AI 替你点鼠标便宜了，现在贵的是它点错的那一下

一、谁在替你搬发票

如果你做过公司的财务或者运营，大概率干过这样一种活：供应商的发票一张张发过来，你要把上面的日期、金额和明细看清楚，再一格一格敲进会计软件里。因为两个系统之间没有接口，数据自己过不去，所以只能靠人的眼睛去看、靠人的手去敲，发票一多，大半天就耗在复制粘贴上了。

上面这个例子是 OpenAI 自己举的。北京时间 10 月 27 日凌晨，OpenAI 发布了新模型 GPT-6.1 Terra，在介绍它适合干什么活的时候，官方举的高频例子就是：把读进来的发票明细，录进会计软件。

Terra 这次主打的卖点叫 computer use，那就是让 AI 像人一样操作电脑。它看着屏幕，自己挪鼠标、点按钮、敲键盘，在不同的软件之间来回切换。官方给 Terra 的定位，是适合「填满工作日的沟通和电脑任务」，举的例子有起草提案、解读技术图纸、填表和剪视频。

而这次最扎眼的，其实是价格。Terra 的 API 标价是每百万 token 输入 1 美元、输出 5 美元，OpenAI 说这比上一代 GPT-5.6 Terra 便宜一半。发布页上还有一句更抓人的话：在一套叫 Agents' Last Exam 的考题上，Terra 每个任务的成本，比 Anthropic 的旗舰模型 Claude Opus 5.5 低约 9 倍。

可是，「每百万 token 1 美元」这种说法，对大多数人是没有体感的。搬发票的人关心的不是token，是一件活要花多少钱。所以想知道这次降价对他意味着什么，得先把它换算成「干一件活要多少钱」。

二、一件活到底多少钱

我们先把「便宜一半」拆开来看。上一代 GPT-5.6 Terra 的价格是每百万 token 输入 2 美元、缓存输入 0.2 美元、输出 12 美元，这一代是 1 美元、0.05 美元和 5 美元。所以严格地说，只有输入是正好减半的；输出从 12 美元降到 5 美元，降了近六成；缓存（模型重复读入的同一段内容）更是降了四分之三。

为什么要较这个真？因为让 AI 操作电脑，和跟它聊一句天，花钱的方式不太一样。它每走一步，都要重新看一眼屏幕、回顾前面做过什么，再决定下一步怎么点，同一段上下文就会被反复读入，它自己也要不停地输出判断和操作。所以我估计，这类活的账单里，缓存和输出不会是小头，而这两项恰好降得最多。这只是按它的工作方式推出来的，OpenAI 没有公布过这类任务的账单构成，具体占多少，还要看各自的活。

再看 Terra 在 OpenAI 自家产品线里的位置。据第三方读取的 OpenAI 定价，最便宜的 GPT-6 Luna 是输入 0.1 美元、输出 0.5 美元，往上是 Terra，再往上是 GPT-6.1 Sol 的 2 美元和 10 美元，最贵的 GPT-6 Astra 是 10 美元和 50 美元。Terra 卡在中间偏下的位置，有点像一家店里「够用、又不心疼」的那一档。

可价格表还是太抽象。真正有用的，是 OpenAI 在发布页上放的一张图，它把几个模型在 Agents' Last Exam 上的得分，和每完成一个任务的平均成本画在了一起。这套考题里的活很专业，比如把一套建筑图纸做成 3D 模型，或者逐个镜头审一部动画片，给修复团队写一份带时间码的问题日志。图里还分了推理档位，可以理解成让模型想多久：中档（medium）想得少一些、便宜一些，最高档（max）想得最多、也最贵。

据第三方从官方图表读出的数，结果大致是下面这样，人民币按 1 美元约合 6.7 元换算（这是 IT之家报道里注的汇率口径）：

• Terra 中档：得分 57.6%，每个任务约 0.29 美元，约合 1.9 元
• Terra 最高档：得分 60.0%，每个任务约 1.01 美元，约合 6.8 元
• 上一代 GPT-5.6 Terra 中档：得分 42.6%，每个任务约 0.84 美元，约合 5.6 元
• GPT-6 Astra 中档：得分同样是 57.6%，每个任务约 4.82 美元，约合 32 元

最后一行最能说明问题：同一套考题，同样的分数，Astra 要 30 多块钱，而 Terra 不到 2 块。也就是说，拿 OpenAI 自家最贵的 Astra 做对照，同样水平的一件专业电脑活，是从三十多块掉到了两块不到，哪怕 Terra 开到最高档，也不到 7 块。

当然，这些数字有一个前提必须说在前面：考题是 OpenAI 自己的，题是 OpenAI 自己跑的，成本也是 OpenAI 自己估的，到目前为止还没有外部实验室公布独立的测试结果。所以我更愿意把它当成一个参考来看，而不是一张能直接拿来做预算的报价单。

但即使只当参考看，这个变化也够大了。按这张图算，在 OpenAI 自家的模型里，以前想在这套考题上拿到这个分数，得用 Astra 这一档，跑一次三十多块钱，还不一定跑得成，很多活自然不如找个人来干。现在同样的水平跑一次只要几块钱，这笔账的算法，就得重新来一遍了。

三、便宜的是试一次，贵的是错一次

我们还是回到搬发票的那个人。

发票录入这种活，有几个很典型的特点：天天都有，规则重复，两个系统之间又没有接口，以前只能靠人来干。按上面的数，让 AI 跑一次也就几块钱，单看这笔钱，这类活第一次有了交出去的理由。所以我觉得，这是这次降价最实在的地方，因为一大批高频、重复、又没有接口的后台活，第一次在账上算得过来了。

可是，账算得过来，不等于就敢交出去。

还是看那张图，Terra 开到最高档，在 Agents' Last Exam 上的得分是 60%，也就是说，在这套考题上，十道题大约有四道没做成。当然，这是考题上的成功率，不是你公司业务里的出错率，真实的活可能简单得多，也可能比考题更乱。但它至少提醒了一件事：几块钱买到的，是让 AI 试一次的机会，而不是保证它做对一次。

于是，一件活里最贵的那部分，换了位置。以前贵在 AI 跑一次的钱；现在跑一次的钱降到了几块，贵的东西换成了两样，一样是人工返工的时间，另一样是撤不回的后果。

先说返工时间，这是最容易被漏掉的成本。假如 AI 录错了十张发票里的一张，你得先发现错的是哪一张，再回去翻原件核对，把错的那一格改过来，有时候还要顺着查一遍，它是不是在别的发票上也犯了同样的错。这些时间不会出现在 OpenAI 的成本图里，也不会出现在 API 账单上，可它是实打实花在人身上的。如果返工的时间比自己从头录一遍还长，那每次几块钱的便宜，其实并没有替你省下什么。

撤不回的后果则更麻烦。录错一格，改回来就是了；可如果 AI 点错的是「付款」，或者把一封不该发的邮件发了出去，又或者删掉了一个没有备份的文件，这就已经不是返工的问题，而是收不回来的问题。

所以，现在一件活里最贵的，往往就是它点错的那一下。跑一次的钱是几块，可点错的那一下，可能是一笔已经付出去的款，也可能是一封已经躺在别人邮箱里的邮件，这一下要花多少钱，任何一张成本图上都不会画，也没有人能替你提前算出来。

OpenAI 自己其实也看见了这个问题。发布页上，它花了不少篇幅讲 Terra 怎么变得更可靠、更守规矩。在内部一套专门诱导模型犯错的题目上，Terra 的事实错误率在低档推理下从上一代的 53.6% 降到了 16.7%，开到最高档降到 4.3%。它也更可能守住任务给定的范围，会主动说明自己的局限，抵抗提示词注入的能力也更强。（提示词注入，就是有人在网页或文件里藏一段指令，骗 AI 去干别的事。）一家公司在发布会上专门讲这些，说明它也知道，卡住大家的已经不只是 AI 会不会做了。

同一份发布页里还写着，Terra 的网络安全能力，达到了 OpenAI 自己安全框架里的「Critical」门槛，所以沿用了旗舰 Astra 的那套防护措施。一个能看屏幕、能点鼠标、能敲键盘的东西，本身就是一个风险口子，也正因为这样，越是能动手的 AI，越要先想清楚它不能碰什么。

其实国内也在走同一条路，只是卖法不一样。豆包在今年 6 月 24 日上线了专业版，标准版 68 元一个月，加强版 200 元，高级版 500 元，付费版支持操控本地电脑、浏览器自动化和定时任务。它不按 token 收费，而是按月卖给普通人。

门槛确实低了，可靠性却还要再看。36氪上一篇来自世界模型工场的实测，拿豆包专业版的办公任务模式和 OpenAI 的 Codex 比了四件活，测的是豆包 2.1 Turbo，不是最强的那一档。结果豆包有三件没干成：让它清理 C 盘，C 盘的可用空间反而从 3GB 变成了 2.82GB，用测试者的话说是「越清理越少」；让它找飞书客户端里的文件，没找到；让它做一个录屏工具，跑不通。只有在浏览器里抓小红书评论这一件，两家都做成了。

那篇实测的结论是：豆包的能力和 Codex 差了一个身位，但 Codex 要注册国外账户、绑定支付，普通人很难摸到，而豆包是普通人摸得到的 Agent。我一直觉得，一个 AI 工具能不能普及，先要看普通人能不能用起来，国内在门槛这件事上走得并不慢。可一旦让 AI 真的去碰你的电脑，卡点和 Terra 是一样的，还是那个问题：它做错了，你撤不撤得回来。

所以，判断一件电脑活能不能交给 AI，与其问「AI 会不会做」，我更愿意先问另一个问题：它做错了，我能不能撤回来，撤回来要花多少时间？顺着这个问题，可以把手头的活粗略分成三层，大家可以对照着自己的工作看一看：

• 可以放手的：只读、能重跑、错了不花钱的活。比如从网页上抓数据、整理文件夹、读一张图纸先出一份初稿，错了大不了再跑一遍，花的还是那几块钱。
• 要设确认点的：会写进系统、但能回滚的活。比如录发票、填表单，可以让 AI 先做，再由人按比例抽查，而抽查和返工花掉的时间，要算进这件活的成本里。
• 先别交的：动钱的、动账号权限的、发出去就收不回的活。比如付款、改密码、对外发邮件和发公告，这些活就算 AI 十次里做对九次，剩下那一次的代价，也可能比前九次省下的钱加起来还大。

说到返工，可能会有用 Opus 的朋友不同意。开头那个「低约 9 倍」，比的就是 Claude Opus 5.5，而据第三方从官方图表读出的数，在同一张图上，Opus 5.5 开到最高档的得分是 63.2%，比 Terra 的 60.0% 要高，每个任务约 8.82 美元，差不多是 Terra 的 8.7 倍。他们会说：省下来的那点钱，还不够返工的。这话我觉得要认真对待，因为如果你的活本身容错很低，少做对的那几道题，就意味着更多的人工返工时间，前面那笔返工账，可能会把几块钱的便宜吃得干干净净。可反过来，如果你的活属于第一层，只读、能重跑，那 Opus 高出来的那 3.2 个百分点，未必值得花 8 倍多的价钱。

那怎么知道自己的活属于哪一种？比起相信谁家的图，我更愿意建议大家自己测一下。拿一件你团队里真实的、天天要干的电脑活，用中档和最高档各跑一批，然后记下三个数：做成了几次，每次花了多少钱，人工返工花了多少分钟。前两个数，官方的图里都有类似的；而第三个数，任何一家的图里都不会有，可它才是决定这件活该不该交出去的那个数。

四、「便宜 9 倍」，要打几个折

三个数里的前两个，也不能直接照抄官方的图，尤其是发布页上最容易被转发的那个「便宜 9 倍」。

OpenAI 的原话是：在 Agents' Last Exam 上，开到最高推理档（max effort）时，Terra 的 token 效率是 Claude Opus 5.5 的三倍以上，每 token 的价格是它的四分之一，因此每个任务的成本低约 9 倍。这句话有三个前提：考题是 OpenAI 自己的，双方都开到了最高档，成本也是 OpenAI 自己估的，所以换一套考题，或者换一个推理档位，这个倍数都会变。

其中「每 token 四分之一」是实打实的。Claude Opus 5.5 的标价是每百万 token 输入 4 美元、输出 20 美元、缓存读取 0.2 美元、缓存写入 5 美元，而 Terra 对应的是 1 美元、5 美元、0.05 美元和 1.25 美元，四项都正好是四分之一。前面那个 8.7 倍，也和「约 9 倍」对得上。

可是，把这两个说法放在一起，我就没看懂了。如果每 token 的价格只有四分之一，token 的用量又只有它的三分之一不到，两者一乘，成本应该差 12 倍以上才对，而图上只有大约 8.7 倍。按图上的数倒推，token 用量大约只省了 2.2 倍，并不是「三倍以上」，这个 2.2 倍是用官方公开的数字推算出来的，不是 OpenAI 的说法。

为什么对不上，目前公开的材料里，没有看到官方的解释。可能是「token 效率」只统计了某一类 token，也可能是在不同的 token 组合下，单价比并不严格是四分之一，而这两种解释都没法确认。所以，这两个数字暂时算不到一起，到底怎么算的，要等 OpenAI 或者独立评测给出更细的数据。在那之前，「便宜 9 倍」只能当成 OpenAI 自家考题上、双方都开最高档时的一个参考，放到你自己的活上，还是要用那三个数重新算一遍。

五、给创业者的一张清单

如果你是创业者，或者在团队里管着一摊后台的事，我觉得这周就可以做一件事：把团队里每天在电脑上搬来搬去的活列出来，再按第三节的三层分一分，哪些是只读、能重跑的，哪些会写进系统但能回滚，哪些动钱、动账号、发出去就收不回。

然后，先从第一层里挑一两件，让 AI 试跑一周。不用急着看它有多聪明，只记那三个数：成功了几次，每次花了多少钱，人工返工用了多少时间。一周下来，你手里就有了一张比任何发布页都更靠谱的成本表。

回到开头那个搬发票的人。他的活，今天第一次在账上算得过来了，跑一次只要几块钱。可要不要交出去，还得先问一句：它点错的那一下，能不能撤回来，撤回来又要花多久。

我也得承认，这篇文章里的成本数字，几乎都来自 OpenAI 自己的考题和估算，独立的第三方评测还没有出来，过几周再回头看，这笔账可能还要再改。

希望你交给 AI 的第一件活，是一件错了也能撤回来的活。加油。