「這要花多少錢?」是關於 AI 自動化最難回答的問題。Token 定價是以百萬計、不同模型對輸入和輸出收費不同,而單次執行的成本取決於輸入和輸出的文字量。大多數團隊要麼忽視成本直到帳單到來,要麼過度優化而在所有地方都使用最便宜的模型。
這兩種方法都不可行。以下是實務角度思考 AI 工作流成本的方式。
基礎知識:單次 recipe 執行的成本
一次 recipe 執行有兩個成本組成:輸入 tokens(你的提示詞 + 上下文)和輸出 tokens(AI 的回應)。輸出 tokens 通常比輸入 tokens 貴 3-5 倍。
以下是不同供應商的典型 recipe 執行成本(大約值,截至 2026 年初):
簡單提取或分類(輸入短、結構化輸出):
- Claude Haiku 4.5:每次執行約 $0.002-0.005
- GPT-5-mini:每次執行約 $0.002-0.004
- Gemini 2.5 Flash Lite:每次執行約 $0.001-0.003
內容生成(中等輸入、較長輸出):
- Claude Sonnet 4.5:每次執行約 $0.01-0.03
- GPT-5.1:每次執行約 $0.01-0.025
- Gemini 2.5 Pro:每次執行約 $0.008-0.02
複雜分析與延伸思考(長輸入、推理 + 輸出):
- Claude Opus 4.5:每次執行約 $0.05-0.15
- o3:每次執行約 $0.04-0.12
- Gemini 3 Pro:每次執行約 $0.03-0.10
這些是粗略範圍。實際成本取決於輸入長度、輸出長度,以及是否啟用網路搜尋或延伸思考等功能。
工作流的成本
工作流會串接多個 recipes。成本是所有步驟成本的總和。以下是一個實際範例:
發票處理工作流(4 個步驟):
- 提取發票資料(Haiku 4.5):$0.003
- 檢查差異(Sonnet 4.5):$0.015
- 生成核准摘要(Haiku 4.5):$0.002
- 撰寫最終報告(Sonnet 4.5):$0.02
每次執行總成本:約 $0.04
每週執行 50 次(每天 10 張發票),月成本約 $8。相較之下,人工處理每張發票需要財務團隊成員 15-20 分鐘——每週約 12 小時的工作量。
新潛在客戶管線(4 個步驟含網路搜尋):
- 潛在客戶研究與網路搜尋(Sonnet 4.5):$0.04
- 潛在客戶資格審查(Haiku 4.5):$0.005
- 條件檢查:免費(僅邏輯,無 AI 呼叫)
- 草擬開發信(Sonnet 4.5):$0.02
每次執行總成本:約 $0.065
每月處理 200 個潛在客戶,AI 成本約 $13/月。
優化槓桿:逐步驟選擇模型
JieGou 最大的成本優化不是到處使用更便宜的模型——而是為每個步驟使用正確的模型。
在上述發票工作流中,提取和核准摘要使用 Haiku(快速、便宜、擅長結構化任務)。差異檢查和最終報告使用 Sonnet(更好的推理、更好的文字表達)。如果所有步驟都使用 Opus,工作流每次執行成本會達到約 $0.35 而非 $0.04——在較簡單步驟上品質提升微乎其微,成本卻高出近 10 倍。
JieGou 讓你能為每個 recipe 獨立設定模型,因此你可以在步驟層級優化,而無需改變工作流結構。
執行前估算成本
JieGou 內建成本估算器,可在執行工作流前預估執行成本。估算器使用每個 recipe 過往執行的歷史 token 用量來預測目前執行的成本。
對於沒有歷史紀錄的新 recipes,估算器會根據輸入和輸出 schema 大小使用特定模型的預設值。
執行後追蹤成本
分析儀表板會按以下方式細分 token 用量和成本:
- Recipe — 哪些 recipes 每次執行最昂貴?
- 工作流 — 每個工作流的總成本是多少?
- 部門 — 每個團隊花費多少?
- 模型 — 各供應商的成本分布如何?
這種可見性讓你發現優化機會。如果某個 recipe 佔工作流成本的 60%,那就是實驗不同模型或更短提示詞的地方。
月度成本全貌
對於執行中等程度自動化的團隊:
| 工作負載 | 每月執行次數 | 預估成本 |
|---|---|---|
| 銷售潛在客戶管線 | 200 | $13 |
| 行銷內容再利用 | 20 | $1.50 |
| 客服工單分流 | 800 | $4 |
| 每週交易審查 | 4 | $0.80 |
| 發票處理 | 200 | $8 |
總計:每月約 $27 的 AI 供應商成本。 這是實際的 token 成本,直接支付給供應商。JieGou 的平台訂閱費用是分開計算的,不包含 AI 加成。
將此與被取代的人工時間相比——團隊每週數十小時——ROI 顯而易見。
實用經驗法則
- 使用能產生可接受輸出的最便宜模型。 對於分流、提取和分類,Haiku 或 GPT-5-mini 通常就足夠。將 Opus 和 o3 留給複雜分析和高風險內容。
- 更短的提示詞成本更低。 一個簡潔的提示詞模板,明確告訴 AI 要做什麼,比冗長且充滿範例和警告的提示詞便宜。
- 結構化輸出 schemas 減少浪費。 當 AI 明確知道要填寫哪些欄位時,會產生更短、更聚焦的輸出。更少的輸出 = 更低的成本。
- 網路搜尋會增加成本。 搜尋本身包含在模型定價中,但搜尋結果會增加輸入上下文。只為需要最新資訊的 recipes 啟用網路搜尋。