AI营销成本重构：Token经济模式演变，企业如何应对？

Anthropic 发布 Claude Sonnet 5 后，关于AI如何定价的讨论再度升温。有分析指出，公开的token费率已无法完全揭示其经济全貌，因为token消耗模式与模型行为（尤其在推理token的使用上）的变化，正显著影响着实际运营成本。

与此同时，其他AI模型（如Fable 5）的定价是Anthropic此前顶级模型的两倍，且不再提供无限量计划。无论这场争论结果如何，AI的经济学正在发生转变已是不争的事实，更遑论其不断演进的定价结构。

大多数依赖AI驱动营销工具的企业，尚未为此做好准备。他们构建系统时，往往假设token价格将长期低廉，且实现某一结果所需的token数量保持不变。

多年来，AI开发者和采购方普遍受益于一种简单策略：尽可能使用最大的模型。只要运行模型所需的硬件成本在预算内，这种策略便行之有效。人们很容易认为更强大的智能始终是最佳答案，然而，一旦将智能的成本纳入考量，这就不再总是经济最优的选择。

如今，营销部门必须高度关注这一变化，因为它彻底改变了关于AI工具的讨论重心，以及营销人员应提出的关键问题。

审视当前AI在广告领域做出的各类决策。例如，这段视频是否适合家庭友好型推广？这位创作者是否符合品牌价值观？这则创意是否可能违反平台政策？这些都是重要问题，但它们与要求AI模型解决复杂的法律难题或证明前沿的数学问题，其复杂程度截然不同。

一份对数万家企业AI支出的深度追踪报告揭示，尽管过去一年间每百万token的平均成本大幅下降，但企业在AI领域的总支出却因“广度”与“深度”两大因素持续攀升。

在广度方面，企业利用AI解决的问题数量远超一年前。在深度方面，大多数现代AI模型默认开启了推理功能。推理功能在生成实际响应提示的输出token之前，需要消耗数倍的token来“思考”问题的答案。Token成本的降低并未削减AI预算，反而促使组织消耗更多token，这正是“杰文斯悖论”的经典体现。

我们的焦点正在回归单位经济效益，营销人员必须开始根据实际需要解决的问题，来选择匹配的模型规模。

研究人员正以全新视角审视AI的经济价值。他们不再仅仅聚焦于单个token的成本，而是转向探究获取一个“正确答案”所需的总成本。最近，有研究团队提出了一个名为“通过成本”（cost-of-pass）的框架，用于衡量产生准确结果的预期开销。他们的结论是，针对不同类型的工作，存在经济上最优的不同模型。例如，轻量级模型在简单任务中表现卓越，大型模型擅长知识密集型工作，而推理模型则仅在问题足够复杂，足以证明其额外成本的合理性时，才真正展现其价值。我们团队也曾从品牌安全视角出发，对这一概念进行过深入探讨，旨在明确何时可以信赖模型输出，以及何时应将决策上报至成本更高的人工审核环节。

这正是我认为企业级AI的发展方向。我们正在重新认识到，高效解决数十亿重复性决策与解决一个极其复杂的难题，是截然不同的工程挑战。对于像我们这样的工程师来说，克服对“闪亮新事物”的追逐可能极具挑战，但当技术需要大规模应用时，这是我们必须面对的。

前沿模型的每token价格或许会波动，但解决复杂问题的总成本将持续上升。Anthropic的这一举动并非孤例。本季度，每位营销人员都应向其AI供应商提出的问题不再是“你们使用哪种模型？”，而是“为什么所有任务都使用同一种模型？”如果答案是出于习惯而非架构考量，那么下一次账单上的“惊喜”恐怕就源于此。