AI计费的演进-从黑盒走向结果导向丨Token经济学

一个朋友他们公司的Agent每天跑几十万次调用，他想算一算一个月到底要花多少钱。这个问题听起来很基础——Token数量乘以单价乘以调用次数，不就完了吗？

他打开了Anthropic的价格页，然后卡住了。

session runtime按每会话小时收费，cache write和cache hit各有不同的乘数，和Token根本不在一个维度上。他再去看OpenAI，web search按千次调用收费，container按session时长收费，file search storage按GB/天收费，regional processing再叠一层百分之十。Google Gemini稍微收敛一些，但grounding和context caching也各自独立计价。

三家价格页翻完，他跟我说：我不是看不懂数学，我是根本不知道这些维度是什么意思，更不知道我的任务会触发哪些计费项。

这不是一个人的困惑。这是整个行业正在经历的一场结构性迁移——AI的计费对象，正在悄悄改变。

NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。

Token之外，账单已经长出了新的维度

在过去，AI计费的逻辑很简单：你输入多少Token，输出多少Token，按单价乘。规则粗糙，但透明。你多说一句话，大概知道会多花多少钱。

现在这个逻辑已经失效了。

上海期智研究院研究员李彪指出：企业现在购买的，是"一段被组织过的智能劳动"，裸模型只是其中的一小部分。同一张账单上，模型推理、搜索、检索、缓存、上下文驻留、运行时、容器、席位，可能同时出现。

这不是某一家厂商的特殊设计，而是整个行业的演进方向。Agent时代，模型不再是孤立运行的——它要搜索、要存储状态、要调用工具、要在后台持续运行。每一个动作，都可能是一个独立的计费项。

账单从一列数字，变成了一张多维的对账表。

对企业采购来说，这意味着原来"谁的Token更便宜"这个比较轴失效了——你得同时理解search成本、cache命中率、runtime时长、regional溢价，才能算出在你的工作负载下，谁的综合成本更低。这已经是一个专业问题，不是一道简单的算术题。

对个人用户来说，情况更难。企业至少有人专门盯着账单，有能力去学这些维度的含义。个人用户通常没有。

现在这个阶段，黑盒在变厚

我们之前聊过Token计费的双重黑盒：第一层，计费数量对用户不透明，规则可以静默调整；第二层，同等Token消耗背后的推理深度和算力规格对用户不可知，只能靠结果猜测。

现在，黑盒不只是两层了。

计费维度裂变之后，每一个新的维度都是一个新的黑盒。你不知道这次调用触发了哪些搜索、缓存命中了几次、session运行了多少分钟。你看到的只是最后那个数字——账单总额。

更麻烦的是，这些维度之间还会互相叠加。缓存命中率影响Token成本，runtime时长影响session费用，工具调用次数影响search成本——它们在同一张账单上互相影响，没有任何一个维度是独立可控的。

这就是为什么现在这个过渡阶段特别难受。

按Token计费的时代，规则虽然不完全透明，但至少是单一的。你可以学会一套逻辑，大致掌握自己的支出。现在，你要同时掌握五六套逻辑，每套都不完全透明，还要理解它们之间的相互作用。

对大多数用户来说，这不现实。结果就是：你付钱，但你不知道付的是什么；你超支，但你不知道是哪里超的。

按结果计费，是更透明的终点

好消息是，这不是终点。

计费方式的演进有一个内在逻辑：从按资源计费，到按过程计费，最终走向按结果计费。现在的多维计费，是从第一阶段走向第三阶段的中间状态——混乱，但有方向。

按结果计费的逻辑，是目前所有计费方式里最透明的一种。

你付钱买"事情办成"，不是买"模型转了多少圈"。供应商赚钱靠"真正交付结果"，不是靠"用户多发了几条消息"。双方的利益方向第一次真正对齐。Intercom已经在做了——每个有效解决的客服问题，收费$0.99，白纸黑字定义什么算"有效解决"。这个方向是对的。

对用户来说，按结果计费还解决了一个核心焦虑：你知道自己在买什么。 不需要理解runtime是什么，不需要知道grounding怎么计算，你只需要知道：这件事办成了，花了多少钱，值不值。

但这是双刃剑

按结果计费对用户是好事，对行业的影响却没有那么简单。

理想的情况是这样的：按结果计费之后，任务会自然分层。复杂的推理任务，只有顶级模型能稳定交付，用户愿意为此付更高的价格。简单的高频任务，小模型成功率已经足够高，成本更低，利润反而更好。不同的模型找到自己性价比最高的那个位置，不再是单纯的价格战。

这有点像社会分工的逻辑。一个健康的社会里，不同的人各有自己不可替代的位置，不是由单纯的能力高低或者价格高低来决定一切，而是每个人找到自己对需求方来说性价比最高的那个价值点。赢家通吃不是常态，充分分工才是。

如果不按结果计费，只按能力和价格竞争，小模型只有一条路：持续压价。压到负毛利，压到退出市场。这是负向反馈，对行业没有好处。按结果计费，至少在理论上打开了另一种可能。

但这里有一个真实的风险，值得正视。

人类社会里，不同的人能各自找到位置，部分原因是迁移成本高。换一个供应商、换一个团队、换一个合作方，要花时间、花精力、承担关系风险。这个摩擦力，客观上保护了分工的稳定性。

AI的迁移成本极低。换一个模型，可能只需要改一行配置。用户可以在一秒钟内从A切换到B，再切回A。这让"任务分层、各就各位"的理想面临真实的压力——一旦某个模型在某类任务上建立了微弱的优势，用户的快速迁移会把这个优势迅速放大，推向赢家通吃。

这场战争的结局，很大程度上取决于一个问题：“结果"的定义权，落在谁手里。

如果是平台方自己定义什么算"有效解决”、什么算"任务完成"，那裁判和运动员是同一个人，用对自己有利的方式划定边界，垄断风险是真实的。如果买方能拿回这个定义权——自己说清楚什么叫完成、自己验证结果——竞争才有可能真正展开。

写在最后

我们不知道这场战争最终谁赢。按结果计费是更合理的方向，但从现在到那里，还有一段混乱的过渡期要熬。

在这段过渡期里，账单会越来越复杂，黑盒会越来越厚。大多数用户没有能力，也没有时间去搞清楚每一个计费维度的含义。

但有一件事是可以做到的：知道自己在哪里是盲视的。

你不需要成为计费专家，但你需要知道——当账单超出预期的时候，你有没有能力去问出那个正确的问题。不是"为什么这么贵"，而是"钱花在哪个维度上了，那个维度值这个价吗"。

这是判断力，不是技术知识。

在AI把越来越多的过程变成黑盒的时代，保持这种判断力，比弄懂任何一个具体的计费规则都重要。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪GEO判断工程」是基于GEO的价值SEO化，在AI从“说”到“做”的重要跃迁阶段，试图回答，如何让AI敢于行动、不因为责任问题而畏手畏脚，而做的一个前沿研究项目。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。