案例背景
2026年10月8日，每日经济新闻「全球科技早参」报道，Anthropic发布新一代轻量模型Claude Haiku 5.5，其运行成本较上一代下降约75%。这一数字的商业含义远大于技术含义：AI服务的定价方式早已从软件时代的席位订阅制转向以token为单位的用量计价，单位推理成本因此直接决定了应用的可负担边界。粗略地说，在预算不变的前提下，单位成本下降75%意味着可支撑的调用量提升至原来的数倍，过去因成本而无法成立的设想——例如对全量客服会话做实时质检、对每一份合同做逐条比对、为每位学习者提供全天候陪练——开始进入可行性区间。对预算有限的中小企业而言，AI应用的经济门槛由此大幅降低。
然而，成本下降是否必然导致总支出下降，却不是一道简单的算术题。价格下移会改变什么、又不会改变什么，正是本案例要讨论的核心命题。
核心分析
一、复合学习曲线：成本下降的四个驱动层
赖特在1936年提出的经验曲线定律指出，累计产量每翻一倍，单位成本按固定比例下降；波士顿咨询公司将其扩展为经验曲线，摩尔定律则是其在半导体领域的著名变体。但AI推理成本的下降速度往往快于单纯的硬件规律，原因在于它是一条复合学习曲线：最底层是芯片算力密度与能效的持续改善；其上是系统层的编译优化、批处理调度与显存管理；再上是模型层的蒸馏、量化、稀疏激活与混合专家架构；最上层是产品层的能力分层与任务路由。四层叠加使单位成本的下降具有乘数效应。对管理者而言，重要的启示是不要把成本下降视为外生的行业红利，而应将其分解为可管理的技术杠杆，并据此规划应用的上线时序——今天不经济的场景，很可能在下一轮迭代后变得经济。
二、杰文斯悖论：效率提升为何推高总需求
1865年，威廉·斯坦利·杰文斯在《煤炭问题》中观察到，瓦特改良蒸汽机提高了燃煤效率，英国的煤炭消耗量却不降反升，因为效率提升扩大了蒸汽机的应用场景。这一杰文斯悖论在AI推理成本上表现得极为典型：单位token价格下降会同时触发三重效应——存量场景的用量深化（原本抽检的质检变为全检）、边界场景的可行性翻转（原本不划算的长文档处理变为可行）、以及新场景的诞生（多智能体协作需要海量低成本调用）。从微观经济学看，这是价格弹性在起作用：当需求价格弹性大于1时，降价会扩大总收入；而AI作为通用目的技术，其短期弹性往往被长期渗透率所掩盖。布莱恩约弗森关于AI与生产力的研究也提示，技术收益需要先期的组织再造、流程重构与人才再培训等互补投资才能显现，成本下降的作用是把收益拐点提前。
三、产品分层与计量定价：从卖席位到卖用量
夏皮罗与瓦里安在《信息规则》中把版本化列为信息产品定价的核心策略：通过制造质量阶梯，让不同支付意愿的用户自我选择。Anthropic的产品矩阵正是这一策略的实践——旗舰模型承担复杂推理与高价值决策，轻量模型承担高频、低延迟、大批量的常规任务。分层定价背后还有一层容量逻辑：稀缺的高端算力应当留给高价值任务，这与电力行业的峰谷定价异曲同工。与此同时，计价单位从席位变为token，使供应商的收入模型从按人头转为按使用量，收入随客户业务量自然扩张，但也带来毛利波动与用量不可预测的风险。对采购方而言，单位成本下降并不意味着预算下降，而意味着需要建立全新的AI单位经济学核算框架：以每完成一项业务任务的总成本，而非每次调用的单价，作为衡量标准。
管理启示
第一，把推理成本当作动态变量做规划，用场景可行性翻转清单定期复盘哪些业务已跨过经济性门槛。第二，警惕杰文斯效应，成本下降带来的预算节约往往会被用量增长吞噬，应预设总量治理机制与配额制度。第三，建立分层调用策略，把高价值任务留给强模型、把高频任务交给轻量模型，并据此明确成本治理的组织职责与考核口径。
其他思考
- 在你的行业中，有哪些业务场景恰好处在成本再降一点就可行的临界状态？请估算其临界单位成本。
- 若推理成本继续按当前速率下降，AI供应商的收入增长更应该依赖价格还是用量？两种路径对毛利率有何不同影响？
- 杰文斯悖论在AI领域是否必然成立？在什么条件下，效率提升反而会带来总消耗的下降？
关键词：推理成本、杰文斯悖论、分层定价
来源：每日经济新闻 | 整理：经管大课堂
原文链接：https://www.rcbom.com/aibps/6456.html
