从订阅到用量计费：GPT-5.6 与 Codex 合并背后的 AI 产业定价范式转移

【摘要】GPT-5.6 系列模型发布与 Codex 并入 ChatGPT 桌面端，标志着 AI 产业正经历从订阅制向用量计费的深层转型。文章拆解产品架构调整、三档模型分层、定价体系重构的技术与商业逻辑，分析 SaaS 行业连锁反应与企业落地应对策略，为技术管理者提供完整的产业趋势判断与工程实践参考。

引言

2026 年 7 月 9 日，OpenAI 正式发布 GPT-5.6 系列模型并推出新版 ChatGPT 桌面应用。表面上看，这是一次常规的模型迭代与产品整合 —— 三款不同定位的模型上线，Codex 从独立应用并入统一桌面端，新增 Work 模式覆盖通用办公场景。

更深层的结构变化发生在定价体系层面。Chat、Work、Codex 三大模式全部向免费用户开放入口，核心计费逻辑从按月订阅转向按任务复杂度消耗额度。三档模型严格对应不同算力成本与价格带，形成完整的用量计费阶梯。

这不是一次孤立的产品调整。同期 ServiceNow 披露半数新签合同已转向非席位定价，企业软件行业集体面临计费范式重构。本文从技术架构、商业逻辑、产业影响、工程落地四个维度展开分析，面向技术负责人、架构师与产品管理者，系统梳理这场正在发生的 AI 计费革命。

一、产品形态之变：Codex 并入 ChatGPT 的底层逻辑

1.1 合并事件的产品架构重构

2026 年 7 月 9 日，OpenAI 发布新版 ChatGPT 桌面应用，原独立运行的 Codex 客户端正式整合其中。新版应用形成三个并列的工作模式：Chat 负责对话、搜索与轻量交互，Work 面向通用办公与长任务智能体，Codex 专注代码工程与开发者场景。三个模式共享同一套账户体系与额度池，支持在同一窗口内无缝切换。

旧版 ChatGPT 桌面应用更名为 ChatGPT Classic，作为独立版本保留。这一命名带有明确的代际信号 —— 经典版对应过去的聊天式产品形态，新版则以工作智能体为核心交互范式。

产品层面的合并并非突发动作。今年 5 月，OpenAI 已完成组织架构调整，将 ChatGPT 消费产品团队与 Codex 团队合并，由联合创始人 Greg Brockman 统一管辖。组织调整先行两个月，产品形态随后跟进，反映出这是一场自上而下的战略对齐，而非单纯的用户体验优化。

1.2 用户行为倒逼的产品演化

OpenAI 披露 Codex 周活跃用户超过 500 万，其中超过 100 万用户并非程序员。这部分群体将面向开发者的编码工具，用于撰写报告、数据分析、项目规划等通用办公任务。这组数据解释了 Work 模式出现的根本动因 —— 产品方向并非由产品经理预先设计，而是百万级用户用实际使用行为投票得出的结果。

编码智能体天然具备通用工作能力。理解需求、拆解步骤、调用工具、验证结果、纠错迭代，这套处理代码的完整流程，同样适用于绝大多数知识工作。Codex 的工具调用框架、长上下文处理能力、多步骤任务执行机制，迁移到办公场景几乎没有技术障碍。

Anthropic 的同类产品数据可以交叉验证这一判断。其 Cowork 模式上线后统计显示，120 万次会话中占比最高的是对账、报表等业务流程工作，纯编码场景仅占 8.7%。行业共识正在形成 —— 编码智能体是通用工作智能体的最佳技术底座。

1.3 交互权重的结构性迁移

新版桌面应用的界面布局呈现清晰的权重倾斜。Work 与 Codex 占据主界面核心位置，原有的聊天对话模式被折叠进侧边栏的标签页，与定时任务管理等工具性功能并列。

这种布局调整对应着产品价值重心的转移。闲聊类对话 token 消耗极低，在用量计费体系中几乎不产生收入，属于引流型功能。长任务智能体与编码工作消耗大量算力，是用量计费的核心收入来源，因此获得最优先的入口位置。

用户吐槽集中在两个方向。一是原有聊天入口变深，随手对话的使用门槛提高。二是 Work 与 Codex 模式界面高度相似，切换时缺乏明确的感知差异，容易造成认知混淆。这些反馈恰恰印证了调整的核心目标 —— 优先服务高价值工作场景，牺牲部分闲聊体验。

常见问题：Codex 是被取消了吗？

不是取消，是产品形态升级。Codex 的编码能力完整保留，从独立应用变为统一桌面端内的专项模式，底层模型与工具链保持连续，原有项目数据可无缝迁移。

1.4 合并的战略代价与取舍

这次产品整合伴随明确的品牌降级。ChatGPT 作为开启生成式 AI 时代的标志性产品，其核心交互范式 —— 对话聊天框，正在从主角变为配角。2022 年 11 月那个震惊世界的聊天窗口，如今退居边栏，成为众多功能中的一项。

这种取舍背后是商业逻辑的切换。按月订阅的陪聊生意，天花板取决于愿意付费聊天的用户规模。按用量计费的工作智能体生意，天花板对应全社会知识工作的总规模。两者不在同一个数量级。

OpenAI 选择用后者作为未来增长的核心叙事，前者保留为流量入口。品牌认知上的短期阵痛，换来了商业故事的更大想象空间。

二、GPT-5.6 三档模型体系：为用量计费量身打造的产能矩阵

2.1 天体命名体系下的分层定位

GPT-5.6 首次采用天体命名体系，推出 Sol、Terra、Luna 三款定位明确的模型。这不是简单的命名更换，而是建立了一套长期稳定的能力梯队。数字代表代际迭代，名称代表产品定位，未来新一代模型发布时，三者的相对位置保持不变，用户无需重新理解参数差异。

旗舰 Sol 保持上代旗舰价格不变，中间档 Terra 性能接近上一代旗舰水平，价格直接腰斩，入门档 Luna 压到更低价位。这种定价结构呈现明确的铺量导向 —— 最强模型维持高端形象与利润，主力档位用半价抢占大规模生产场景，轻量模型覆盖长尾批量调用。

2.2 性能与成本的工程权衡

官方发布材料的核心表述是 “每 token 更多智能，更强的每美元性能”。这与过往强调绝对跑分的宣传口径形成明显差异。CEO 萨姆・奥尔特曼在采访中重点提及，智能体编码任务的 token 效率提升了 54%，强调企业用户普遍在核算 AI 投入的产出比。

第三方实测数据显示，Sol 在极限难题攻坚上并未全面拉开与竞品的差距，部分高难度推理任务表现弱于 Anthropic 的顶级模型。这种现象并非技术能力不足，而是主动的工程取舍 —— 在水表模式下，极限性能对应的是指数级上升的算力成本，单位美元产出反而下降。

跑车比拼马力，商用车比拼油耗。用量计费时代，模型优化的核心 KPI 从 “最强能力” 转向 “单位成本下的有效产出”。旗舰模型让出半个身位的极限跑分，换主力档位成本减半，进而支撑十亿级免费用户的入口开放，在整体商业账上更具合理性。

2.3 推理模式的用量放大机制

GPT-5.6 新增 Max 与 Ultra 两种推理控制模式。Max 模式投入更多计算资源进行深度推理、方案探索与自我修正。Ultra 模式默认协调四个智能体并行处理同一任务，用更高 token 消耗换取更强结果与更短耗时。

这两种模式本质上是用量的档位调节器。用户可以根据任务紧急程度与预算容忍度，选择不同强度的推理方案。任务越难、时间越紧，消耗 token 越多，计费越高。这套机制让定价与用户感知价值直接挂钩，愿意为结果付费的用户自然选择更高消耗的模式。

对企业用户而言，这意味着成本治理变得更加重要。相同任务在不同推理模式下，成本可能相差数倍。建立任务分级与模型匹配机制，成为落地过程中的必备环节。

常见问题：免费用户能用到什么级别的模型？

免费用户可使用 Terra 与 Luna 级别的模型能力，覆盖绝大多数日常办公与轻量开发场景。Sol 旗舰模型与 Ultra 推理模式面向付费档位开放，具体额度对应不同订阅等级。

2.4 分层迭代的产业意义

三档模型各自独立迭代的设计，对整个 API 生态影响深远。过往单一模型升级时，所有调用方被迫同步适配，性能与成本同时变动，企业难以做长期预算规划。

分层体系建立后，每个档位保持相对稳定的能力与价格定位。Luna 永远对应低成本高并发，Terra 永远对应主力生产环境，Sol 永远对应顶级攻坚。企业可以根据业务属性选择固定档位，不受代际升级的剧烈冲击。

这种稳定的能力阶梯，是用量计费能够规模化推广的基础设施。企业软件的采购与预算周期以年为单位，需要可预期的成本曲线。持续波动的单一模型定价，无法支撑严肃的企业级采购。

三、定价范式转移：从订阅门票到用量水表

3.1 两种计费模式的本质差异

订阅制与用量计费，对应两种完全不同的商业逻辑。

订阅制售卖的是访问权。用户支付固定费用，获得产品使用权，用多用少价格不变。这种模式收入可预测，轻度用户贡献高毛利，是过去十年 SaaS 行业的标准范式。

用量计费售卖的是产出。用户按实际消耗的算力与完成的工作量付费，干多少活付多少钱。这种模式与业务价值直接挂钩，没有闲置浪费，但收入波动大，成本与收入同步变化。

ChatGPT 过去三年走的是标准订阅路线。Plus、Pro、Enterprise 按月收费，用户在额度内自由使用。这套模式支撑了百亿级年收入，但增长天花板正在显现。十亿级用户基数中，付费转化率有限，付费用户的 ARPU 提升也接近瓶颈。

水表模式打开了新的增长空间。订阅收入的上限是 “多少人愿意付月费”，用量收入的上限是 “全社会有多少知识工作可以交给 AI 完成”。后者对应的是数万亿美元级别的劳动力市场，远大于软件订阅市场的规模。

3.2 免费入口加额度池的双层结构

新版产品采用清晰的 “门票免费，水表收费” 结构。桌面应用全球免费下载，Chat、Work、Codex 三个模式全部开放，免费用户即可进入。门槛降到最低，确保最大范围的用户覆盖。

真正的计费点在用量池。ChatGPT Work、Codex 以及 Excel 等场景的智能体任务，共享同一个额度池。任务执行时根据规模与复杂度从池中扣除额度，任务越重，消耗越快。官方表述为 “使用量取决于所需工作量”。

闲聊对话不在额度池中计费。普通聊天、问答、搜索类交互消耗极低，不占用工作额度，属于引流型功能。这也解释了聊天入口被弱化的原因 —— 它是不走表的功能，在商业账上不直接产生收入。

这套结构与公用事业的收费模式高度相似。接入管道免费，按实际使用量阶梯计费。用户先用起来，用出价值之后自然产生付费意愿。

3.3 订阅角色的重新定义

Plus、Pro、Enterprise 等订阅档位仍然存在，但角色发生了根本变化。

过去订阅费是商品本身，交钱之后产品随便用。现在订阅费决定额度池的大小，相当于每月获得固定额度的工作算力。额度用完之后，可以购买额外积分、升级更高档位，或者等待周期重置。

订阅从 “无限使用权” 变成 “基础额度包”。基础额度覆盖常规使用，超额部分按量计费，形成 “订阅保底 + 用量弹性” 的混合模式。这种设计兼顾了收入可预测性与增长空间，比纯用量模式更容易被用户接受。

企业端的计费逻辑变化更大。席位制逐步让位于消耗制，员工数量不再是定价的核心依据，实际 AI 处理的工作量成为计费基准。这对企业 IT 预算管理提出了全新要求。

常见问题：用量计费会不会比订阅制更贵？

取决于实际使用强度。轻度用户总消耗低于订阅价值，重度高频用户可能成本上升。多数常规办公场景下，Terra 档位的单位产出成本低于上代订阅制的等效算力，整体呈现降本趋势。

3.4 黑箱定价的现状与争议

当前用量计费存在一个明显的模糊地带 —— 具体折算规则不透明。官方只给出 “取决于工作量” 的原则性说明，没有公开详细的费率表，任务复杂度如何折算为具体额度，没有明确的计算公式。

黑箱定价有产品侧的合理性。智能体任务差异极大，从写一封邮件到做完整的项目分析，工作量相差百倍，难以用简单的 token 数量统一衡量。按任务结果定价更贴近用户感知价值，但也带来了成本不可预测的问题。

对企业用户而言，成本可预测性是采购的核心前提。没有明确的价目表，大规模部署就难以推进。价目表何时公布、以何种粒度公布，将是下一阶段市场关注的核心指标。这一步走通，用量计费才能真正进入企业级采购的主赛道。

四、产业连锁反应：SaaS 行业的计费革命

4.1 席位定价的根基动摇

华尔街今年提出 “SaaS 末日论”，核心逻辑是 AI 智能体可以自主完成客服、IT 流程、销售运营等工作，企业不再需要按人头购买软件席位。当工作主体从人变成智能体，按人头收费的基础就不复存在。

市场情绪的波动直接反映在股价上。ServiceNow 从 52 周高点最大回撤 62%，Salesforce 回撤 43%，其他企业软件公司普遍出现深度调整。资本在用脚投票，重估传统 SaaS 定价模式的长期价值。

恐慌情绪存在过度反应的成分。Guggenheim 等机构随后发布 “末日取消” 的上调报告，认为冲击没有预想中剧烈。但方向上没有分歧 —— 按席位收费的模式正在被侵蚀，只是速度与幅度存在争议。

Gartner 预测到 2030 年，AI 智能体将分流企业软件计划支出的两成，约 2340 亿美元。按人头计费的收入池，正好处于这条分流路径的核心位置。

4.2 头部厂商的主动转型

被冲击的厂商并没有被动等待。ServiceNow 披露，新签合同净额中约一半已转向非席位定价，按消耗、按用量与业务结果挂钩。一家被 “末日论” 点名的公司，自己先拆掉了半壁席位制的地基。

2026 年 4 月，ServiceNow 正式将原有五档套餐重构为三档 AI 原生层级，AI 能力全部打包进基础版本，不再单独加价。底层计费逻辑转向混合模式 —— 保留基础席位费作为保底，AI 使用部分按消耗计量。

具体计费分为多层。底层是传统的席位订阅，中层是 LLM token 消耗计费，上层是智能体执行次数计费，每层对应不同的价值密度。这种多层结构既保护了现有收入基本盘，又打开了 AI 增量的收入空间。

常见问题：SaaS 公司都会转向用量计费吗？

不会全部转向。标准化、低交互的工具类产品更适合订阅制。高算力消耗、结果导向、调用量波动大的场景，更适合用量计费。未来多数企业软件会走向混合模式，基础功能订阅，AI 增强部分按量计费。

4.3 Action Fabric 的收费站模式

2026 年 5 月，ServiceNow 发布 Action Fabric 集成层，定位为外部 AI 智能体与平台数据之间的网关。所有外部智能体读取记录、触发工作流、回写结果，都必须通过这一层，平台按调用动作计量收费。

这是 SaaS 厂商应对 AI 冲击的典型策略 —— 既然拦不住外部智能体进来干活，那就建收费站，按通行次数收费。Anthropic 的 Claude 作为首发合作伙伴，已经接入这套计费体系。

本质上，这是数据与流程的卡位战。AI 模型可以通用，但企业数据与业务流程沉淀在 SaaS 平台中。智能体要产生实际价值，必须与这些数据交互。控制交互入口，就能在新的价值分配中占据一席之地。

行业正在形成新的分工链条。底层模型厂商卖算力，中间 SaaS 平台卖数据与流程接入，上层应用厂商卖行业解决方案。每层都有自己的计费节点，共同切分 AI 产出的价值蛋糕。

4.4 历史对照：软件计费的两次跃迁

软件行业上一次计费范式跃迁，发生在十余年前。2013 年 Adobe 停售买断制 CS 套装，全面转向 Creative Cloud 订阅服务。当时骂声铺天盖地，大量用户断言 Adobe 自毁前程。随后微软 Office 转向 365 订阅，整个行业完成切换。

那一次是从买断制到订阅制的跃迁，软件从商品变成服务。厂商获得了持续稳定的现金流，用户降低了初次使用门槛，行业整体市值大幅提升。

今天正在发生的，是从订阅制到用量制的第二次跃迁，软件从按人头售卖的服务，变成按产出计费的生产资料。历史剧本高度相似 —— 初期用户抵触，厂商强力推进，骂声过后行业完成整体升级。

两次跃迁的底层逻辑一致：计费方式不断向实际价值靠拢。买断制对应拥有权，订阅制对应使用权，用量制对应产出权。越往后，付费与价值的对应关系越直接。

五、微软的两难：同引擎下的攻守博弈

5.1 Copilot 的渗透率困境

就在 GPT-5.6 发布当天，OpenAI 官宣该系列模型将驱动 Microsoft 365 Copilot。技术上深度绑定，但商业上两者面临完全不同的处境。

据 Fortune 报道，4.5 亿 Microsoft 365 商业用户中，付费开通 Copilot 的比例不足 4.5%。付费用户中每周活跃使用的比例仅 20% 到 30%，折算下来整体周活渗透率约 1%。消费级 Copilot 周活约 2000 万，与 ChatGPT 的十亿级用户规模相差悬殊。

低渗透率背后是席位制的价格门槛。每用户每月数十美元的加价，对企业来说是一笔不小的全员开支，而很多岗位的 AI 使用频率不足以支撑这笔费用。按人头收费与不均衡的实际使用之间，存在结构性错配。

ChatGPT 走免费入口加用量计费的路线，恰好绕开了这个障碍。用户按需使用，用多少付多少，没有人头费压力，扩散速度自然更快。

5.2 两条路线的内在冲突

微软守的是席位制的最大城池。Office 与 Windows 按授权收费的商业模式运行数十年，体系庞大，利益链条复杂，不可能轻易推倒重来。Copilot 只能叠加在现有席位体系之上，作为增值项售卖。

OpenAI 攻的是办公场景的增量市场。没有历史包袱，可以直接采用最激进的计费模式，用最低门槛抢占用户心智。同一颗引擎，两种完全不同的收费方式，面向同一片办公市场。

这就形成了微妙的左右互搏。用 Copilot 的企业客户，可能转而使用更灵活的 ChatGPT Work。继续守席位制，渗透率提升缓慢；转向用量制，现有庞大的席位收入面临冲击。

微软 2024 年年报中，已正式将 OpenAI 列为竞争对手。今年 2 月 OpenAI 与 AWS 签署 500 亿美元云协议后，微软内部曾评估法律应对措施。合作与竞争同时存在，关系比表面看上去复杂得多。

5.3 兵工厂模式的最终赢家

守军与攻军用同一条产线的武器打仗，最终稳赚的是兵工厂。无论企业选择 Microsoft 365 Copilot 还是 ChatGPT Work，底层算力与模型都由 OpenAI 提供。

对 OpenAI 而言，多一条销售渠道就多一份收入。微软的企业销售体系触达大客户，自有产品覆盖长尾与中小企业，两条路径并行不悖，共同做大整体用量规模。

水表模式下，OpenAI 的收入直接对应总计算量。前端入口是谁家的不重要，只要算力从自己的体系走，就有收入。这种基础设施定位，是支撑万亿估值的核心逻辑 —— 不赚某一款产品的钱，赚整个行业的算力过路费。

六、资本视角：万亿估值与表外产能

6.1 订阅故事的估值天花板

OpenAI 已于 2026 年 6 月秘密向 SEC 递交 S-1 文件，启动上市进程。市场普遍预期目标估值不低于 1 万亿美元。

现有订阅模式无法支撑这个数字。2025 年全年营收约 130 亿美元，净亏损约 390 亿美元。2026 年一季度营收 57 亿美元，现金消耗 37 亿美元。按订阅制的增长曲线推演，收入规模与盈利时间点，都远不足以支撑万亿市值的定价。

订阅制对应的是消费互联网估值逻辑，看用户数、转化率、ARPU。这套逻辑的天花板清晰可见 —— 全球愿意每月付费使用 AI 聊天的人群，总量是有限的。

用量计费对应的是公用事业与基础设施估值逻辑，看总处理量、单位收入、利用率。这套逻辑的天花板是全社会知识工作总量，规模大得多。切换计费模式，本质上是切换估值模型，用更大的市场叙事支撑更高的估值。

递交上市申请后一个多月，迅速完成产品架构与计费体系的调整，时点选择具有明确的资本市场指向。

6.2 表外承诺的真实含义

S-1 草案中最值得关注的一组对比，体现在资产负债表与采购承诺的巨大反差。

账面呈现典型的轻资产软件公司特征。债务为零，租赁负债不足 7.5 亿美元，一季度资本开支仅 4600 万美元。但文件附注披露，未来在芯片、能源、数据中心方面的采购承诺高达 6650 亿美元，绝大部分不在资产负债表内。

表外处理的核心方式是算力租赁。OpenAI 不直接持有数据中心与芯片资产，而是以长期租赁协议的形式获取算力，租金直接计入当期损益。资产留在合作方表上，OpenAI 只承担持续的运营成本。

这种财务结构是水表模式的标配。按件卖工时，前提是囤下天量的工时产能。6650 亿美元不是乱花钱，是提前锁定未来多年的算力供给，保证水表转起来的时候有足够的产能支撑。

常见问题：6650 亿美元的承诺会变成实际负债吗？

不全是刚性负债。长期采购承诺通常包含最低采购量条款与弹性调整空间，实际支出随需求变化浮动。但这笔数字反映了算力投入的规模量级，说明公司已经按公用事业的体量在规划产能。

6.3 水表模式的成本结构

订阅制最美妙的地方在于边际成本趋近于零。轻度用户交了钱不用，几乎是纯利润。用户越多，利润率越高。

水表模式正好相反。每产生一单位收入，对应一单位的算力成本。收入放大的同时，成本同步放大。规模增长不直接带来利润率提升，利用率与单位算力成本才是盈利的关键。

这就解释了为什么模型优化的重心转向 token 效率。同样完成一件工作，消耗的 token 越少，成本越低，利润空间越大。54% 的编码效率提升，直接对应毛利率的改善，在万亿级营收体量下，每一个百分点的效率提升都对应巨额的绝对利润。

公用事业的盈利逻辑，从来不是卖得越贵越赚钱，而是单位成本压得足够低，同时保持高利用率。OpenAI 正在朝这个方向全面转型。

6.4 市场定价的学习曲线

资本市场还没有准备好给这种新模式定价。

分析师跟踪 ServiceNow 时已经遇到困境。一半新合同转向消耗计价，行业没有足够的可比公司做基准，市场无法为尚不能精确建模的收入模式给出合理估值。

小一块表都读不准，OpenAI 要递交给市场的，是全世界最大的一块。用量收入的增长曲线、波动规律、毛利率水平、周期性特征，都没有历史数据可以参照。

这意味着上市初期，估值会经历剧烈波动。乐观者按劳动力市场总规模折现，悲观者按当前亏损速度算现金流断裂点。两种算法得出的结果天差地别。市场需要几个季度的真实运营数据，才能逐步形成共识定价。

七、工程落地视角：企业应对用量计费的实践要点

7.1 建立用量监控与成本治理体系

用量计费模式下，成本失控是第一风险。智能体任务可以长时间后台运行，单次复杂项目消耗可能远超预期。没有监控体系，月底账单可能出现数量级偏差。

企业落地第一步，是搭建全链路的用量监控平台。覆盖模型调用、智能体执行、工具调用等所有计费节点，按团队、项目、业务线维度做成本归因。设置预算阈值与告警机制，超量时自动降级或暂停任务。

成本治理的核心原则，是任务价值与算力成本匹配。高价值的核心业务可以用 Sol 旗舰模型，常规事务性工作用 Terra 即可，批量简单处理直接走 Luna。不加区分地全部调用最高档模型，是最常见的成本浪费来源。

7.2 模型分层选型策略

三档模型体系给了企业精细化选型的空间。选型依据不是技术参数，而是业务场景的容错要求与价值密度。

Luna 适合高并发、低容错成本的场景，比如客服初筛、邮件分类、格式转换、简单代码补全。这类场景调用量大，单条价值低，对成本高度敏感，用最轻量的模型最划算。

Terra 是主力生产档位，覆盖大多数常规开发、文档分析、报告撰写、中等复杂度推理任务。官方定位是性能接近上代旗舰，价格减半，是性价比最高的一档，也是多数企业的主要工作负载。

Sol 仅用于真正的攻坚场景，比如复杂系统架构设计、关键漏洞挖掘、高难度科研问题、核心业务决策辅助。这些场景结果价值极高，容错成本大，值得投入最高算力。

常见问题：什么时候值得用 Sol 旗舰模型？

当任务结果错误造成的损失，远高于模型调用成本时，选择最高档位。比如核心生产代码的安全审计、重大决策的背景分析、复杂系统的故障排查。常规办公与开发任务，Terra 档位通常足够。

7.3 智能体任务的成本优化方法

智能体长任务是成本消耗的重灾区，也是优化空间最大的地方。

首先是任务拆解。大任务拆成小步骤，不同步骤用不同档位的模型。规划阶段用高能力模型，执行阶段用低成本模型，比全程高档位更经济。

其次是结果缓存与复用。相同或相似的查询结果，建立缓存机制，避免重复计算。知识库类场景优先走检索增强，减少大模型直接生成的比例。

第三是设置执行边界。给智能体设定最大步数、最长运行时间、最大 token 消耗。避免智能体陷入死循环或无限自我修正，造成无意义的算力消耗。

最后是人工介入节点设计。关键节点人工确认，再继续后续步骤。比起让智能体一路跑到黑，中途纠偏的综合成本更低。

7.4 风险边界与落地建议

用量计费模式落地过程中，有几类典型风险需要提前规避。

一是成本不可预测风险。价目表透明之前，先从小规模试点开始，逐步扩大范围，不要一次性全量上线。积累实际使用数据后，再做全面预算规划。

二是供应商锁定风险。深度依赖单一厂商的智能体框架与计费体系，后续切换成本极高。建议在架构设计中保持模型层的可替换性，通过中间层封装不同厂商的接口。

三是安全与合规风险。智能体自主执行任务时，数据访问权限与操作范围必须严格管控。尤其是连接内部系统与生产环境的场景，权限最小化原则必须严格执行。

四是组织适配风险。按用量计费后，IT 成本从固定资本开支变成随业务量波动的运营开支。财务核算、预算审批、成本分摊的规则都需要同步调整，否则会出现管理脱节。

结论

GPT-5.6 发布与 Codex 合并，表面是产品迭代，深层是整个 AI 产业计费范式的切换。从订阅制转向用量计费，不是某一家公司的独立决策，而是技术成熟到一定阶段后，行业共同演进的方向。

这条路径上，模型厂商、SaaS 平台、企业用户三方都在调整姿态。模型厂商建算力产能、铺免费入口、装计量水表；SaaS 平台守数据阵地、建接入网关、转混合计费；企业用户建监控体系、做分层选型、控成本风险。

最终走向的，是 AI 作为通用生产资料的公用事业模式。像水、电、算力一样，接入免费，按使用量阶梯计费，无处不在，随用随取。这个过程不会一蹴而就，价目表透明、市场定价共识、企业治理体系，都需要时间逐步建立。

技术从业者需要意识到，我们正在见证软件行业第三次计费范式跃迁。第一次是从光盘到下载，第二次是从买断到订阅，第三次是从订阅到用量。每一次跃迁都重新分配行业的价值，也诞生新的巨头。理解底层逻辑，提前调整技术架构与采购策略，是当下技术管理者最重要的课题。

📢💻 【省心锐评】

订阅转用量是产业必然方向，短期阵痛不改长期趋势。企业应尽早建立成本治理能力，不必过度焦虑，也不可无视变化。

SEO 关键词：用量计费、智能体、Codex、GPT5.6、SaaS 转型、模型分层