10月下旬，模型层再度热闹起来：OpenAI发布GPT-6.1 Terra，把视觉推理与计算机操作能力下放到中端模型，标准API定价较上一代明显下调；MiniMax推出M3.1 Flash，智能体调用价格较前代下降约七成；月之暗面则以开源权重发布新一代Kimi K3.1 Pro。模型能力在上行，价格却在下行，企业AI应用的成本逻辑正被改写。
降价不是成本通缩，而是产能与生态之争
值得冷静的是，这轮降价并非算力成本自然下降的结果。从Anthropic近期提交的上市文件可见，头部厂商在营收高速增长的同时，算力与基础设施支出同样惊人，且已承诺未来在云服务与算力上投入巨资。降价背后是厂商在产能承诺下争夺调用量与生态位。应用层企业确实在享受成本改善红利，但不应把低价视为无限透支的常态。
部署率上升，回报焦虑同步上升
企业侧的数字同样值得玩味。德勤中国与香港大学联合发布的调研显示，进入AI生产部署阶段的受访企业占比已从上一年的约56%升至逾六成，但同期仍有近半数企业反馈AI项目实际投资回报低于预期，超过四成无法明确核算投资回报率。这说明AI已经从“要不要用”进入“怎么算清账”的阶段：项目不再缺试点，缺的是可度量的业务结果。
从拼参数到拼单任务成本
随之而来的，是选型标准的迁移。过去比拼谁接入的模型更强，如今更要问：完成一项具体业务任务，到底要花多少钱。智能体执行长流程任务时会反复读取上下文，设计不当时，token消耗随步骤非线性增长，同一项任务在不同时点的花费可能相差数倍。因此，知识筛选、语义建模、流程约束、权限管控等“上下文治理”能力，正成为把浮动成本变成可控任务成本的关键。按任务结算、按结果验收的口径，也在逐步取代单纯的订阅与用量计费。
对企业而言，信号很清晰：模型在商品化，落地能力才是分水岭。选型时把单任务成本与可核算收益放在参数表之前，先在小场景跑通度量闭环，再逐步扩大部署，是更稳妥的路径。
