OpenAI提出「每美元有效智能」，大模型厂商正重构定价逻辑
面对Token价格持续下跌与企业支出激增的矛盾，OpenAI等厂商开始跳出传统计费框架，将模型能力、响应速度与预算确定性拆解为独立价值单元进行定价。核心转向衡量任务完成效率而非单纯Token消耗量。
2024年7月，OpenAI对GPT-5.6系列模型实施了一组看似矛盾的价格调整：Luna模型的API输入输出价格下调80%，Terra中档模型降价20%；与此同时，同一模型GPT-5.6 Sol新增Fast Mode服务，以标准模式两倍价格提供最高2.5倍的输出速度。这种“同模不同价”策略并非偶然——它标志着大模型厂商正试图彻底改变客户评估价值的标尺。
过去几年，行业比价几乎完全围绕“每百万Token价格”展开。厂商按输入/输出分别报价，客户可快速横向对比成本。然而，这一计量方式在实际应用中日益显现出局限性：Token仅反映信息处理量，无法体现任务完成质量、耗时长短或失败重试成本。尤其当Agent类应用兴起后，客户购买的不再是单次问答，而是一段持续执行、调用工具、自我纠错的自动化流程。此时，一个单价稍高但一次成功、无需人工干预的模型，其真实使用成本可能远低于频繁出错、需反复调用的低价模型。
企业支出管理平台Ramp的数据印证了这一趋势：2026年3月至9月，其美国客户样本的每百万Token有效价格从1.15美元降至0.68美元，降幅达41%；但同期月度Token总支出却在2025年6月至2026年6月间增长了20倍。单位价格下降并未带来账单降低，反而因调用量激增推高了总成本。更值得注意的是，Ramp数据显示，其前1%高支出企业的人均AI支出在2026年8月环比下降约9.7%，表明企业已开始主动优化预算结构。
在此背景下，OpenAI首席财务官Sarah Friar明确提出“每美元有效智能”（Useful Intelligence per Dollar）概念。她强调，企业应综合评估一项任务是否完成、耗时多久、失败后需重复调用次数及人工监督强度，而非仅关注Token单价。这实质是将大模型从“信息处理器”重新定义为“工作交付工具”，其定价逻辑向结果导向迁移。
图中清晰呈现了当前主流模型的定价策略差异：横轴为每百万Token价格（越靠右越贵），纵轴为每美元所能获得的API等效价值（越高代表单位支出产出越多）。例如Claude Sonnet 5.5虽Token价格较高，但因其高效完成任务的能力，每美元价值显著领先；而GLM-5.3-Flash虽Token成本极低，但单位支出产出相对有限。该图揭示了一个关键现实：高端模型的性能优势尚未完全转化为市场采用率——在Ramp客户中，Anthropic的Fable 5（即Sonnet 5.5）7月仅占Token用量的6%，却贡献了11.4%的支出，说明企业对其溢价仍持谨慎态度。
为支撑新定价逻辑，厂商正将模型服务拆解为三个可单独计费的价值维度：
第一，任务复杂度与完成效率。OpenAI通过Astra、Sol、Luna覆盖从基础到高阶的任务场景；Anthropic则明确将Sonnet用于编程、长链推理与Agent运行等高价值场景。双方在发布新模型时，不再仅罗列参数，而是强调“完成同一任务所需的Token数、重试次数与耗时”。例如OpenAI在10月初的28天连发中，将GPT-6 Astra与GPT-6.1 Sol的速度提升约50%，并特别指出二者在任务级Token效率上表现优异。
第二，交付时间与资源优先级。这已成为继模型能力后的第二大溢价来源。OpenAI提供Fast与Ultrafast选项；Google将推理服务分为Standard、Priority、Flex与Batch四档；DeepSeek则实行峰谷价差，非高峰时段价格为高峰时段的一半。这些策略本质上借鉴了云计算的资源调度逻辑——客户支付的不仅是计算结果，更是结果的时效性与稳定性保障。当模型能力不变时，响应速度与资源保障即可构成独立定价依据。
第三，预算确定性与成本可控性。随着企业AI支出规模扩大，预算超支风险上升。OpenAI、Anthropic与MiniMax等厂商开始提供更精细的用量控制与成本预测工具，部分方案允许客户设定月度支出上限或按任务类型分配配额。这种“可预测性”本身正成为一项付费服务。
行业观察显示，模型能力的持续进步若不能有效转化为客户愿付溢价的实际业务成果，将难以支撑高昂的训练与推理投入。中信证券研报指出，当前产业关注点正从“模型能力突破”转向“推理效率与货币化路径”。大模型厂商的商业化挑战，已从“如何做得更强”转变为“如何让客户愿意为更强付费”。
值得留意的是，这一转型并非仅限于OpenAI。Anthropic在推广Sonnet时同样强调其在减少错误率与人工审核负担上的优势；MiniMax也在其企业方案中引入任务级成本核算模块。整个行业正在形成共识：Token是计量单位，但不是价值单位。未来客户采购决策将更依赖任务ROI分析，而非简单比价表。
技术演进与商业逻辑的错位曾是AI落地的主要障碍之一。当模型能写诗、作画、编码时，企业真正关心的是它能否缩短产品上线周期、降低客服人力成本或提升广告转化率。OpenAI提出的“每美元有效智能”，正是试图弥合这一鸿沟的尝试——它不是否定Token计费，而是将其置于更完整的成本-效益框架中重新校准。这场定价体系的重构，或将深刻影响未来三年大模型的市场格局与应用深度。
