随着 AI 部署成本上升，企业开始重新评估是否还需要在所有任务上使用最强模型。外媒 TechCrunch 评论称，这种变化若持续扩大，可能改写 AI 行业过去依赖“大模型更强、因此更值得付费”的竞争逻辑。

　　 企业开始重算模型成本

　　 文章指出，过去一段时间，AI 公司主要围绕模型能力竞争，客户也更愿意直接选择当时最先进的产品。但在价格补贴减弱、推理支出上升后，企业首次更明显地感受到成本压力。

　　 Coinbase 联合创始人 Brian Armstrong 认为，未来绝大多数任务可能会转向更便宜的模型处理。若这一判断成立，AI 行业的收入结构和定价方式都可能发生明显变化。

　　 更小模型未必牺牲效果

　　 TechCrunch 提到，法律 AI 公司 Harvey 近期与推理平台 Fireworks AI 进行测试，在不降低输出质量的情况下，将推理成本降至原来的约三分之一。其做法并非完全放弃高性能模型，而是把最复杂的任务交给 Claude Opus，其他部分交由更便宜的模型处理，从而减少服务器占用和整体支出。

　　 Harvey 联合创始人 Gabe Pereyra 表示，法律服务场景仍然把质量放在首位，但“质量”的定义正在变化，不再是所有任务都调用最强模型，而是以更高效率得到正确答案。

　　 焦点转向大小模型之争

　　 文章认为，市场常把这轮变化理解为头部实验室与模型、或闭源模型与开源模型之间的竞争，但更核心的分野其实是“大模型”和“小模型”之间的替代关系。

　　 也就是说，企业节省成本并不一定要换到某一类特定阵营。无论是从高端闭源模型切换到更便宜的外部模型，还是改用同一家公司的轻量版本，只要结果接近，都可能压低单次调用成本。

　　 目前，大型实验室自营推理服务与独立托管的开源权重模型之间，已经出现价格竞争。文章称，真正值得关注的不是哪一方赢得价格战，而是企业是否愿意把更多正式部署迁移到更小的模型上。

　　 前沿模型回报面临考验

　　 如果多数企业发现，很多日常部署用更小模型也能达到接近效果，那么市场对高成本推理资源的需求可能放缓。这不仅会压缩头部实验室的收入空间，也会让外界重新审视训练前沿模型所需巨额投入是否还能持续获得足够回报。

　　 文章同时提到，企业也可能通过减少调用次数、缩短上下文长度，或直接放弃部分效果不佳的项目来控制支出。因此，低价模型是否会真正成为主流，仍取决于企业在真实业务中的采用速度。