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
你不會請一位資深顧問去幫你影印，但多數人用 AI 就是這樣——不管大事小事，都丟給最強、最貴的那個模型。這篇把 AI 的成本結構翻成人力配置的語言：該像一間公司一樣，把工作分層，簡單的交給便宜的、難的才動用貴的。先給你三層分工的大框架，再示範怎麼判斷一件事該派給哪一層。
上一篇我們講到，AI 越用越貴的三個成本源裡，「模型單價」是最看得見、卻常常被用錯的一塊。這篇就專門把它拆開。
先講一個你在公司裡絕對不會犯、但用 AI 時天天在犯的錯：
你不會請一位月薪二十萬的資深顧問去幫你影印、訂便當、貼發票。但多數人用 AI，就是不管大事小事，全部丟給最強、最貴的那個模型。
不是那個模型做不到——是你用最貴的人，做了最不需要他的事。而這件事每天發生幾十次，帳單就是這樣一點一滴漏掉的。
把 AI 想成一間公司，不是一個員工
多數人腦中的 AI 是「一個很聰明的助理」。這個想像本身，就是成本失控的起點——因為一個助理，你只會有一種用法：什麼都問他。
換個想像：把你能用的 AI，想成一間公司的人力配置。 一間公司不會只有一種員工，它有新手、有骨幹、有專家，因為不同的事，該由不同成本的人來做。AI 也一樣——同一個供應商通常就有好幾種模型，從便宜到旗艦，差價可以到十倍以上。
一句話點破：
「用哪個模型」不是一個技術問題，是一個人力配置問題。你不是在選工具，你是在決定「這件事，我要派多貴的人去做」。
AI 的三層人力配置
把可用的模型按成本與能力分成三層，多數場景就對得上號了。
第一層：便宜模型 ＝ 新手。 量大、重複、規則清楚的事——抓錯字、統一格式、翻譯、分類、把一段話整理成條列。這些事不需要什麼判斷力，只需要「照做、做得快、做得多」。這正是便宜模型的主場。這一層通常占你用量最多，卻該花最少的錢。
第二層：中階模型 ＝ 骨幹。 多數日常工作——寫初稿、做摘要、一般問答、程式小修、把資料整理成表。這些需要一點理解，但不到要「深思」的程度。中階模型是性價比的甜蜜點，也是你日常真正的主力。
第三層：旗艦模型 ＝ 專家。 真正吃判斷力的事——難題拆解、關鍵決策、複雜推理、最終的品質把關。這一層最貴，所以只留給「非它不可」的場景。用對了，它一次到位省下大量返工；用錯了（拿去做新手的活），就是純粹燒錢。
三層的邏輯一句話：
分層的判準不是「這件事重不重要」，是「這件事需不需要判斷力」。需要判斷的往上送，其餘往下壓。
怎麼判斷一件事該派給哪一層
框架講完了。接下來這段，把「怎麼分」變成你當場就能下判斷的方法——一張決策表、一套實際算法、一條讓你越調越省的路徑。
三問，決定一件事該落在哪層
拿到一個要交給 AI 的任務，照順序問三題：
- 這件事有沒有「標準答案」或「明確規則」？ 有——例如格式轉換、抓錯字、翻譯——直接落便宜層，往上都是浪費。
- 沒有標準答案，但錯了我一眼看得出、改得動嗎？ 是——例如寫初稿、做摘要——落中階層，它給七分你補到十分，最划算。
- 這件事錯了代價很大，或需要它想出我想不到的東西嗎？ 是——例如策略判斷、複雜除錯、最終定稿——才動用旗艦層。
關鍵在第二、三題的界線：「我改得動」的往中階壓，「我改不動、需要它比我強」的才往旗艦送。 多數人的浪費，就是把一堆「其實自己改得動」的事，習慣性丟給旗艦。
一張分層決策表
| 任務類型 | 需要判斷力 | 建議層級 | 為什麼 |
|---|---|---|---|
| 格式轉換、抓錯字、翻譯、分類 | 低 | 便宜 | 有明確規則，貴模型無加分 |
| 寫初稿、摘要、一般問答、資料整表 | 中 | 中階 | 你看得懂、改得動，性價比最高 |
| 程式小修、既有邏輯延伸 | 中 | 中階 | 多數能過，過不了再升級 |
| 策略判斷、難題拆解、複雜推理 | 高 | 旗艦 | 錯的代價高，值得請專家 |
| 最終定稿、對外交付前把關 | 高 | 旗艦 | 一次到位，省下最貴的返工 |
實際算一遍：分層能省多少
假設你一天用 AI 做 100 件事，粗估分布是 50 件簡單、40 件中等、10 件困難。
- 全用旗艦（多數人的現況）：100 件 × 旗艦單價。假設旗艦單價是 10、中階 3、便宜 1，成本＝
100 × 10 = 1000。 - 分層配置：
50 × 1 + 40 × 3 + 10 × 10 = 50 + 120 + 100 = 270。
同樣 100 件事、同樣的品質（因為困難的那 10 件照樣用旗艦），成本從 1000 掉到 270——砍掉超過七成。 而且分層後便宜的事做得更快，你的等待時間也一起省了。這就是為什麼分層是 AI 成本管理裡回報最高的一招。
這不是紙上談兵。我自己開發 AI agent 這套系統，某一週的實際用量若全按官方單價要付約 1,062 美元，實際只花了約 100 美元——差了近 10 倍，靠的正是分層加上另外兩招優化（完整拆解見本系列第 1 篇）。
別一次到位，先粗分再往下壓
不用一開始就追求完美分層。務實的做法是：
- 先粗分三層跑一週：明顯簡單的丟便宜、明顯難的丟旗艦、拿不準的全丟中階。
- 盯返工：哪些便宜層的事一直返工，往上升一層；哪些旗艦層的事其實一次就過又不吃判斷，往下壓一層。
- 把高頻場景固定下來：你天天做的那幾件事，一旦確定了剛好夠用的層級，就固定成習慣（或寫成路由規則）。低頻的懶得管沒關係，反正放大效果小。
這條路徑呼應第一篇的核心：剛好夠用、不返工，才是真便宜。 分層不是為了省那一點單價，是為了讓每一分錢都花在需要它的地方。
這個系列接下來（皆為付費）：
- 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，文中的模型層級、單價比例（10／3／1）與任務分布皆為說明用的相對關係，不代表任何特定產品的實際能力或計費；實際選型請以你所用服務的模型清單與計費方式為準。
帶得走的重點
- 多數人的 AI 帳單漏在同一個地方：不管事情難易，全丟給最強、最貴的模型——等於請資深顧問來影印。
- AI 該像一間公司一樣分層配置：便宜模型（新手，量大、簡單）、中階模型（骨幹，多數日常）、旗艦模型（專家，難題與最終判斷）。
- 分層的判準不是『這件事重不重要』，是『這件事需不需要判斷力』——需要判斷的才往上送，其餘往下壓。
- 省錢的關鍵不是全用便宜的，是別讓貴的做不需要它的事；一個好的分層，通常能在不掉品質下砍掉一半以上的成本。
- 分層不是一次設定好就結束，是一條可以持續調整的路由規則：先粗分三層跑，再把常做的場景一個個往下壓到剛好夠用的那層。
常見問題
- 我只是個人使用者，又不是在做產品，需要搞這麼細嗎？
- 需要的程度比你想的低、回報比你想的高。你不用真的去接三個模型、寫路由——你只要養成一個習慣：每次要用 AI 前，心裡先問一句「這件事需要動用到最聰明的它嗎？」。抓錯字、改格式、翻譯、整理清單，這些用便宜或中階的就夠，硬用旗艦只是慢又貴。真正需要旗艦的，是要它判斷、要它想出你想不到的東西的時候。光是把這個問題內建成反射，你就已經在做分層了，剩下的只是要不要進一步自動化而已。
- 把工作丟給便宜模型，品質掉了怎麼辦？
- 這正是分層的重點——不是盲目求便宜，是找到每件事『剛好夠用』的那一層。做法是反過來的：先假設用便宜的，試跑幾次，如果產出穩定可用，就留在這層；如果常出錯、常要返工，再往上升一層。你會發現很多事便宜模型做得又快又好，只有少數真正吃判斷力的才非旗艦不可。與其一開始就全用貴的『保險』，不如讓每件事自己證明它需要多貴的模型——這也呼應系列第一篇：返工才是最貴的，剛好夠用、不返工，才是真便宜。