全球公司集体反省：从“Token管够”到“小模型经济学”，省钱风潮来袭！
全球公司转向“小模型经济学”
曾经Token管够的公司，如今集体开始节约。最近，美国Agent公司Lindy将100%的托管Agent流量从Claude迁移至DeepSeek V4，理由是能节省数百万美元推理成本，迁移流量成本下降约90%。不仅如此，一些美国开发者和中小公司转向中国模型，因其在大量日常任务上“够用且便宜”。据外媒报道，Siemens、Renault、Orange、ChapsVision等欧洲企业也开始混用美国、中国、欧洲的模型。
Token最大化的反噬
过去一年，很多企业鼓励员工多用AI，认为Token烧得越多越能证明公司“AI - first”。但随着Token账单摆在面前，全球公司开始集体反省，“该省省该花花”，小模型经济学风潮兴起。所谓小模型经济学，就是不什么活都请最贵的专家。过去企业接入AI默认用最强模型，然而前沿模型是Token碎钞机，成本高昂。于是大家思考是否每件事都要用最贵的旗舰模型，结果发现简单活分给便宜模型，复杂活上贵模型效果不错，这一省钱“小妙招”被称为“小模型经济学”。
这一经济学并非凭空产生，而是被账单逼出来的。Uber曾鼓励工程师多用AI编程工具，如Claude Code、Cursor，但仅几个月就烧穿全年AI编程预算。Uber COO Andrew Macdonald公开质疑Claude Code使用量与“多交付25%有用消费者功能”的关联，随后公司给员工设Token限额，每人、每个工具每月1500美元Token花费，超额需获批。亚马逊员工自发做KiroRank排行榜比谁用Token多，有人钻漏洞，高级副总裁Dave Treadwell只好喊话“别为了用AI而用AI”，排行榜下线。Meta内部的“Claudeonomics”也遭遇同样问题。目前，大公司都开始收紧Token用量，微软取消Claude Code直接许可，转向GitHub Copilot CLI，Copilot从固定订阅走向按量计费；Meta从“Token最大化”转向“Token最小化”策略，计划限制员工Token使用，因内部AI使用成本预计达数十亿美元级别。
小模型经济学变成一门生意
企业抠预算的同时，供给侧也发生变化，便宜模型开始好用。DeepSeek V4系列是典型代表，其价格比Anthropic模型低约20 - 50倍，在Ramp的企业软件采购趋势榜上曾冲到第一，在Vercel AI Gateway的生产流量中，Token份额一个月从不到1%升至17%，连微软都考虑用其微调版顶替Copilot Cowork里的Anthropic、OpenAI。
行业形成分层逻辑：不差钱或任务难时用OpenAI、Anthropic的旗舰模型；算性价比则用DeepSeek、Kimi、智谱GLM、MiniMax等“够用且便宜”的模型。开源项目ClawRouter数据显示，这种分层组合可将平均成本从每百万Token 25美元压到约2美元。
在这种逻辑下，OpenRouter等模型路由公司变得有价值。OpenRouter不训练模型，而是做模型调度台，考虑价格、延迟、稳定性、上下文长度等因素，帮助企业和开发者在数百个模型之间调度。据外媒报道，OpenRouter今年完成1.13亿美元B轮融资，估值约13亿美元，周处理Token量涨了5倍到25万亿，拥有800万用户。Vercel数据显示，大规模AI应用不是一个模型打天下，月请求量超1000万次的团队平均会同时使用35个模型，AI使用像分工明确的流水线。还有LiteLLM、Helicone等工具把模型路由做成财务系统，可按团队、项目、模型设置预算，监控Token消耗，切换流量。云厂商也跟进，AWS Bedrock的Intelligent Prompt Routing能在同一模型家族里自动分配请求，内部测试显示可节省48%到56%成本。
企业如何落地“小模型经济学”
企业落地“小模型经济学”面临具体技术问题，如请求该派给便宜模型还是贵模型，需把AI任务拆成小步骤。以客服Agent为例，用户问“我的订单到哪了”，先让便宜模型判断意图，再抽出订单号调用物流API，最后用中等模型润色结果，企业可减少昂贵推理。AI编程也类似，读取目录等简单任务可交给便宜模型，大型重构等复杂任务交给强模型。
企业实现模型路由通常有几种做法。最简单的是规则路由，如订单查询走小模型加API，法律问题走强模型加人审；更常见的是级联路由，先让便宜模型回答，校验不通过再升级给贵模型；还有学习型路由，系统根据提示词难度等自动判断用哪个模型。近两年，相关工程化手艺成为研究课题，如ParetoBandit研究动态环境里的预算路由，Budget - Aware Agentic Routing研究Agent场景。当企业转向务实的“小模型经济学”，这是继续扩大AI使用的前提。