大模型太貴了。
這已經不是一句抱怨，而是 AI 產品進入真實工作流之後，所有團隊都要面對的一筆帳。
6 月 9 日，TechCrunch 發了一篇文章：Can tech companies learn to love cheaper AI models? 問題很直接：科技公司能不能重新喜歡上更便宜的 AI 模型？
6 月 5 日，CNBC 也討論了類似趨勢：model routing 正在成為控制 AI 超支的一種方式。簡單、高頻任務交給更便宜的模型；困難、高風險任務繼續交給前沿模型。
重點不是最強模型不重要了。
重點是，最強模型會變成需要被謹慎調度的稀缺資源。
發生了什麼：便宜模型重新變得有用
過去兩年，AI 產品最容易講的故事是：我們接入了最強模型。
在 demo 裡，這句話很好用。
但在生產環境裡，它很快會遇到成本問題。
一個真實的 Agent 任務，不是一輪對話。它可能要讀文件、找資料、拆步驟、寫程式、檢查結果、修復錯誤，再產出最終交付物。每一步都呼叫最貴模型，帳單會很快變得不好看。
TechCrunch 提到 Harvey 和 Fireworks AI 的一次測試。根據報導，Harvey 把 Claude Opus 和 Fireworks 的 GLM 5.1 組合使用，在不降低品質的情況下，把推理成本降低了 3 倍。關鍵不是完全替換強模型，而是讓便宜模型處理那些不需要 Opus 的步驟。
這個訊號很重要。
便宜模型變香，不是因為大家不在乎品質了。而是大家開始學會判斷：品質到底在哪些步驟上最重要。
為什麼重要：AI 成本正在變成工作流成本
當 AI 離開聊天框，成本問題會變得完全不同。
一個人在聊天框裡問一句問題，貴一點也許還能接受。但一個 Agent 工作流可能連續呼叫模型：分類、總結、檢索、起草、執行、驗證、修改、彙報。
這時，模型選擇就不再只是技術偏好，而是工作流架構。
團隊需要判斷：
- 哪些步驟足夠常規，可以用便宜模型？
- 哪些步驟更需要速度，而不是深推理？
- 哪些步驟涉及客戶、程式碼、合約、資金或生產系統？
- 哪些動作必須在人類確認後才能繼續？
- 哪些步驟需要記錄下來，方便之後審計成本和判斷？
這就是為什麼 model routing 不只是工程優化。
它會變成產品能力。
一個永遠呼叫最強模型的產品，demo 可能很好看，但很難規模化。一個永遠呼叫最便宜模型的產品，成本可能漂亮，但容易在關鍵判斷上翻車。
真正難的是中間那層調度。
新的問題：誰來決定用哪個模型？
成熟的 AI 系統，不會讓一個模型做所有事情。
它會路由任務。
簡單提取交給便宜模型。高頻分類交給快模型。複雜規劃交給強模型。高風險動作交給強模型之後，再停下來讓人確認。
這很像公司運轉。
不是每個決定都找 CEO。也不是每件事都交給實習生。好的組織，會把合適級別的判斷放到合適的任務上。
AI 產品也需要這層紀律。
團隊接下來應該看什麼
企業和團隊評估 AI Agent 產品時，不要只問：你們用的是哪個模型？
這個問題仍然重要，但已經不夠。
更應該問：
-
系統會不會按任務難度路由？
常規步驟不應該預設消耗前沿模型預算。 -
系統會不會按風險路由？
面向客戶、財務、法律、生產、安全的步驟，需要更嚴格的處理。 -
系統能不能解釋為什麼用了這個模型？
管理者應該知道某一步為什麼用了便宜模型、快模型或高級模型。 -
系統能不能看見成本？
AI 成本應該在工作流層面可見，而不是等帳單來了才發現。 -
系統有沒有人類確認點？
當下一步會改變真實系統時，只做模型路由還不夠。
這些問題聽起來沒有 benchmark 那麼性感。
但它們更接近 AI 在公司裡真正落地的樣子。
這和 Buda 有什麼關係
Buda 的核心前提很簡單：人類管理 Agent，而不是反過來。
當團隊開始使用多個模型時，這件事更重要。一個真正有用的 AI Agent Workspace，不只是模型選擇器。它還需要上下文、執行環境、權限、審核、日誌，以及任務何時升級的判斷機制。
在 Buda 裡，團隊可以用 Drive 管理知識，讓 Agent 在沙盒裡執行任務，透過 Channels 和 Skills 連接工作流，並在重要交付前保留人類審核。
目標不是每一步都用最便宜的模型。
目標是每一步都用剛剛好的模型，並在旁邊放上剛剛好的人類判斷。
便宜模型真正變強，是因為它們進入了一個可管理的 Agent 系統。
在 Buda dashboard 探索 Agent 工作流。