观测

在优化模型之前，先记录每个候选流程的决策：

• 什么触发器让任务进入系统；
• 调用模型前预计它能创造什么价值；
• 验证负担和失败严重程度是多少；
• 输出有多少比例无需实质修正就被接受；
• 如果不自动化，人工处理的成本是什么。

这比模型调用量或席位数更耐用。一个系统调用一万次却产生大量复核队列，并不一定比调用一千次、但每次都创造高价值的系统便宜。真正有竞争力的产品，可能是最敢于拒绝低价值工作的产品，同时把接受边界说清楚。

这也延续了本站关于 AI 路由与利润 以及 智能体交易证据账本 的讨论：路由决定经济暴露，证据账本决定结果能否经受审查。价格越低，这两层越重要。

接下来观察什么

观察 AI 产品是否开始公布任务级经济指标，而不只是模型价格。值得跟踪的指标包括：每个被接受结果需要多少复核分钟、生成后有多少任务被放弃、不同任务类型的修正率，以及有多少工作被路由到更便宜的模型而没有损失接受质量。

一种反驳是，足够强的智能体最终可以自行验证。但对于边界清晰的任务，这或许成立；当错误动作代价很高时，自我验证仍需要外部失败信号。实际测试不是模型能否给出自信的解释，而是工作流能否发现它何时不该自信。

前沿模型降价是实验的好消息，却不是挑选工作的替代品。当推理能力变得充足，严格的准入、验证和责任归属，才会成为产品真正的表面。

来源：Anthropic《Introducing Claude Opus 5》，2026 年 7 月 24 日；OpenAI 经济研究《How AI is expanding what people do at work》，2026 年 7 月 27 日。

Read in English →