前两天在HN上翻到一条新闻给我看愣了一下。Meta内部开始限制AI token消费了。不是缺钱那种限制，是AI支出一年就逼近百亿美元量级，再不控就扛不住了。
同一周FT出了一篇报道，「Companies rein in AI usage as costs strain budgets」，说的也是同一件事，企业AI支出正在压垮预算，CFO们开始动手砍了。
然后我又看到另一条，Ploy这家公司把他们的AI Agent从Claude Opus 4.8迁移到了GPT-5.6 Sol，结果呢，速度提升了2.2倍，成本降低了27%。不是一个产品级别的优化，就是换了个模型。
三条信息放在一起，我突然觉得，这里面藏着一个很多人没注意到的机会。
企业正在AI上花冤枉钱，花得越来越多，但很少有人知道怎么优化这笔花销。能做这件事的人，就是AI费用优化顾问，一个我自己判断接下来两年增长最快的AI副业方向之一。
今天把我了解到的东西完整拆开聊一下。
说真的，这个需求的爆发比我想象中快得多。
先看几个数据你就明白了。Meta 2026年在AI上的投入逼近百亿美元，已经到需要内部限制token消费的程度了。它不是唯一一家，很多大型科技公司都在面临同样的压力。FT报道里说得更直白，企业AI支出增速远超预算规划，CFO们开始强制要求每个部门上报AI投入的ROI。
为什么会花这么多？我拆了一下，大概三个原因，
第一个，盲目选最贵的模型。很多公司上来就选Claude Opus或GPT-5 Ultra干活，但实际业务场景可能完全不需要那个级别的能力。做一个内部知识库问答，GPT-4o mini就够了，每月花在Opus上多出来的钱是白烧的。一个叫Frugon的开源项目（最近在HN上拿了150星）做的事情很简单，扫你的LLM调用日志，告诉你有多少请求可以用便宜模型替换。它的核心理念就一句话，「Your LLM bill is leaking」。
第二个，同时订阅多个平台。我见过一家做AI客服的公司，同时开了OpenAI、Anthropic、Google三个平台的订阅，团队七八个人各用各的，一个月光API费用就花了4万多美金。没人清楚总账。
第三个，模型选型没跟上。技术更新太快了。三个月前选的那个模型，现在可能已经出了替代品，又快又便宜几倍。Ploy的例子最典型，他们用了Claude Opus四个月，直到GPT-5.6 Sol出来才发现，换一下速度翻倍、成本降四分之一。这中间浪费了多少？
问题摆在这了，但大多数公司内部没人专门管这事。你说哪个CTO有空每天盯着OpenAI和Anthropic的定价页看更新？这就是机会。
说清楚一点，你做的不只是「帮企业省钱」。你提供的是一个完整的三层服务包，
审计层，盘点企业所有AI支出，API费用、订阅服务、Agent调用、内部开发用模型，算出每个场景的真实成本和ROI。
优化层，根据实际场景匹配最经济的模型方案。能换模型就换，能降级就降级，能切开源就用开源。
监控层，部署成本监控工具，保持费用透明，定期出报告。
听起来像大公司才需要的服务？恰恰相反。最需要这个的是中型企业和初创公司。他们的AI账单可能在几万到几十万一个月，看起来不多，但增速极快。而且他们没有专门的infra团队去管这件事。
我整理了一下，做这个服务需要的工具其实不算多，
Frugon，最近在HN上火起来的开源LLM成本分析工具，免费本地部署。它的核心功能是扫你的LLM调用日志，告诉你哪些请求可以用更便宜的模型替代，节省多少。用uvx就能一键运行，不支持在线数据，所有分析都在本地。GitHub 150星。价格，免费。
GoModel，另一个更成熟的AI网关，Go写的，GitHub接近1000星。支持OpenAI、Anthropic、Gemini、DeepSeek、xAI等几乎所有主流模型的统一接入，最大的亮点是内置成本和用量追踪。你可以把它当作公司的AI流量代理，所有请求经过它出去，支出一目了然。开源。价格，免费自部署。
OpenRouter或Manufact，多模型聚合平台。OpenRouter支持200+模型，按量计费，不用跟十几个供应商分别签合同。Manufact是YC S25的项目（111pts的HN话题），主打MCP Cloud，让模型选择更加灵活。如果你想快速测试不同模型组合，这些聚合平台是最省事的入口。
IonRouter（YC W26），高吞吐低延迟推理服务，72pts的HN热度。如果你客户的场景是需要高频推理的（客服、内容生成）。价格比传统供应商便宜不少，但目前排队中。
满打满算，工具成本一个月不到$50（约350人民币），而且大部分是免费的。
| 工具 | 用途 | 价格 |
|---|---|---|
| Frugon | LLM调用日志分析，找省钱机会 | 免费（开源） |
| GoModel | AI网关，统一管理+成本追踪 | 免费（开源） |
| OpenRouter | 多模型聚合接入，灵活切换 | 按量计费（无月费） |
| Manufact (MCP Cloud) | MCP集成+模型调度 | 按使用量 |
| IonRouter | 高吞吐低延迟推理 | 按量计费 |
工具成本几乎为零。你需要投入的主要是时间和专业判断力。
先别想着服务大企业。你的最佳客户是年营收500万-5000万的中小企业。具体判断标准，
公司已经在用AI（API调用或订阅ChatGPT/Claude等）。团队里没有专职的AI infra工程师。CTO或技术负责人能感受到AI支出在涨，但不清楚具体涨了多少，花在哪。符合这三条，就是你的目标客户。
最容易切入的三个行业我排了一下，SaaS公司，AI调用量大，API账单最乱，优化空间最大。AI客服/服务外包公司，大量重复调用，最适合用量化方式降本，客户对利润敏感，省钱就是增效。电商/营销技术公司，用了大量AI做内容、广告、数据分析，模型选型混乱。
建议分三档定价，这样客户自己就能选，不用你老去解释，
审计档（¥2,000-3,000/一次性），盘点全部AI支出，输出费用审计报告，标注每个场景的优化建议和预期节省金额。工期一周。
优化档（¥5,000-8,000/月），包含审计档的全部内容，加上帮你执行优化方案（更换模型、配置GoModel网关、推荐最优组合），每月出一次费用报告。工期两周上线，后续每月维护。
托管档（¥10,000-20,000/月），全部+实时监控（GoModel仪表盘）+ 自动模型路由配置 + 月度深入优化和趋势分析 + 紧急问题响应。适合AI支出在10万/月以上的公司。
我算过，一个中等规模的SaaS公司，AI月支出3-5万，优化后通常能省30%-50%。一个月省1-1.5万。你收5-8千的服务费，客户赚一半，你也赚一半。双赢。
不要一上来就推三档套餐。先用你自己的AI账单（或者帮朋友的公司）做一个mini审计，
收集上个月的API调用日志，用Frugon跑一遍分析。Frugon会给你一份报告，标出哪些请求可以被更便宜的模型替换，预计节省多少。你可以拿这个报告做你的showcase。
我试了一下，把自己上个月用Claude Code的日志跑了一遍，发现有好几千次的请求其实完全可以用一个便宜得多的模型处理。节省比例大概35%。
看到自己的数据摆在面前，我给几个做技术朋友看了，他们第一反应都是，「卧槽，我能不能也扫一下？」
获取客户这件事，比想象中简单。你想想看，几个我自己验证过有效的渠道，
知乎/即刻发深度内容，写「我帮一个SaaS公司省了40%的AI费用」这种案例帖。数据说话，不要讲大道理。发完会有创业者主动来问是怎么做的。AI创业者社群/CEO群，很多群里的创始人都在抱怨AI太贵了。你直接说，「谁AI月支出超过1万的，我免费帮你审计半个月」，一个demo就能转化为付费客户。Upwork/Fiverr挂服务，关键词用「AI cost optimization」「LLM spend audit」「AI model migration consultant」。先去接几个低价单积累案例，有了数据再涨价。LinkedIn行业讨论，在AI infrastructure、AI Ops相关的帖子下面评论和分享你的审计经验。
做这个服务最核心的信任建立方式是数据。每次交付包含，
当前AI支出全景图（按模型、按部门、按场景拆分的费用表）。发现的机会清单（每个机会标注「预计节省金额」和「实施难度」）。实施路径图（先做什么后做什么，每一步的ROI预期）。优化后的效果对比报告（前后对比，节省了多少百分比和金额）。
数据不撒谎。你帮客户省下钱，他自己能看到。优化前的账单和优化后的账单放在一起，就是最好的销售材料。
这个服务天花板不低。按三档定价来算，
起步阶段（1-3个客户），假设3个优化档客户，月收入¥15,000-24,000。工具成本¥350，时间投入每周15-20小时。净利润¥14,000-23,000/月。
稳定阶段（5-8个客户），假设混合档位，月收入¥40,000-80,000。时间投入每周25-35小时（可能需要兼职辅助做数据采集）。净利润¥35,000-75,000/月。
扩张阶段（10+个客户+团队），可以做标准化工具，把审计流程做成半自动化产品，配合低价订阅。或者培养2-3个初级顾问帮你做执行，你专注客户获取和策略设计。
另外还有一条变现路径，做垂直行业版本的优化工具。比如搞一个SaaS行业的AI费用模板+GoModel配置一键部署，定价¥299/月的标准化产品。这个跟你做咨询服务不冲突，反而是一个从服务倒推产品的经典路径。
当然，起步阶段一定会有客户说「我怎么知道你优化的结果不是碰运气？」也肯定会有客户审计完发现优化空间很小的情况。这些在我试的过程中全碰到过。
说几个我自己遇到过的实际问题，
第一个坑，不要只看Frugon的省钱预测就报给客户。Frugon分析的是调用日志，但它不知道上下文。有些看起来可以降级的请求，实际可能因为延迟要求或质量要求不能降级。每次机器分析的结果必须人工筛查一遍，这步不能省。
第二个坑，模型切换后要做回归测试。Ploy在迁移到GPT-5.6的时候发现，三分之一的首轮失败是评估框架本身的问题，不是模型的问题。你这边的客户也有可能遇到类似情况，换完模型后一些功能表现变了。建议切换后保留一周的双模并行期。
第三个坑，GoModel部署需要公司配合。它不是SaaS，需要自己搭。小公司的技术团队可能不愿意为你的服务专门开个服务器。解决方法是直接用Docker Compose一键部署方案，我写了个脚本十分钟就能跑起来。
第四个坑，定价不要只按「节省比例」收。有些客户看完审计报告说「节省比例没想象中高，我为什么要付你服务费？」更好的定价策略是按固定月费，节省金额作为bonus激励。基础月费覆盖你的成本，节省部分抽成10-20%作为激励。这样客户没有心理压力，你也有动力做得更好。
第五个坑，关注开源模型迁移的机会。最近HN上有一篇407分的文章叫《There is minimal downside to switching to open models》，讲的是从闭源模型切到开源模型的成本优势。很多公司不敢切是因为担心质量下降，但最新的开源模型（像DeepSeek V4、Llama 4系列）其实已经在很多场景上接近甚至超越了闭源模型。帮客户做开源模型迁移，是你服务里利润空间最大的一个子项。
前两天翻HN上关于Claude Code的帖子，看到一条数据，Claude Code发一次请求光overhead就33k tokens，而OpenCode只要7k。差距快5倍。你算算，同样的事情，用不同的工具做，成本差了将近5倍。你敢信？？
很多人觉得AI的价格战已经结束了，定价都稳定了。但实际情况完全相反。模型端还在剧烈变化，GPT-5.6 Sol刚出来，DeepSeek也在推新的定价模式。这整个市场还非常不成熟。不成熟的市场里，信息差就是最大的套利空间。
你的工作本质就是一个角色，帮企业弥合这个信息差。你在做的事情，放在任何行业里都是最值钱的咨询服务。
我之前写过一句话，「信息差永远是亘古不变的」。在AI费用优化这个方向上，这句话尤其真切。
企业知道自己花了很多钱，但不知道哪里能省、怎么省。你能做的就是那些事，盘点清楚、找到优化点、落地执行。不需要你是什么AI专家，你只需要比客户更了解当前模型市场的最新定价和替代方案。
而且这个市场还在加速膨胀。现在已经有Meta百亿美元级别的AI预算问题了，接下来会有更多公司面临同样的问题。谁先帮他们解决，谁就站住了这个生态位。
磨平一些信息差。
💡 我整理了一份AI费用优化服务的「工具包+起步指南」
包含Frugon和GoModel的一键部署脚本、审计报告模板、客户提案PPT框架、三档定价话术以及3个获取第一批客户的实操方法。微信扫码或搜索「AiToollab」关注公众号，回复「AI费用优化」获取。
需要一定技术基础。至少要有基础的API调用和JSON数据处理经验。GoModel和Frugon的部署需要能看懂Docker和命令行，但不需要是资深工程师。如果你完全不懂技术，建议先花两周学一下基础（Docker、命令行、API概念），然后用Frugon的uvx零安装模式跑第一个demo。GoModel也有Docker Compose一键部署方案。核心能力不是技术本身，而是对模型市场定价的敏感度和数据分析能力。
审计档一次性7-10天。优化档第一月3-5天密集工作，之后每周2-4小时维护。托管档每周5-8小时。如果客户AI支出比较大或者场景复杂，时间会多一些。总体来说是投入产出比很高的服务。
最好的方式是自己先做一个小demo。找身边在用AI的朋友或公司，用Frugon跑一份审计报告。有真实数据比任何口头承诺都有说服力。一个可参考的案例，Ploy的公开数据是迁移后2.2倍速度提升、27%成本降低，可以拿来当行业参照。
这很正常。很多公司知道自己花得多但不愿意动，因为存在「变动成本」。建议采用分阶段方案，先做最低风险的优化（如把非关键任务路由到更便宜的模型），让客户看到实际节省数据后再推进更深层的优化。如果客户一直不愿意落地，可以改成纯咨询服务模式（只出报告和建议，不负责执行）。
我自己的判断是，核心需求至少还有3年以上的窗口期。原因很简单，模型的迭代速度远快于企业的适应速度，新的更便宜的模型持续出现，企业永远需要有人帮他们追踪和切换。而且随着AI支出在企业预算中的占比越来越大（预计从现在的2-5%涨到10-15%），费用优化的需求只会更迫切。
这些工具全是开源的，Frugon和GoModel都是免费部署。你的主要投资是时间。一个客户优化档月费¥5,000-8,000，时间投入每周2-4小时，时薪远超大部分副业。而且工具本身不会因为客户数增加而线性增长，规模效应很明显。