<mark id="oztn4"></mark>
0
作者丨樊天驕、鄭佳美
編輯丨鄭佳美
這兩天，微軟連續釋放了兩條重磅消息。
第一條來自產品層面。微軟宣布 Copilot Cowork 在全球正式上線。這款能夠跨 Outlook、Teams、Excel 等應用自主執行任務的 AI Agent 系統將正式商用。據微軟披露，超過一半的《財富》500 強企業已經在預覽期進行了部署。
第二條則來自商業模式層面。Copilot Cowork 將不再完全沿用每月 30 美元的固定訂閱模式，而是開始引入按使用量計費機制。
幾乎在同一時間，Axios 又披露了一則消息：微軟正評估將 DeepSeek V4 引入 Copilot Cowork，作為低成本模型選項。如果最終落地，這將成為美國大型科技公司首次在核心企業級 AI 產品中引入中國大模型。
這兩條消息似乎釋放出一個信號，即Agent 的普及正在讓 AI 的成本問題變得前所未有地突出。
過去的聊天機器人更像一次性服務。用戶提問，模型回答，任務到此結束。而在 Agent 模式下，一個任務往往需要經歷任務拆解、數據檢索、工具調用、結果生成和反復修正等多個環節。用戶看到的是一次任務交付，系統背后卻可能已經完成了數十次甚至上百次模型調用。
當下的模型市場價格體系也在迅速拉開差距。從 Anthropic 高端模型每百萬 Token 數十美元的推理成本，到 DeepSeek V4 Flash 每百萬 Token 不足 0.3 美元，價格跨度已經達到數百倍。
當任務量持續增長、模型價格不斷分化，企業需要解決的問題便不再是“選擇哪個模型”，而是“什么任務應該使用什么模型”。模型路由、成本控制和資源調度，也因此開始從后臺基礎設施問題，走向 AI 產品競爭的核心位置。
01
要理解微軟此次架構重構的必要性，首先需要看到一個正在發生的變化：Agent 正在改變 AI 的成本結構。
在傳統聊天式 AI 中，用戶發起一次請求，系統返回一次響應。而固定訂閱模式之所以能夠成立，本質上依賴于一種成本平均主義：即少數重度用戶所消耗的 token，會被大量低頻用戶的閑置額度所攤薄。雷峰網
但 Agent 打破了這一平衡。以 Copilot Cowork 為代表的新一代 Agent 的工作模式已不再是單次問答工具，而是持續運行的任務執行系統。一次簡單的“整理客戶反饋并生成報告”，背后可能涉及任務拆解、企業數據檢索、工具調用、內容生成與多輪修訂等多個環節，對應數十次甚至上百次模型調用。
微軟 Copilot 產品負責人 Aparna Chennapragada 透露，部分用戶每周會讓 Agent 執行數百項任務。在這種模式下，重度用戶的算力消耗可以達到普通聊天用戶的數百倍甚至上千倍。
而這種變化已經反映在真實生產數據中。Vercel AI Gateway 的統計顯示，不足四分之一的請求包含工具調用，但卻貢獻了超過一半的 Token 消耗；與此同時，Agent 類請求的平均 Token 密度約為普通對話的 2.5 倍。換句話說，AI 成本不是均勻分布的，而是高度集中了在少數復雜任務之中。
除此之外，模型市場本身也在快速分層。雷峰網(公眾號：雷峰網)
高端模型價格持續攀升。Anthropic Fable 5 的定價達到輸入 10 美元、輸出 50 美元/百萬 Token；而另一端，DeepSeek V4 Flash 的價格僅為輸入 0.14 美元、輸出 0.28 美元/百萬 Token。整個市場的輸出價格跨度已經達到約 180 倍，若按照部分場景價格計算，能力與成本之間的價差甚至超過 600 倍。
這意味著企業面對的已經不再是用貴模型還是便宜模型的問題，而是一條覆蓋數百倍成本差異的能力光譜。如何讓不同復雜度的任務匹配不同成本層級的模型成為了一個新的工程問題：
當算力成本從可預測變量演變為持續波動的結構性風險后，如何通過定價、路由和架構設計，讓它重新回到可管理、可控制的范圍之內。
02
面對 Agent 帶來的成本失控風險，微軟進行了一次圍繞計費、觀測與調度的系統性重構。
最先被改變的是定價邏輯。在新的 Copilot Cowork 體系中，用戶仍需支付 Microsoft 365 Copilot 的基礎訂閱費用，但 Agent 的額外消耗將按照實際資源使用情況單獨計費。
微軟將任務成本拆解為模型調用、上下文檢索、工具使用和運行時長四個維度，并提供按需付費（PAYG）與預購套餐（P3）兩種模式。通過基礎訂閱覆蓋穩定需求，按量計費則對應 Agent 帶來的增量消耗。
固定訂閱模式的問題在于，由于價格統一，用戶無法感知價格背后的資源消耗；而純按量計費則會放大預算不確定性，增加企業采用門檻。當模型調用、工具使用和運行時長被拆解為可量化指標后，算力第一次從后臺資源變成了可以被觀察、管理和優化的經營成本。
但成本被看見之后，一個新的問題隨之浮現：這些預算應該如何分配？
一端是 GPT、Claude 等高端模型持續突破能力邊界，另一端則是 DeepSeek 等開源模型不斷壓縮推理成本。從旗艦模型到低成本模型，價格跨度達數百倍，但模型能力的差距卻遠沒有價格差距那樣夸張。
一味購入旗艦模型未必是一個盈利的選擇，大量辦公、檢索和流程自動化這樣的場景下，性能提升帶來的邊際收益，往往不足以支撐數倍甚至數十倍的成本增長。
微軟推動模型分層路由，本質上正是在順應這一變化。
對于復雜任務，系統調用 GPT 或 Claude 等旗艦模型；對于常規工作流，則優先使用 DeepSeek 或自研模型；而路由系統負責在質量、成本與響應速度之間尋找最優解。
這也是納德拉近年來反復強調多模型生態的原因。Azure AI Foundry 已經集成 GPT、Claude、Gemini、DeepSeek 等多個模型體系，而即將推出的 Cowork 1，則進一步補全了微軟在低成本辦公場景中的能力布局。
從這個角度看，微軟正在構建的并不是一個由單一模型驅動的 Agent 平臺，而是一套面向 Agent 時代的智能調度系統。當模型能力逐漸趨同之后，競爭焦點也將隨之轉移：決定企業優勢的，或許不再是誰擁有最強模型，而是誰能夠以最低成本，將最合適的模型部署到最合適的任務之中。
03
成本控制，只是第一步。降低成本后的質量問題才是這套體系穩定運行的關鍵。
對于任何企業級 AI 產品而言，降本的前提始終是質量能夠滿足實際業務需求。如果低成本模型無法完成工作，那么再低的價格也沒有意義。所以，在將 DeepSeek V4 引入 Copilot Cowork 的同時，微軟也在構建一套與成本控制并行的質量保障體系。
首先，對于微軟來說 DeepSeek 并非默認模型，而是作為可選方案存在。對于高復雜度任務，企業仍然可以選擇 Claude 等旗艦模型。這意味著微軟并沒有試圖用低成本模型替代所有模型，而是在不同能力層級之間建立分工。
Copilot Cowork的模型選擇界面
其次，DeepSeek V4 完全部署在 Azure 云環境中，數據始終留存在微軟基礎設施內部，受到企業級安全、合規與數據駐留策略保護。對于企業客戶而言，這種托管方式的重要性不亞于模型能力本身。
更重要的是，微軟針對企業場景進行了額外的安全對齊與偏見治理微調（fine-tuning with safeguards against bias），確保模型輸出符合企業級應用標準。
這些措施背后反映出一個越來越清晰的行業判斷：并非所有任務都需要最頂級的大模型能力。對于文檔整理、信息檢索、代碼補全和流程自動化等高頻辦公場景而言，經過針對性優化的開源模型已經能夠達到“足夠好”的水平。而真正昂貴的旗艦模型，則被保留給復雜推理、關鍵決策以及高風險業務場景。
這也是 Cowork 1 的定位邏輯。微軟將其描述為“post-trained to handle tasks at a substantially lower cost”，即通過后訓練讓模型以更低成本完成特定任務。
這其實是對大模型資源的重新配置：讓針對辦公場景優化的模型處理辦公場景任務，讓最昂貴的算力資源只服務于真正需要高階智能的場景。
04
過去兩年，大模型行業的主流敘事仍然是“模型能力競賽”——誰更強、誰分數更高、誰率先突破能力邊界；而到了 2026 年，競爭重心正在悄然轉向另一條軌道：成本工程化能力。
微軟對 Copilot Cowork 的重構之所以具有行業意義，在于它代表了一類大廠正在形成的共識：當 AI 從“可選工具”演化為持續運行的 Agent 系統后，企業必須同時管理三件事——模型能力、算力成本與系統調度能力。
從這一點看，微軟所構建的路徑，可能正在成為未來大廠的標準范式：通過定價機制讓成本顯性化，通過模型分層壓縮平均推理成本，通過多模型生態分散供應鏈風險，再通過路由與抽象層實現系統級調度，使 AI 架構從“模型中心化”走向“系統工程化”。
這一趨勢也已經開始在企業側顯現。AT&T、Meta、Uber、沃爾瑪等公司正在逐步限制員工 AI 使用強度，從鼓勵“最大化使用”轉向主動控制 token 消耗。這更像是一種工業化階段的必然結果——當成本曲線開始反向約束技術擴張時，工程能力就會取代模型能力，成為新的核心競爭力。
或許，從Tokenmaxxing到Tokenminimizing，AI 的下半場競爭不再是誰的模型更強，而是誰能夠在可控成本下，持續釋放更高的系統效能。
參考鏈接：
https://vercel.com/blog/ai-gateway-production-index-june-2026?
上車，帶你看遍全球 AI 頂會精華
可獨家暢覽：
專家演講PPT
大會報告全文
熱門論文解讀
學術新星訪談
掃描上方二維碼
或點擊「閱讀原文」關注專區。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
