企业如何计算 AI 工作流的单位成本?

很多团队一问 AI 成本，第一反应是看模型单价、看 token 报价。我以前也这么算，结果试点阶段感觉“挺便宜”，一接进真实业务，账单和人工时间一起往上蹿。后来我才明白，企业真正该算的不是“问一次多少钱”，而是“完成一个合格任务到底多少钱”。

最实用的公式其实不复杂：工作流单位成本 = AI 直接费用 + 人工介入成本 + 配套系统成本 + 失败与返工成本，再除以成功完成的任务数。 这里的“成功”必须先定义清楚。比如缺陷修复，不是生成了一段代码就算完成，而是经过测试、审查并能合入流程；客服预审也不是给出回复就结束，而是要达到可发送、可追溯的标准。

AI 直接费用不只包含输入和输出的 token。多步骤工作流里，工具调用、长上下文、重复尝试都会叠加。尤其编码代理这类任务，表面上像一次请求，背后可能经历检索、生成、修改、再次验证。只拿名义单价乘调用次数，通常会把真实支出算得太乐观。

更容易被漏掉的是人工成本。一个工作流若经常需要员工接管、补资料、纠正方向，AI 省下的时间可能并没有想象中多。我的建议是，在试点时记录三个数：端到端耗时、人工复核比例、一次通过率。它们比“大家觉得回答不错”诚实得多。一次通过率低，意味着每个成功任务都要分摊更多重试费用；人工复核高，意味着省下的并非完整工时。

还有一笔常被技术团队忽略的账：安全审查、日志留存、私有连接、厂商支持，以及内部系统集成。这些不一定按每次调用收费，却会随着工作流扩大变成固定投入。把它们全部摊进单位成本，才能避免技术试点很漂亮，年度预算却突然失控。

我会把不同模型或不同供应商放进同一条真实链路比较，而不是让它们分别展示“最佳回答”。高风险环节可以用能力更强的方案，重复且规则明确的环节则考虑更经济的路由。最后，别只盯着成本最低的那条线：能降级、能分流、能迁移的工作流，往往才是长期最便宜的选择。