如果一直等著週二的「大消息」，結果先看到一篇很長的使用量規則調整說明，心情當然很微妙。
2026年9月29日，Tibo表示，200美元的Pro方案將在9月30日重新開放新用戶訂閱，但依照新的使用量計算方式，以API費用等值衡量，大約只有舊版200美元Pro的一半。[1]
像是等煙火，結果先收到水電費計價方式變更通知。
但必須先分清楚：這不等於「所有模型的訊息數都統一砍半」。同一週，OpenAI宣布GPT-6 Sol與Luna的API價格比GPT-5.6促銷價低50%。[2][3]
供應商的邏輯是：
把API美元等值額度降低，同時把模型本身做得更便宜、更有效率，因此最終仍能完成更多工作。
數學上確實可能成立。
但使用者買的不是「API美元等值」，而是完成的工作。
1. 到底什麼減半了
Tibo的貼文說，Pro $200重新開放後，新usage計算相較舊方案會落在一半的API spend等值。[1]
同時，他表示不會恢復5小時限制，週額度仍能由使用者自行安排，未來模型效率與API降價也會回饋到訂閱，另有不消耗usage的新功能將公布。[1]
9月22日推出的GPT-6 Sol與Luna，官方稱API價格比GPT-5.6促銷價降低50%。[2] 9月29日的官方價格頁也可確認目前價格。[3]
假設舊額度為B，一項工作的API等值成本為C，舊吞吐量約為B/C。
若新額度變成0.5B，而同一工作成本也降到0.5C：
0.5B ÷ 0.5C = B ÷ C
理論吞吐量不變。
問題是，真實AI工作並不均勻。
2. 使用者在意的是「完成幾件」，不是「值幾美元」
100個短問題和一次大型程式庫修復，不能只看請求次數。
長上下文、深度推理、工具呼叫、測試、重試與代理迴圈，都會讓單一任務迅速變重。
所以重度使用者真正關心的是：
這週還能完整做完幾個大工作？
實用價值更接近：
完成工作數 ÷ 月費
模型再聰明，如果工作跑到一半就沒額度，完成產物仍然可能接近零。
3. 「體感只有Opus的百分之一」不是基準測試，但不滿的結構是真的
做長時間代理工作時，不同服務的限額差可能極端到很有感。
一邊能連續跑多個長任務，另一邊可能一個大任務就快把油箱燒乾。
「百分之一」當然不是正式量測值。任務、方案、模型、上下文都會改變結果。
但真正重要的是工作粒度與限額設計是否匹配。
5分鐘的小工作可以切開使用。
30分鐘、1小時、還要反覆修復和測試的工作，一旦中途斷掉，損失就很大。
因此模型價值還要看：
- 單一工作能否跑到底
- 失敗後能否續跑
- 一週能完成多少件
- 更換模型後是否需要重建系統
4. 現在比較像「設備建設期」，不是「AI消費期」
沒有人知道目前的高性能AI訂閱以後會漲價、降價、收緊或改成另一套限制。
能確定的是：使用條件不是固定資產。
今天的大方，不是自然法則。
因此最浪費便宜推理的方式，是進行大量有價值的對話，最後只把成果留在聊天紀錄。
更強的做法，是用今天的推理去減少明天需要的推理：
- 自動化重複研究與收集
- 把反覆說明的判斷標準寫成規則與契約
- 把人工目視檢查改成測試與評估器
- 把一次性巨大任務拆成可恢復階段
- 將結果、證據與狀態存到聊天之外
- 以薄適配層隔離不同模型供應商
- 紀錄各模型對不同工作類型的真實成功率
一句話：
趁AI便宜，讓AI蓋出即使它以後變貴也能繼續運作的工廠。
5. 分清楚會消失的消費與會留下的資產
| 會消失的使用 | 會留下的資產 |
|---|---|
| 每次重講背景 | 儲存工作規格與規則 |
| 每次叫模型人工檢查 | 自動測試與評估器 |
| 一個超大提示詞跑到底 | 有checkpoint的分階段流程 |
| 看完答案就結束 | 儲存產物、證據與狀態 |
| 全部工作都用最強模型 | 便宜模型優先，不夠再升級 |
| 累積單一供應商的魔法提示詞 | 共通工作契約 + 薄適配層 |
| 額度用完就停 | retry、resume、handoff |
FrugalGPT的研究顯示，按問題選不同模型的級聯策略，在其評估任務中能以大幅較低的成本接近最佳單一模型的表現。[4]
2026年的成本感知路由研究也採用先用成本較低模型、品質不足再升級的方式，在測試中維持最強模型97%至99%的準確率，同時提升服務效率。[5]
6. 最小的可移轉架構
不必一開始就做複雜的多雲。
把六件事拆開即可：
- 工作契約：定義輸入、輸出、完成條件，不寫死模型名稱。
- 供應商適配層：集中處理OpenAI、Anthropic等差異。
- 狀態儲存：記錄工作做到哪裡。
- 產物儲存：程式碼、文件、證據都離開聊天室保存。
- 評估器：不要直接相信「完成了」，要實際測試。
- 路由器：先用最便宜且夠用的模型，不夠再升級。
Microsoft的Well-Architected指南同樣建議降低緊耦合依賴，並將領域邏輯與基礎設施特有功能分離。[6]
7. 高性能模型便宜時最值得做什麼
最值得的是會在這次對話結束後持續產生價值的東西。
- 自動化定期研究、整理、測試、發布與統計
- 加入retry、resume、checkpoint、冪等與去重
- 把「做好一點」變成可測試的品質標準
- 紀錄工作類型、模型、成功率、重試、時間與使用量
- 預留未來切換模型供應商的入口
如此一來，未來價格改變只是路由權重調整，不是整套重寫。
8. 最容易過時的最佳化
不要把「把額度全部燒光」當成目標。使用量不是成果。
不要過度依賴一次性巨大任務，它最怕限額變更與中斷。
不要讓只有某一模型才懂的玄學提示詞越長越多，那也是一種鎖定。
也不必預測哪家公司一定會漲價。
與其猜未來，不如做一個多種未來都能活的系統。
9. 結論——訂閱福利是天氣，系統才是房子
200美元方案改變使用經濟，生氣很正常。
看到其他服務能完成更多真實工作，也很容易產生巨大落差。
但如果生產力完全綁在今天的價格表上，每次供應商公告都會變成營運事故。
更穩的策略，是把今天便宜的智能轉成長期資產：
程式碼、測試、評估標準、資料、自動化、可恢復流程、可替換模型的連接層。
不要假設今天最強的模型永遠最強。
也不要假設今天便宜的訂閱永遠便宜。
趁智能還便宜，先把「不便宜之後也能活」的系統蓋好。
這才是這個時期真正值得搶的機會。
參考資料（6筆）
- Tibo (@thsottiaux), X post, 2026-09-29, announcing the 2026-09-30 reopening of Pro $200 and the new usage calculation x.com
- OpenAI, “Introducing GPT-6 Sol and Luna”, 2026-09-22 openai.com
- OpenAI API, “Pricing”, checked 2026-09-29 developers.openai.com
- Chen, Lingjiao; Zaharia, Matei; Zou, James, “FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance”, Transactions on Machine Learning Research, 2024 openreview.net
- Moslem, Yasmin et al., “Cluster, Route, Escalate: Cascaded Framework for Cost-Aware LLM Serving”, arXiv, 2026 arxiv.org
- Microsoft Azure Well-Architected Framework, guidance on reducing tightly coupled dependencies and separating domain logic from infrastructure concerns, checked 2026-09-29 learn.microsoft.com
