半價 AI 才是主戰場，不是更聰明的模型

76% 更低的 token 價格，證明 AI 競爭已從智力轉向成本。

AI 不再是比誰最聰明，而是比誰便宜到足以被代理系統全天候調用。

第一個論點

Meta 的 Muse Spark 1.1 把輸入 token 定在每百萬 $1.25、輸出 token 定在每百萬 $4.25；xAI 的 Grok 4.5 也壓到 $2 與 $6。這不是折扣促銷，而是把 frontier 模型直接拉進企業採購表。當一個模型不再只被人類偶爾問答，而是被 agent 不停搜尋、重試、摘要、執行時，單次價格差 1 美元，最後會變成月帳單差數十萬美元。

市場對這件事的反應已經很直接。BigGo 的來源顯示，平均 token 價格指數在一個月內從 5 月的每百萬 $2.10 降到 7 月 7 日的 $1.64，跌幅 22%。這種變化不是消費者在追新鮮感，而是買方開始用雲端基礎設施的方式看 AI。當採購團隊拿模型去和儲存、頻寬、GPU 使用量一起比較，benchmark 的光環就不再能單獨決定勝負。

第二個論點

agent 會把 token 成本變成董事會等級的問題。一般 chatbot 回答一次就結束；agent 卻會搜尋、草擬、修正、執行、再摘要，直到任務完成。Gartner 預測，企業軟體中使用 AI agents 的比例，會從去年不到 5% 升到今年底的 40%。這代表 token 消耗不是線性成長，而是被工作流放大。對這種場景來說，便宜 60% 或 76% 不是省錢而已，而是決定功能能不能上線、能不能持續跑。

Meta 內部的說法也很關鍵。Alexandr Wang 把 Muse Spark 1.1 稱為 “workhorse”，不是展示品。這句話等於承認：公司不是要先贏一場 demo 比賽，而是要拿下 coding、任務執行、長流程工作這些高頻場景。這些場景看重的是穩定、可預測、可擴張的單位經濟，而不是偶爾多幾分 benchmark 分數。只要便宜且夠用的層級被先佔住，開發者就會先把預設流量放進去。

第一個論點

價格戰之所以會把整個市場往下拉，是因為低價模型已經被訓練成可用。中國模型如 DeepSeek、Zhipu AI、MiniMax，早就把市場預期壓到比美國 frontier 產品低 60% 到 90%。OpenRouter 的資料顯示，自 2 月以來，中國模型拿下每週 token 使用量超過 30%。這代表開發者不是在投票支持某個品牌，而是在投票支持能把工作做完、而且不燒錢的模型。

一旦低價模型足以處理摘要、客服、資料整理，昂貴的高階模型就會失去定價權。OpenAI 把 GPT-5.6 拆成三個層級，甚至推出每百萬輸入 $1、輸出 $6 的便宜方案，讀起來就是防守。Stanford AI Index 也指出，頂級模型之間的性能差距已經縮到很窄。當品質趨於收斂，價格就會變成唯一真正能拉開採用率的變數。

第二個論點

這場轉向不是理論，而是已經發生在使用量上。當模型被嵌進 agent、RAG、批次處理與內部工具鏈，企業看的是每完成一個任務要花多少錢，而不是某次測試答對了幾題。對 PM 來說，這意味著產品規格要從「我們用了哪個最強模型」改成「每個工作流的完成成本是多少」。對創辦人來說，這意味著毛利不再只受人力影響，也受 token 供應鏈影響。

更重要的是，這種壓力會一路傳到基礎模型公司。只要客戶能把簡單任務切到低價模型，高價模型就只能保留給少數高風險任務，例如法律分析、進階程式推理、財務判讀。這不是高階模型失敗，而是市場成熟。真正的 frontier 不在於誰能把分數再推高一點，而在於誰能把足夠好的能力做成可大規模部署的價格。

反方可能怎麼說

最強的反對意見是：便宜不代表可用。企業在意的是可靠性、安全性與深度推理，高風險工作仍然需要最強模型。若便宜模型產生錯誤，後續的人工作業、合規風險與返工成本，會把省下來的錢全部吃掉。從這個角度看，價格戰可能只是把市場推向一堆快但淺的系統，反而拖慢真正的能力進步。

這個批評成立，但它沒有推翻本文的結論，反而把答案說得更清楚：市場正在分層。高階模型會留在少數高風險任務，低價且夠用的模型會吃掉絕大多數重複性工作。對企業來說，真正的大宗成本不在少數高價推理，而在大量日常調用。只要這一層持續擴張，價格就會比單次智力表現更能決定誰拿到部署量。

你能做什麼

如果你是工程師、PM 或創辦人，別再把 AI 當成單一模型選型題，而要把它當成營運成本題。把簡單任務分流到低價模型，把高風險推理留給高階模型，並且用「完成一個任務的總成本」來衡量，而不是只看每次呼叫的驚喜感。這個市場最後贏的，不會是最會做 demo 的團隊，而是最會把 intelligence 當成可分配算力來管理的團隊。