為什麼你的 AI 越用越貴、產出還越來越雜？先把它當「預算」管，別當「工具」用
很多人用 AI 的方式，是把它當一個永遠不會累的免費工人——結果帳單越滾越大、產出越堆越雜。這篇提出一個換框架的想法：別把 AI 當工具，把它當一條有損益的產線來管。先拆給你看 AI 產能的三個成本源，再示範怎麼把「越用越貴」這件事，變成一個你算得出來、控得住的預算問題。
如果你這一兩年開始認真用 AI——不管是 ChatGPT、Claude，還是自己接 API 串工具——你大概都遇過同一種怪事：一開始覺得它幫你省了好多時間，用著用著，帳單越來越大、或是你花在「跟它來回」的時間越來越多，而產出卻好像越堆越雜，沒有想像中那麼香。
這篇想跟你說一句有點違反直覺的話：
你的 AI 越用越貴，多半不是因為 AI 貴，是因為你把它當成一個「不用錢的工具」在用。而沒有人會去管一個不用錢的東西的產能。
我自己是在開發 AI agent、真的要對每個月的帳單負責之後，才被逼著想清楚這件事。而想清楚之後，用 AI 的方式整個變了。這篇就把那個換框架的想法，用最白話的方式講給你。
工具思維，會讓你在不知不覺中燒錢
先講為什麼「把 AI 當工具」是問題的根源。
工具的特徵是：它就在那裡，你要用就用，用多用少你不太會去想。一把螺絲起子，你不會每次拿起來都盤算「這一轉成本多少」。而 AI 被包裝得太像工具了——一個輸入框、一個按鈕，感覺跟開一個網頁沒兩樣。
於是大多數人用 AI 的方式是：想到什麼問什麼、不滿意就再問一次、還是不對就再重講一遍。每一步感覺都免費、都很順手。但這裡藏了一件事——
你以為你在「用工具」，其實你每一次提問、每一次重來、每一次把整段背景再貼一遍，都在花錢或花時間。只是這筆帳沒有人拿到你面前，所以你從來沒管過。
工具思維最大的代價，不是某一次用得貴，是你根本沒在看那個計費表。而任何一筆你沒在看的支出，時間久了都會失控。
AI 產能的三個成本源
要把「越用越貴」變成一個管得住的問題，第一步是搞清楚：錢到底花在哪。AI 產能的成本，其實可以乾淨地拆成三塊。
第一個：模型單價——你請了多貴的人來做這件事。 這是最直覺、也最好管的一塊。強的模型貴、弱的模型便宜，就像請資深的人時薪高、請新手時薪低。多數人一想到「AI 成本」只想到這塊，於是拚命想「是不是換個便宜模型就好」。但真相是——這通常不是你帳單失控的主因。
第二個：脈絡稅——每次都要重講一遍背景。 AI 沒有你以為的那種記性。你跟它對話越長、每次要它讀的背景資料越多，它每一次回答要「吞」進去的東西就越多，而這些都在計費。更陰險的是，這筆稅是偷偷長大的：對話拉到很長時，你只是隨口問一句「那這個呢」，它背後卻要把前面一大串全部重讀一遍。你感覺只問了一句話，帳單卻按一整段在算。這塊我們系列第三篇會專門拆。
第三個：返工——產出不能用，整個得重來。 這是最貴、卻最少人算進去的一塊。你叫 AI 做一件事，它給你一個「看起來有做、但不能直接用」的東西，你改、你退回去重講、它再給一版還是歪——來回三五次。每一次重來，前面三塊成本又付一遍。很多人帳單爆掉不是因為模型貴，是因為同一件事付了五遍錢還沒做成。
一句話收束這三塊：
模型單價是你「看得見」的成本，脈絡稅和返工是你「沒在看」的成本。而失控的，永遠是你沒在看的那一項。
換個框架：別把它當工具，當一條產線
看懂三個成本源之後，真正的轉變是換一個問問題的方式。
- 工具思維問的是：「這個 AI 能不能幫我做到？」 只要能做到，就算成功。
- 產線思維問的是：「這一次產出，單位成本多少？可不可以直接用？」
差別在哪？工具思維只看「有沒有output」，產線思維看「這個 output 值不值這個價」。一個免費但要你返工五次的做法，和一個貴一點但一次到位的做法，工具思維看不出差別——因為兩個「都做到了」。只有產線思維會告訴你：後者其實便宜得多。
這就是為什麼我建議你，把每一次認真用 AI 的場景，都在心裡記一筆帳：這次，我到底來回了幾次才拿到能用的東西？那個「幾次」，就是你的產線效率。
這不是空談：一組我自己的真實數據
講框架很容易，但你大概想問一句：這套「當預算管」的做法，實際上到底能差多少？ 我把我自己開發 AI agent 這套系統、最近 7 天的真實用量攤開給你看。
這 7 天，我讓不同的模型分工跑了這些量。把這些 token 全部按各家官方標準單價、且完全不計快取折扣算一遍，理論上要付這麼多：
| 模型（分層角色） | 輸入 / 輸出 token | 按官方單價計 |
|---|---|---|
| Opus 4.8（旗艦層，最強最貴） | 14.2M / 17.9M | ≈ 518 美元 |
| Fable 5（高產出層，量大） | 8.5M / 8.5M | ≈ 510 美元 |
| Sonnet 5（骨幹層，日常主力） | 3.9M / 2.5M | ≈ 33 美元 |
| Haiku 4.5（新手層，雜活） | 0.06M / 0.23M | ≈ 1 美元 |
| 合計 | ≈ 1,062 美元 |
這個 1,062 是怎麼算出來的？其實就一條很白話的公式，你也可以拿自己的用量套：
某模型費用 ＝ 輸入 token（百萬）× 輸入單價 ＋ 輸出 token（百萬）× 輸出單價
有兩個你得先知道的關鍵：
- 輸入和輸出分開計價，而且輸出通常貴好幾倍。「輸入」是你餵給它的東西（你的問題、貼進去的背景資料）；「輸出」是它生成的回應。以表裡的旗艦模型為例，輸入每百萬 token 約 5 美元、輸出約 25 美元——輸出是輸入的五倍貴。這就是為什麼「讓它別廢話、只生成你真正要的」本身就是在省錢。
- 重複的內容可以走「快取」，單價直接打一折。 你每次對話都要重帶的那段固定背景，若走快取讀取，官方計價只要輸入單價的 十分之一（0.1 倍）。這正是第 3 篇〈脈絡稅〉能把成本壓下來的機制來源——不是玄學，是官方明碼標價的折扣。上面那 1,062 是「完全不用快取、全按標準單價」的假想上限，所以我實付才會遠低於它。
單價與快取倍率都是公開的，你可以直接對照官方文件自己驗算：Claude 官方定價、Prompt caching 計價說明。
一週 1,062 美元的算力——聽起來很嚇人。但我這 7 天實際付出去的錢，大約只有 100 美元（一筆訂閱基本額度、加上超量後補買的 API）。
同樣的 token、同樣的產出，帳單差了將近 10 倍。這中間的差距不是魔術，正是這個系列要一篇篇教你的三件事疊起來的結果：
- 分層讓大部分量走便宜的模型，沒有全丟給最貴的旗艦（第 2 篇）。
- 管好脈絡讓重複的背景走快取、不每次重付全價（第 3 篇）。
- 發包＋驗收壓低返工，同一件事不燒五遍錢（第 4 篇）。
換句話說——
我不是花更少錢、用更少 AI；我是用同樣一批算力，靠計費組合＋這三招優化，只花了十分之一的成本。這 10 倍的差距，就是「把 AI 當預算管」和「當免費工具用」之間，真金白銀的距離。
（數字為我個人某一週的實際用量快照，官方單價會隨各家調整、且不同計費組合結果不同，僅供你感受量級，不代表任何保證。）
把三個成本源變成一個數字
前面講的是框架——為什麼要換視角、成本拆成哪三塊。接下來這段，我把它變成你今天就能拿去用的算法：怎麼把這三塊壓成一個數字，讓「越用越貴」從一種模糊的焦慮，變成一個你盯得住的指標。
核心公式：單位產出成本
別再盯著月底的總帳單看——總帳單只會讓你焦慮，不會讓你知道問題在哪。真正該盯的是這個：
單位產出成本 ＝ 完成這一批「可以直接用」的產出，總共燒掉的成本（含所有返工）÷ 可用產出的數量
關鍵在分子那句「含所有返工」。假設你要 AI 幫你寫 10 篇產品說明：
- A 做法：用便宜模型，但每篇平均改 4 次才能用。表面單價低，實際上每篇付了 5 遍（1 次生成＋4 次返工）。
- B 做法：用貴一點的模型＋一次把要求講清楚，平均每篇改 1 次。每篇付 2 遍。
就算 B 的模型單價是 A 的兩倍，B 的單位產出成本仍然只有 A 的 2 × 2 = 4 對上 A 的 1 × 5 = 5——B 反而便宜。這就是為什麼「換便宜模型省錢」常常是假的：你省了單價，賠了返工，總帳更貴。
一張自檢表：找出你最貴的漏洞
拿你最近一個常用 AI 的場景，照這五題過一遍，最貴的成本源自己會浮出來：
- 這件事我平均要來回幾次才拿到能用的？ 超過 3 次——你的主成本是返工，先修這個，換模型沒用。
- 我每次是不是都在重貼一大段一樣的背景？ 是——你在付脈絡稅，該把背景固定下來、而不是每次重講。
- 我這件事有需要用到最強的模型嗎？ 其實不用卻用了——模型單價在漏，但這通常是三者裡最小的一塊。
- 我返工的原因，是不是每次都同一種？ 是——那不是 AI 的問題，是你「一開始沒講清楚」的問題，改指令比改模型有效十倍。
- 這個場景，值得我花力氣去省嗎？ 一個月只做兩次的事，算了；一天做二十次的事，省一點都放大二十倍——先修高頻的。
這張表的用意，是逼你把「AI 好貴」這種情緒，換成「我在第 N 題漏最多」這種可以動手的判斷。
三個成本源，各自怎麼修（本系列導覽）
把最貴的漏洞找出來之後，剩下的就是對症下藥。這也是這個系列後面四篇要一篇一篇帶你做的：
- 模型單價漏太多 → 第二篇〈別用同一個模型做完所有事〉：把工作像人力一樣分層，簡單的交給便宜模型，難的才動用貴的。
- 脈絡稅偷偷長大 → 第三篇〈脈絡稅〉：怎麼管好 AI 的「記憶預算」，讓對話不會越長越貴又越笨。
- 返工吃掉一切 → 第四篇〈發包〉：學會把工作「派」出去、設好驗收關卡，而不是自己盯著它一步步做。
- 規模化後怕它亂來 → 第五篇〈護欄、稽核、可追溯〉：當 AI 幫你做的事變多，怎麼確保它不會安靜地闖禍。
今天就能做的第一步
不用等看完整個系列。今天挑一個你最常用 AI 的場景，只做一件事：
把它做完一次，誠實記下「我來回了幾次才拿到能用的東西」。
這個數字，就是你的第一個單位產出成本指標。下週同一個場景，想辦法讓這個數字少一次。你不需要一套系統、不需要工具——你只需要開始把返工當成一筆帳記下來。
因為到頭來，AI 會不會越用越貴，從來不是 AI 決定的：
把它當一個不用錢的工具，它就會安靜地幫你把預算燒光；把它當一條你算得出損益的產線，它才會真的幫你賺回時間。差別不在 AI 多強，在你有沒有開始算那筆你一直沒在看的帳。
這個系列接下來（皆為付費）：
- 第 2 篇：別用同一個模型做完所有事——AI 的成本結構，該像人力一樣分層配。
- 第 3 篇：脈絡稅——為什麼對話越長越貴又越笨，怎麼管好 AI 的記憶預算。
- 第 4 篇：發包——把工作「派」給 AI，而不是自己盯著它做。
- 第 5 篇：AI 產能規模化後怎麼確保它不亂來——護欄、稽核、可追溯。
本文為 AI 使用方法與成本觀念的整理，示例中的模型單價、返工次數皆為說明用的相對關係，不代表任何特定產品的實際計費；實際成本請以你所用服務的計費方式為準。
帶得走的重點
- 多數人用 AI 越用越貴，不是因為 AI 貴，是因為把它當「不用錢的工具」在用——沒有人會去管一個免費工人的產能。
- AI 產能有三個成本源：模型單價（做這件事你請了多貴的人）、脈絡稅（每次都要重講一遍背景）、返工（產出不能用、得重來）。帳單失控幾乎都出在後兩個，不是第一個。
- 換個框架：別把 AI 當工具，當一條有損益的產線來管。工具問「能不能做到」，產線問「這次產出，單位成本多少」。
- 真正要盯的不是總花費，是「單位產出成本」＝這一批可用的產出，總共燒了多少。便宜的模型如果一直返工，單位成本反而比貴的高。
- 把 AI 當預算管的第一步，是先讓每一次使用都算得出成本——算得出來，才控得住；控不住的，永遠是你沒在算的那一項。
常見問題
- 我用的是每月固定訂閱，不是按量計費，這篇對我還有用嗎？
- 更有用。固定訂閱讓你以為成本是固定的，於是完全不去管產能——但你付出的真正成本不只是月費，是你的時間。同樣一份可用的產出，A 做法一次就好、B 做法來回改五次，月費一樣，但 B 燒掉的是你五倍的來回、五倍的注意力。這篇講的「單位產出成本」對訂閱制一樣成立，只是分母從錢換成你的時間與返工次數。把它算出來，你會發現真正貴的從來不是月費。
- 把 AI 當『產線』來管，會不會太工程化、把簡單的事搞複雜？
- 不會，因為你不是要建一套系統，是換一個問題。你原本問 AI「你能不能幫我做這個」，現在多問一句「這次做出來，可不可以直接用、還是我又得重弄」。就這一句。它不需要任何工具，只需要你開始把返工當成一筆成本記在心裡，而不是當成 AI 免費的重來。多數人不是敗在算不出來，是敗在從沒想過要算——當你開始算，最貴的那幾個漏洞自己會浮出來。