TL;DR
- 成本優化本身沒錯，但在產品初期就被 token 費用綁架，會限制產品能力
- OpenClaw 的策略：不省、不切、不降級——讓用戶接入自己的訂閱服務，把算力帳單還給用戶，把注意力還給體驗
- 智能豐足時代的三個產品轉向：Outcome over Output、大力出奇蹟、Disposable UI
- 在產品證明自己值得存在之前，最大的風險不是花太多錢，而是做出一個「能用但沒人在乎」的東西
什麼是智能豐足時代？
模型的推論成本每年以數量級的速度在下降，模型商之間的價格戰只會越來越激烈。一年前覺得貴到不敢用的頂級模型，現在的價格可能只剩當時的十分之一。這個趨勢不會停。
當「智能」不再是稀缺資源，軟體的運作方式、產品的設計邏輯、甚至商業模式都會跟著改變。但大多數人（包括我自己）還沒跟上這個轉變。
做 AI 產品時，我的第一反應是省錢
在規劃一個 AI 產品的架構時，我很容易往成本考慮去想。能不能用開源模型取代 OpenAI 的 API？傳入 LLM 的 context window 能不能再切小一點？用戶這樣使用，平均每個人的成本會是多少？
一直忍不住在想：這模式有辦法規模化嗎？
但其實想想，我發現 AI 時代真正好用的產品，背後幾乎都是不計代價去使用 Token 的。例如我使用 Claude Code, 我不需要特別擔心用了多少 token, 我可以專注用它在解決問題上。當我覺得它可以幫我解決我的問題的時候，我會很甘願付費。
省 Token 不是錯，但時間點錯了
成本優化本身沒問題。任何成熟的商業產品，遲早都要面對單位經濟。
但很多創業者（包括我自己）在產品連 PMF（Product-Market Fit，產品市場契合） 都還沒找到的階段，就開始用成本思維來決定技術選型了。尤其是技術型創業者，選模型一定先看價格表，設計功能先算 token 消耗，甚至因為「太貴」而主動閹割產品能力。
這就像一間餐廳還沒確定菜單能不能讓客人回頭，就開始研究怎麼買更便宜的食材。
你今天花大量工程資源省下的那些 token 費用，六個月後可能因為一次模型的升級而徒勞無功。把創業最稀缺的時間和注意力，花在一個正在急速貶值的問題上，怎麼看都是見樹不見林。
OpenClaw：一個反直覺的暴力美學案例
Peter Steinberger 是 OpenClaw 的創辦人，採取了一個跟主流完全相反的策略：不省、不切、不降級。 (想要更了解 Peter 與 OpenClaw 的故事，可以參考我之前寫的這篇文章：當 AI 學會翻你的抽屜)
OpenClaw 透過 ChatGPT Codex 的 OAuth 接入，讓用戶直接使用自己的訂閱服務來驅動 Agent。這代表開發者不需要替用戶負擔 API 費用，而用戶既然已經在付月費了，也不會對每一次 Agent 運算斤斤計較。
Peter 的邏輯很直接：如果一個 Agent 能幫工程師解決一個需要花 2 小時排查的 bug，即使這一趟背後消耗了 5 到 10 美元的 token 費，怎麼看都划算。真正該問的問題從來不是「這次 API call 花了多少錢」，而是「模型夠不夠聰明，能不能把事情做完」。
他把這叫做暴力美學（Brute Force） 。聽起來粗暴，但想想看——當你不再被每一次 token 消耗牽著走，你才有餘裕去想真正重要的事：這個產品到底能幫用戶解決多大的問題？
AI 產品的成本困境：誰來買單？
這裡有一個很實際的結構性問題。
多數 AI 產品的困境不是「不想用好模型」，而是「用不起」。當你透過 API 串接模型，每一次用戶操作的成本都直接反映在你的帳單上。規模越大，壓力越大。這種結構天然會把開發者推向「省」的方向。
讓使用者接入自己已經在付費的 AI 訂閱服務，開發者就不用在每一個功能設計上都先過一遍成本審查。
當然，這馬上帶出另一個問題：如果核心算力來自用戶自己的訂閱，那產品的護城河在哪裡？這題很大，改天再聊。但至少在產品的早期探索階段，這個模式能讓你從成本焦慮中鬆綁，先專注在「做出用戶真正願意用的東西」。
智能豐足(Abundant Intelligence)時代的三個產品轉向
當 token 不再稀缺，產品該怎麼做會跟現在很不一樣。
Outcome over Output
用戶要的是問題被解決，不是一個對話框。
在智能豐足的前提下，系統可以在背景自動運行數十次甚至上百次自我修正、測試、驗證，消耗大量算力，只為確保最終交付的結果是正確且可執行的。用戶不需要知道背後跑了幾輪，他只需要看到：事情做完了，而且做對了。
經濟學裡有個傑文斯悖論（Jevons Paradox）：資源越便宜，總消耗量反而越大。AI 也一樣——智能越便宜，我們越會「浪費」地用它。但這種浪費，用戶其實感受到的是更好的結果。
大力出奇蹟
上一點的延伸。問題夠有價值，就該給它足夠的資源去解。
一個能幫用戶省下整個下午的 Agent，即使單次運算成本高達數百元，用戶依然會心甘情願買單。例如一個 AI 助手如果能一次讀完用戶過去十年的日記，運算出深度的個人圖譜，這種體驗和「每次對話限 20 則」之間的差距，就是產品勝負的關鍵。
Disposable UI
如果智能足夠強大，固定的軟體介面將變得多餘。
Agent 可以根據當下的任務需求，即時生成一個表單、一張圖表、一組按鈕——任務完成後，這些介面就可以丟棄。開發者不再需要預先設計面面俱到的操作介面，因為每一次互動的介面都是為那個特定情境量身打造的。
這不是科幻想像。當模型的推論成本低到可以忽略，「每次都重新生成 UI」就不再是浪費，而是最合理的做法。
給正在算 Token 帳單的你
如果你現在正在建 AI 產品，且發現自己花了超過 30% 的心力在想怎麼省 API 的錢，也許該退一步想想：這個階段，你最大的風險真的是花太多錢嗎？
更可能的風險是：因為省錢，你做出了一個「能用但沒人在乎」的東西。用戶試了一次就走了，體驗不夠好。而體驗不夠好，很多時候是因為你不敢讓模型放手去做。
智能豐足的時代正在到來。先讓產品證明自己值得存在，帳單的事之後再說。