GPT-6把API价格砍了一半，OPC创业者的定价表该重画了

第一件事，先别急着调价，先算清楚你卖的是token还是判断力

GPT-6 Sol 和 Luna 的 API 价格直接砍半，昨天朋友圈里已经有人开始改定价表了。

我劝你先停一下。降价这个动作本身不创造任何价值，它只是把你原来的毛利让出去。真正该先回答的问题是：你卖出去的到底是什么？

如果你卖的是 token，那你其实不是一家 AI 公司，你是一家算力零售商，赚的是进销差价。你的成本结构完全由上游决定，OpenAI 一次调价，你的利润表就要重写一遍。这类生意没有护城河可言，因为你的客户随时能拿着同样的模型自己搭一套，你唯一的竞争优势就是比他便宜——而便宜这件事，永远有人比你更狠。

但如果你卖的是判断力，逻辑就完全不同了。客户付钱不是因为你调用了哪个模型，而是因为你知道在这个场景下该用哪个模型、该给它什么上下文、该在哪一步拦住它。模型越便宜，你交付同样结果时的成本越低，但客户感知到的价值没有变。这中间的差额不是白捡的，是你过去踩过的坑换来的。

从 GPT-5.5 thinking 开始，我就在观察一件事：推理模型的思考链路被优化之后，真正稀缺的东西从"能不能出结果"变成了"知不知道要什么结果"。工具在往"直接切中要害"的方向走，那么反过来，人的价值就只能体现在"要害在哪"这件事上。

所以调价之前，先做一次自查：

• 你的报价单上，写的是按调用量计费，还是按交付结果计费？
• 如果明天上游再降 50%,你的收入会跟着降 50%,还是纹丝不动？
• 客户换掉你之后，损失的是省钱，还是损失了一个他自己搞不定的环节？

这三个问题的答案，基本就决定了你该不该跟着降价。

我们在给企业客户做 AI 战队落地的时候，从来不按 token 报价。因为老板要的从来不是"便宜的大模型调用"，他要的是一个能替他省下两个人力、或者多跑出三条业务线的结果。这个结果值多少钱，跟 Sol 和 Luna 的定价没有直接关系。

把成本下降当降价理由，是把自己往零售商的坑里推。把成本下降当成重新定义交付物的机会，才是这轮价格战里真正该做的事。

Sol和Luna不是两个型号，是两种生意：一个替你省，一个替你赚

有人看到 Sol 和 Luna,第一反应是"一个旗舰、一个轻量,难的用贵的,量大的用便宜的"。这个判断不算错,但会把你带偏——你会不自觉把它们当成两个 SKU,然后纠结价差该怎么往自己的客户那边传导。

其实这是两种生意。

Sol 替你省。省的是推理成本、延迟,还有那些本来就该跑、但一直跑得心疼的活。9 月 23 日 OpenAI 把 API 价格砍了一半,同一批更新里 GPT-6 在 prompt caching 上动了不少——更高的缓存命中率、新的诊断能力、显式断点,以及一批专门用来压延迟和成本的控制项。这些不是发布稿里的漂亮话,是工程侧的杠杆,用得越重省得越多。做这门的逻辑很朴素:同样的活我比以前便宜,客户按量付费,我按量收钱,毛利靠规模和缓存命中率撑着。

Luna 替你赚。它卖的不是"同一件事更便宜",而是"以前不该接、现在可以接"的活。轻量、快、便宜的那一档,真正的价值不在替代 Sol,而在于把一类被成本挡在门外的场景变成能交付的产品:批量处理、长尾审核、常驻的对话入口、给每个员工配一个随时在的助手。这些事以前不是没人想做,是每跑一遍都算不过账。

两种生意的计价逻辑完全不一样。替人省钱的,你的对手是客户自己攒一套的成本,护城河是稳定性和单位成本曲线;替人赚钱的,你的对手是"这件事以前根本没人做",护城河是场景理解和交付完成度。把这两件事塞进同一张价目表,是最常见的翻车方式——你会用省钱的逻辑去卖赚钱的东西,最后两边都不满意。

这也是我们做舍予AI智能体时的基本判断。老板要的从来不是更便宜的 token,而是"老板的第一支 AI 战队"——能替他多接多少活、多跑多少单、少养几个人。你按 token 单价去谈,他只会跟你砍价;你按他那笔生意的放大量去谈,这张价目表才立得住。

一份报价单里同时躺着"我帮你把成本压到多少"和"我帮你把收入做到多少",这两句话是没法用同一个折扣率去解释的。

50% 的降价真正解锁的,不是你的利润表,是一堆以前不敢接的活。谁先把这批活的清单列出来,谁才有资格决定下一版定价表长什么样。至于省下来的那部分钱,是拿去拓场景还是拿去打价格战——那才是更要命的问题。

推理成本降50%之后，真正被释放的不是利润，是那些你以前不敢接的活

50%这个数字，如果只看成一次打折，那就浪费了。

GPT-6 这轮更新里，真正值得关注的是 prompt caching——缓存命中率被拉高，还给了显式断点和诊断工具。这意味着什么？意味着那些长上下文反复喂、同一份材料被调用几十上百次的场景，边际成本被重算了一遍。降价50%是标价，缓存是实际账单。两者的差距，才是关键变量。

过去两年，我拒掉的活比接的多。不是做不了，是算不过账。

一个客户的合同审阅流程，一份标书几十万字，要拆条款、跨文档比对、再逐轮追问。模型每轮都要把上下文重读一遍，token 像漏水一样淌。做一单亏一单，只能婉拒。现在这个模型能撑住了。

类似的还有代码库级别的重构建议、多轮 agent 循环里的中间态校验、需要全程陪跑的长周期任务。这些东西有个共同特征：不是单次调用贵，是调用次数乘上下文长度把成本顶穿了。

单次推理贵，你还能省着用。乘数效应贵，你连试都不敢试。

这就是我说"被释放的不是利润"的意思。利润是已经在你表里的东西，降价只是把它变厚。而那些以前不敢接的活，压根不在你的收入结构里——它们是空白。

空白填上，才是增量。

拿舍予AI智能体来说，它给自己的定位是"老板的第一支 AI 战队"，接的活天然是企业内部那些重复、琐碎、需要一直盯着的流程。这类场景以前最尴尬：价值真实，但单看推理成本，算不过来，客户觉得贵，你也觉得不划算。成本降下来之后，这类活从"能做但不值"变成"能接且值得接"。不是因为它变聪明了，是因为它变便宜了。

我倾向于把这次降价理解成一次准入门槛的下移，而不是一次毛利率的提升。

门槛挪动的地方，往往就是新玩家冒头的地方。GPT-5.5 thinking 那会儿，官方说它适合头脑风暴、策略规划、代码架构的初步设计——但真拿它跑架构评审，一轮对话几千 token，敢天天开的人不多。现在这个约束松了。

松了之后会发生什么？会有大量原本停在 PPT 里的方案被真的跑起来。不是更聪明的方案，是以前被成本掐死的方案。

成本从来不只是财务问题，它是产品设计的天花板。天花板抬高一层，底下能站的东西就完全不一样了。

所以别急着在定价表上划那一刀。先把那些你曾经写进"暂不考虑"清单里的活翻出来，重新算一遍。它们很可能已经不是同一门生意了。

省下来的那部分钱花在哪，才决定你是往下卷价格，还是往上加厚度。

把省下来的钱花在哪，决定了你是降价卷死自己，还是加厚产品活得更久

省钱这件事本身没有价值，怎么花出去才有。

GPT-6 把 API 价格砍了一半，同行群里第一反应几乎都是"我是不是该降价了"。我的建议正好相反：先别动价签。token 便宜是全行业的公共福利，你降，隔壁也降，最后一起把毛利打到地板上，客户还觉得本来就该这个价。省下来的钱，只有花在产品上，才是你的。

第一，把以前不敢接的活接回来。

GPT-6 这次在 prompt caching 上做了不少事：更高的缓存命中率、显式断点、新的诊断工具和延迟成本控制。听着很工程，落到生意上就一句话——长上下文、反复调用的场景变便宜了。以前客户说"能不能把产品手册、历史工单、客服录音全喂进去"，你算完成本只能摇头，现在可以点头。那些你以前不敢报价的活，才是真正的增量。守着一模一样的服务降价，是等着被替代。

第二，把可靠性买厚。

便宜不等于敢用。卡住企业客户的从来不是单价，是"你敢不敢让它碰我的核心流程"。省下来的预算，拿去做评测集、做回退链路、做日志和诊断，让每次输出可追溯、可复盘。这块不性感，但它决定客户明年还续不续费。

第三，把钱花在人这一侧。

模型再便宜，客户买的也不是调用次数。落地场景里的行业知识、流程梳理、岗位分工，AI 替不了。这也是我们做舍予AI智能体时的基本盘——定位就写在那儿，"老板的第一支 AI 战队"。卖的是能直接上岗干活的一整支队伍，不是一堆按 token 计费的接口。省下来的推理成本，应该变成战队里多一个角色、多一条跑得通的业务流程，而不是账单上少一行数字。

所以重画定价表的时候，多算一步：这 50% 里，多少让给客户，多少留下来变成产品厚度。我的默认答案是，能不降就不降，先加厚。降价是把自家护城河填平，加厚是把省下的算力变成别人抄不走的判断力。

行动建议很土，但有用：打开你的定价表，把客户年度用量乘出来，算出降价后的收入缺口；再问自己，同样的钱能不能买到上面三样里的任意一样。买不到，再谈降价。

这一轮成本下降，不是发给你的一张降价许可证，是发给你的一笔研发预算。怎么花，决定明年这个时候你还在不在牌桌上。