7月30日，OpenAI 釋出價格調整公告，將其 GPT-5.6 Luna 模型價格下調 80%，Terra 模型下調 20%，並首次公開建議開發者：複雜任務先用 Sol 模型完成需求分析與方案設計，再交由 Luna 執行程式碼與測試。這一動作被解讀為 OpenAI 開始主動引導使用者按任務難度選擇模型，而非一味追求最強效能。

就在一週前的 7月24日，Anthropic 也釋出了 Claude Opus 5，其定價（百萬 token 輸入 5 美元、輸出 25 美元）恰好是自家旗艦 Fable 5 的一半，並強調能以一半價格獲得接近旗艦的推理能力。兩家頭部 AI 公司幾乎同時降低旗艦模型的商業權重，被市場視為一種默契：旗艦模型負責證明技術領先，而真正承擔營收的是中低端走量模型。

這一策略轉變的背景在於，企業客戶每天產生數百萬次 API 呼叫，高頻任務（客服、搜尋、程式碼生成、Agent 執行）消耗了絕大部分 token，採購決策更看重單次任務成本與穩定性，而非 Benchmark 排名。當呼叫規模達到每日數千萬級別，旗艦模型的微弱智慧優勢會被巨大的算力開支抵消。OpenAI 的降價與建議流程，本質上是在設計一套“模型分工體系”：Sol 負責規劃，Luna 負責執行，企業購買的是一整套模型組合，而非單一最強模型。

更值得注意的是，OpenAI 在技術說明中提到，此次降價並非單純因為採購更多 GPU，而是模型開始參與最佳化自身：在人類工程師帶領下，Sol 自主重寫並優化了底層生產核心，設計了數百個實驗提升 token 生成效率，並參與監控訓練流程。結果是端到端執行成本下降 20%，token 生成效率提升 15%。這開啟了一個自我加速的迴圈：模型越聰明，最佳化能力越強，成本下降越快，呼叫量越大，資料越多，模型進一步進化。

回顧 OpenAI 過去兩年半的價格曲線：GPT-4 首發輸入價為 30 美元/百萬 token，GPT-4o 降至 5 美元，GPT-4o mini 做到 0.15 美元，如今 Luna 定價已貼近早期 mini 的廉價區間，但智慧水平遠超兩年前的 GPT-4。兩年多時間，價格下降了接近兩個數量級。如果模型持續參與最佳化，這條曲線大機率還會繼續下行。

這一趨勢與雲端計算的發展路徑類似：企業不會把所有資料放在最貴的 SSD 上，而是按熱、溫、冷分層儲存。AI 應用同樣開始按任務重要性和出錯代價匹配不同模型。DeepSeek 此前已強調“便宜、夠快、夠用”，並押注企業需要的是綜合 ROI 最高的部署選項，而非世界冠軍。如今 OpenAI 與 Anthropic 的跟進，驗證了這一商業路徑的必然性。

從商業模式看，OpenAI 真正想賣的不再是模型本身，而是呼叫量。微軟靠 Windows 滲透率賺錢，AWS 靠海量應用跑在其上賺錢，平台收入依賴滲透率而非單品高價。Sol 價格未動，承擔品牌價值；Luna 則成為收入引擎。一旦開發者形成“預設用 Luna”的習慣，企業遷移底層模型的成本將越來越高，護城河從能力領先轉向生態粘性。

這場轉變的深層含義在於，AI 行業正經歷規模經濟拐點：單位算力成本驟降，但 token 總需求指數級增長。旗艦模型不再決定方向，技術演進重心從探索智慧上限轉向算力工業化降本。當 API 呼叫成本低至可忽略，模型的形態與邊界將淡化，企業將 AI 無縫嵌入每個業務流程。API 價格的雪崩推高了軟體工程的遷移成本，一旦工作流、Agent 排程網路和自動化資料管道建立在低成本模型組合之上，底層模型提供方就鎖定了未來十年的算力管道。

過去大模型公司賣的是“智慧”，現在開始賣“效率”。這不僅是價格戰，更是商業模式的根本切換。正如電力最終成為無處不在的基礎設施，AI 或許也將從被熱議的旗艦產品，演變為預設呼叫的“水電”。