AI 的成本结构正在被三股力量重塑：头部模型厂商向上进入应用层、前沿模型持续涨价、以及开源模型在大多数场景下已经足够好用。这迫使所有购买 AI 服务的公司必须做出一个选择——用更便宜的模型替代昂贵的选项。Coinbase 已经开始动态路由 prompt 到更便宜的模型，使得 token 用量指数级增长但成本几乎不变。Lindy 直接切掉了全部 Anthropic 流量转向 DeepSeek v4，省下数百万美元的同时核心场景表现反而提升了。Harvey 在自己的法律 Agent 基准测试上发现，经过 SFT 的 Kimi 成本只有 Opus 的十分之一，效果却更好。最激进的是 Cursor，他们把 Kimi K2.5 后训练成自己的生产模型 **Composer 2.5**，在同等能力下实现了最高 10 倍的效率提升。这些案例都在说同一件事：没有电商会把省下的利润存银行，而是拿去买更多流量。AI 买家也不会私藏折扣，他们会把省下来的算力花在更多智能上。

核心解法其实是一场聪明的替代战，而不是纯价格战。关键在于“路由”和“定制”。Coinbase 的做法是动态路由：让模型根据任务复杂度自动匹配到合适档位，简单问题走便宜模型、复杂问题走前沿模型。Lindy 更粗暴，直接整体迁移。Harvey 和 Cursor 则走了一条更深的路——**后训练（SFT）+自建生产模型**。Cursor 把开源模型 Kimi K2.5 微调成 Composer，效果逼近最贵模型但成本只有十分之一。这不是简单的“用开源替换闭源”，而是在模型层面做垂直适配：针对自身场景的高频任务专门优化，让通用模型失效的地方变得极其高效。这种方式的加持下，成本下降不是在消耗利润空间，而是在创造一个新的投入杠杆。

这个趋势给行业带来的启发非常明确：未来赢家不是靠单一模型，而是靠**多模型路由 + 定制化后训练的组合能力**。闭源模型会持续涨价，因为头部厂商要变现。开源模型会持续变好，因为社区的节奏比任何一个公司都快。真正聪明的 AI 团队不会绑定任何一家，而是学会在多个模型之间挑选、组合、甚至重新训练适合自己的专有版本。Unit economics 的竞争不再是“用谁的 API 更便宜”，而是“谁的推理架构允许我以最低成本获取最需要的智能”。对于创业者来说，如果你没有能力搭建这样的路由和后训练体系，你的成本曲线就会一直跟着涨价坡度走，而别人的曲线会随着替代粒度变细而越来越平。