大模型太贵了。
这已经不是一句抱怨，而是 AI 产品进入真实工作流之后，所有团队都要面对的一笔账。
6 月 9 日，TechCrunch 发了一篇文章：Can tech companies learn to love cheaper AI models? 问题很直接：科技公司能不能重新喜欢上更便宜的 AI 模型？
6 月 5 日，CNBC 也讨论了类似趋势：model routing 正在成为控制 AI 超支的一种方式。简单、高频任务交给更便宜的模型；困难、高风险任务继续交给前沿模型。
重点不是最强模型不重要了。
重点是，最强模型会变成需要被谨慎调度的稀缺资源。
发生了什么：便宜模型重新变得有用
过去两年，AI 产品最容易讲的故事是：我们接入了最强模型。
在 demo 里，这句话很好用。
但在生产环境里，它很快会遇到成本问题。
一个真实的 Agent 任务，不是一轮对话。它可能要读文件、找资料、拆步骤、写代码、检查结果、修复错误，再产出最终交付物。每一步都调用最贵模型，账单会很快变得不好看。
TechCrunch 提到 Harvey 和 Fireworks AI 的一次测试。根据报道，Harvey 把 Claude Opus 和 Fireworks 的 GLM 5.1 组合使用，在不降低质量的情况下，把推理成本降低了 3 倍。关键不是完全替换强模型，而是让便宜模型处理那些不需要 Opus 的步骤。
这个信号很重要。
便宜模型变香，不是因为大家不在乎质量了。而是大家开始学会判断：质量到底在哪些步骤上最重要。
为什么重要：AI 成本正在变成工作流成本
当 AI 离开聊天框，成本问题会变得完全不同。
一个人在聊天框里问一句问题，贵一点也许还能接受。但一个 Agent 工作流可能连续调用模型：分类、总结、检索、起草、执行、验证、修改、汇报。
这时，模型选择就不再只是技术偏好，而是工作流架构。
团队需要判断：
- 哪些步骤足够常规，可以用便宜模型？
- 哪些步骤更需要速度，而不是深推理？
- 哪些步骤涉及客户、代码、合同、资金或生产系统？
- 哪些动作必须在人类确认后才能继续？
- 哪些步骤需要记录下来，方便之后审计成本和判断？
这就是为什么 model routing 不只是工程优化。
它会变成产品能力。
一个永远调用最强模型的产品，demo 可能很好看，但很难规模化。一个永远调用最便宜模型的产品，成本可能漂亮，但容易在关键判断上翻车。
真正难的是中间那层调度。
新的问题：谁来决定用哪个模型？
成熟的 AI 系统，不会让一个模型做所有事情。
它会路由任务。
简单提取交给便宜模型。高频分类交给快模型。复杂规划交给强模型。高风险动作交给强模型之后，再停下来让人确认。
这很像公司运转。
不是每个决定都找 CEO。也不是每件事都交给实习生。好的组织，会把合适级别的判断放到合适的任务上。
AI 产品也需要这层纪律。
团队接下来应该看什么
企业和团队评估 AI Agent 产品时，不要只问：你们用的是哪个模型？
这个问题仍然重要，但已经不够。
更应该问：
-
系统会不会按任务难度路由？
常规步骤不应该默认消耗前沿模型预算。 -
系统会不会按风险路由？
面向客户、财务、法律、生产、安全的步骤，需要更严格的处理。 -
系统能不能解释为什么用了这个模型？
管理者应该知道某一步为什么用了便宜模型、快模型或高级模型。 -
系统能不能看见成本？
AI 成本应该在工作流层面可见，而不是等账单来了才发现。 -
系统有没有人类确认点？
当下一步会改变真实系统时，只做模型路由还不够。
这些问题听起来没有 benchmark 那么性感。
但它们更接近 AI 在公司里真正落地的样子。
这和 Buda 有什么关系
Buda 的核心前提很简单：人类管理 Agent，而不是反过来。
当团队开始使用多个模型时，这件事更重要。一个真正有用的 AI Agent Workspace，不只是模型选择器。它还需要上下文、执行环境、权限、审核、日志，以及任务何时升级的判断机制。
在 Buda 里，团队可以用 Drive 管理知识，让 Agent 在沙盒里执行任务，通过 Channels 和 Skills 连接工作流，并在重要交付前保留人类审核。
目标不是每一步都用最便宜的模型。
目标是每一步都用刚刚好的模型，并在旁边放上刚刚好的人类判断。
便宜模型真正变强，是因为它们进入了一个可管理的 Agent 系统。
在 Buda dashboard 探索 Agent 工作流。