落地转型

存量产品厂商未必需要推倒重来，Atlassian的做法显示在旧工作流上加装AI能跑通，真正约束在人员结构与决策分工。

• 影响已有产品与既有工作流可直接加装AI起步，不必推倒重建；全员AI builder团队缺少决策角色会空转，PM与设计师的把关反而更重；招聘两端加重后，中间层员工面临更大转型压力。
• 参考可考虑选一个已有成熟人工流程的场景，加装单个agent步骤并记录前后耗时；值得盘点PM、设计师与工程师的配比，估算AI提产后决策带宽是否够用；招聘可参照两端加重的结构先小范围调整。

AI 销售智能体承接销售文书工作的样板已经出现，运行成本靠模型路由快速下探，但这是 OpenRouter 为自家 Ori 做的背书内容，数字需按自报口径看待。

• 影响围绕每通电话的会前准备、笔记和 CRM 录入约占 1 小时，交给智能体后销售每天可多排 2 通电话；线索分诊从占用一整个人降到约 25% 工时；成交与赢单率的提升混有同期定价和市场变化，复制时不能照抄数字。
• 参考可考虑按同样口径拆解自家销售流程，先算出会前准备、笔记和 CRM 更新各花多少分钟；值得盘点哪一整个人在做线索分诊，评估哪些环节先交给智能体；敏感判断和最终发送保留人工确认作为底线。

生产级智能体的成熟方向是规则化，把确定性环节交给代码，模型只保留人原本做判断的部分，搭建投入可以很小。

• 影响销售漏斗顶部这类流程确定的功能可用极小投入自动化，一名兼职工程师加每年约 1000 美元即可跑通；岗位会向上移动，SDR 提前转向 outbound 对话；业务扩张会推高提示词复杂度，规则与判断的边界需要持续维护。
• 参考可考虑先盘点自家线索处理中的确定性环节，把规则交给代码、只把判断留给模型；试点期可借鉴其做法，先全量复核再过渡到按比例抽检；值得同步测算自动化与人工的成本对比。

便宜优先路由的实质是把质量把关从模型平台转移到应用侧，省钱是否成立取决于检查和度量做得如何。

• 影响客服 FAQ 占比高的场景有降低模型支出的空间；平台只在报错时切换模型，格式正确但内容错误的回答不会触发重试，质检与升级逻辑需自建；分类器调用、二次请求和被丢弃的草稿都会增加成本与延迟。
• 参考可考虑先用留出的客服问题对比便宜优先、只用便宜模型和只用强模型三种方案；值得先算出升级率、每工单成本和全轮延迟，再决定在哪些问题类型上开启升级。

大型金融机构的 AI 应用正从单点试点转向全行规模部署，开发工具渗透率成为可量化的落地指标。

• 影响软件开发和客服知识检索是该行率先规模化的场景，可作为同业选型的对照；开发工具渗透率目标给出了行业推进速度的参考；强监管环境下治理与人工监督被双方视为规模化部署的前提条件。
• 参考可考虑对照本机构开发团队的 AI 编码工具渗透率，评估与 Barclays 50% 目标的差距；值得盘点客服知识检索和邮件分拣场景的现行人工耗时，测算同类部署的收益空间。

智能体选型的实质正从追榜单最高分转向按任务门槛采购够用的能力，真实成本差要靠自有样本测出来，而不是按牌价估算。

• 影响大批量常规任务可换便宜模型压成本；合规、医疗等高门槛任务仍要为前沿模型付费；智能体循环里每次工具调用与重试都计费，单个任务成本会数倍于单次对话。
• 参考可考虑按任务清单各取 20-50 条自有样本，跑便宜、中档、前沿三档模型并算出每质量点成本；值得按门槛给任务分档配置模型，并在候选模型更新或调价后重跑脚本。

把选模型的决策从固定规则变成用自家错误率数据测量和重调的阈值设置，降本与准确率可以显式权衡

• 影响多数请求可留在便宜模型上，只对低置信请求支付第二次调用成本；升级请求多一轮往返会拉高延迟；模型版本或流量构成变化会使阈值失效，需要持续监控重调
• 参考可考虑先取一批代表性流量跑便宜模型，按分数段统计错误率找出自己的切点；再按任务类型的出错代价分别设阈值；上线后记录分数分布、升级率和未升级答案错误率以便重调

团队共享智能体把个人助手升级为承载共同记忆与流程的协作基础设施，厂商开始按职能角色打包交付。

• 影响团队知识沉淀进共享 Bot，人员轮换时的交接成本可降低；Bot 凭据与插件直连业务系统，数据访问边界需要重新划定；目前仅开放 Teams 与 Enterprise 付费计划。
• 参考可考虑先用预置模板在销售账号简报或一次性数据分析场景试点，记录人工耗时对比；值得盘点团队现有的技能库与数据凭据，评估哪些可交给共享 Bot。

在小数据分类任务上，小型判断模型加置信度级联已能以不到三成成本逼近前沿模型，差距可压到 0.4 点内。

• 影响意图识别、工单打标这类高频低延迟场景有了量化的成本参照；Opus 开 prompt caching 后每千次从约 $19 降到 $2.42，缓存策略直接影响账单；级联阈值需用自有流量重定，文中数字是该次测试的上界。
• 参考可考虑挑一条量大、时延敏感的分类链路，先算出自家每千次成本与准确率曲线，再定 Jev 置信度阈值；值得复核现有用前沿模型做分类的调用是否已开 prompt caching。

OpenRouter 把延迟容忍变成了价格杠杆，能接受异步返回的离线批量任务可把 token 成本按半价重算，官方观测等待多为分钟级。

• 影响语料标注、补齐嵌入、评测打分、工单摘要等离线批量任务的推理成本可按半价预算；只适用于能接受响应时间波动的场景，实时业务不适用；图片和文件须用公开 URL，敏感数据上批前需要先核对数据边界。
• 参考可考虑先盘点可延迟的离线任务清单，把嵌入补齐和评测打分类工作迁到批处理；值得用真实负载试运行一批并记录实际完成耗时，同时避开太平洋时间早 5 点到中午的提交时段。

客服的产能约束正从招聘规模转向人机协作设计，这份厂商自述给出了 Agent 承接工单全流程的落地样本。

• 影响工单量增长175%而无需等比增员，客服人力预算的规划基准需要重算；单均解决成本$0.20至$0.30量级会改变与外包和传统AI工具的比价；数字全部为厂商自述口径，引入前需先自建评估。
• 参考可考虑先给工单分类，把最简单一类作为试点，逐日人工复核后再扩大范围；值得算清自家单均解决成本，与文中$0.20至$0.30对比；可参照先限内部备注、后放开直接回复客户的分步上线节奏。

选项固定的判断类任务出现了成本仅为通用 LLM 四分之一到百分之一以下的专用模型路径，写作环节仍需 LLM 承担。

• 影响客服分诊、升级判定和注入筛查环节的模型成本与延迟有数量级压缩空间；低置信度和高风险请求仍需回流人工，人力编排要同步设计；决策模型只读文本且对规则描述敏感，输入需先做清理。
• 参考可考虑先盘点代码里以 JSON 解析加 switch 收尾的 LLM 调用，作为第一批替换对象；用一两百条已标注工单跑出准确率随阈值变化的曲线后再定 cutoff；写回复的分支保留 LLM，发送前由决策模型按政策文本核验草稿。

图像生成模型的标价互相不可比，选型关键从比价转向实测实扣，参数设置对账单的影响可以超过模型选择本身。

• 影响电商产品图、营销素材等批量出图的单张成本可压到 $0.014 量级；quality 与提示词长度会放大按 token 计费模型的账单；品牌套图要先核对参考图上限，上限低的模型直接出局。
• 参考可考虑先按文字标签、参考图数量、是否需要图文同答等硬约束筛掉不合格模型，再用自家提示词各跑一次并读取 usage.cost 对比实付；OpenAI 模型预算需注明 quality 档位。

AI 转型的门槛不在工具而在组织重构，微软把自身转型经验整理成 Frontier Playbook 并借 Frontier Company 对外输出。

• 影响效果案例均依赖端到端流程重构、员工技能投入和经理示范，组织改造先于工具部署；ROI 衡量需从使用率转向业务结果与先行指标；文中数字为内部口径且限于特定流程，跨企业复制不可直接类推。
• 参考可考虑先选一两条核心流程做端到端梳理，再决定在哪里部署 agent；值得给试点团队配经理示范和同行分享机制；先把 ROI 指标从使用率扩展到业务结果和先行指标。

数据驻留从法务审查项下沉为网关的路由配置问题，也让中国开源权重模型进入受合规约束企业的选型范围。

• 影响有美欧数据驻留要求的团队多了一条合规使用中国开源权重模型降本的通道；区域端点只覆盖部分模型，接入前模型可用性要重新核对；功能限高阶付费套餐，API 支出结构会受影响。
• 参考可考虑先梳理在用模型清单并对照 us/eu 端点的区域覆盖情况；有降本目标的团队值得在 us.openrouter.ai 实测 DeepSeek V4 Pro、Kimi K3 的价格与表现；评估其他网关时先问清解密位置和服务器工具运行地。

采购这类数据齐全、比价空间明确的重复性职能，正在成为企业级 Agent 交出可量化收益的场景，但所有数字出自 xAI 自述。

• 影响闲置席位、例行续约与重复采购这类值得做但人力不划算的支出工作，可交给 Bot 持续处理；企业要为此开放 Slack、Ramp、Gmail 等内部系统权限，数据边界需提前划定；xAI 对花钱、签条款、联系供应商保留人工审批，说明人审环节短期省不掉。
• 参考可考虑先盘点 SaaS 席位与最近 90 天使用数据，算出闲置支出规模；值得挑一个续约或例行采购场景做 Bot 比价试点，并事先写明哪些动作必须人工批准。

Meta 把推理折扣变成按 token 计价的训练数据收购，把消费级订阅里隐性的数据补贴明码标进了企业 API。

• 影响选择贡献档的工作负载，按牌价算推理支出可降到原价一成以内；受 SOC 2、HIPAA 等合规约束的企业要为隐私条款支付明确溢价；数据训练权成为 API 合同里需要逐条谈判的条款。
• 参考可考虑先按自家输入输出比折算两档年度差额，算清数据让渡值多少钱再选档；受合规框架约束的团队，值得让法务把零数据保留与训练权条款列入采购评审清单。

视频分析从固定帧率整段通读转向模型自主按需检索，长视频处理在成本与质量之间的取舍被重新定价。

• 影响做监控回看、培训视频、长会议记录这类长视频处理的团队，token 开支有明确压缩空间；此前需手动编写检索循环的开发工作量也可减少；计费仍按标准 token，成本模型容易重算。
• 参考可考虑拿自有长视频样本对比静态与 agentic 两种模式的成本和准确率，先算出 token 差异；值得盘点现有视频流水线中手动实现片段检索的代码清单。

选模型的比较单位正在从每 token 标价转向每完成任务的实际成本，选型也从一次性决定变成需要定期复测的运营流程。

• 影响按每 token 最低价采购可能反而买到更高的总成本，测算需计入重试与成功率；新模型发布频繁，选型需要安排复测节奏或改用按请求路由；同一模型在不同供应商处的价格、速度与可靠性存在差异，上线前应核对。
• 参考可考虑把现有 AI 调用按任务类型拆分，用真实工单和文档等难例算出每千次完成任务的成本；值得为关键场景保留一份可复跑的评测，新模型发布后重跑对比，或评估 openrouter/auto-beta 按请求路由方案。

安全防御的竞争点从产出更多告警转向持续感知、推理与自动处置，防御自动化进入智能体阶段。

• 影响漏洞排查与处置环节可交由智能体分担，安全团队人力重心或从盯告警转向审核与监督；多模型按任务选型会改变安全防护的成本结构；系统处于公共预览阶段，接入生产需先评估处置权限与数据边界。
• 参考可考虑在 8 月 3 日公共预览后选一个漏洞管理场景试点，记录排查耗时与误报对比；值得先盘点现有安全产品可执行的动作清单，划定智能体自动处置的权限边界。