先看一个反常现象
新一代旗舰模型 GPT-6 Astra 上线后，关于能力的讨论已经很多。但真正把它接入日常工作的人，普遍先撞上另一件事：它聪明很多，消耗也快得多——同样的任务量，消耗速度超过上一代 5.6 Sol 的两倍。
变强与变贵同时发生，问题的重心随之转移：当能力不再稀缺，用量管理反而成了用好它的第一道门槛。
对企业来说，这不是程序员圈子的技术话题，而是实实在在的成本话题。当 AI 从“尝鲜工具”变成“生产工具”，每一轮对话、每一次调用、每一份喂进去的资料，都在产生账单。
这篇不做配置清单，只讲 3 个判断。它们决定企业的 AI 投入，是花在刀刃上，还是花在看不见的地方。
判断一：模型不是越强越好，成本要按任务分层
先看一组开发者实测的数据：同一款强模型，用低档位跑简单任务，比高档位省下约一半的 token，准确率只损失 1%–3%；而低档位跑出来的效果，仍然好过旧款模型的最高档位。
这背后的逻辑值得企业认真看：大模型的能力存在明显溢出，大多数日常任务根本用不到最高档位。成熟的行业做法是任务分级：客服问答、资料抽取这类轻量任务走轻档位，方案初稿、文档处理走中档位，只有复杂规划与架构级分析才动用重档位。
判断二：喂给模型的上下文，决定 AI 的账单
开发者圈最新的共识是：不要再把“所有资料都塞进上下文”。强模型对冗余信息更敏感——塞得越杂，token 浪费越多，回答还容易跑偏。新的做法是开启上下文管理，用“笔记 + 窗口”的方式跨会话保留关键信息，细节丢得更少，token 消耗还能再省三分之一。
这个经验搬到企业，就是知识治理：AI 之前，先治理。很多企业把文档一股脑导入系统，旧版本、重复内容、口径不一的信息互相打架，模型不知道该信谁。
给 AI 喂资料前，建议先过 3 道工序：
1. 去重去旧：只保留最新版本，删掉过时口径
2. 结构化：把散落文档整理成问答、条目等机器易读的形态
3. 口径统一：同一件事，全网只保留一套说法
这条路径，已经开始在企业里验证：有企业朋友上个月尝试 GEO 官网搭建，录入自家知识库后 AI 推荐带来的线索明显变多，方法在公众号「智扣 AI」可免费获取。
知识库质量越高，AI 越愿意采信，产出越稳定——这正是 AI 时代企业“信源资产”的价值起点。
判断三：企业要把“使用规则”变成 AI 能读的资产
开发者圈还有一个正在发生的变化：大家开始重写 AGENTS.md、精简 Skills。原因是过去为了“管住弱模型”写下的长篇指令，强模型读来反而变成束缚；新原则是渐进披露、按需加载——只让模型在需要时读取相关部分，而不是一上来通读全部。
对企业而言，这套思路对应的是把使用规范沉淀成资产：规则越简洁、越贴近真实业务，AI 的执行质量越高。这和企业信息资产的建设逻辑完全一致——少而精，优于多而杂。
写在最后
模型能力越强，对企业信息质量和使用方式的要求就越高。省 token 的本质不是抠成本，而是让每一分钱都花在“被正确理解、被准确引用”的信息上。AI 成本治理，正在成为企业数字化的下一道门槛。