一個月燒掉 $1.3M API 費用，有一個 PM 視角大家都沒提
最近那個 OpenClaw creator 一個月燒掉 $1.3M OpenAI API 費用的新聞，603B tokens、7.6M requests、100 個 coding agents，大概很多人看完第一個反應是「哇，local model 的時代要來了」。
Reddit 上的討論大部分都在算成本有多誇張，或者這種規模只有大公司才玩得起。但我覺得這些都在討論症狀，真正的問題只有一個：在沒有清楚 ROI framework 的情況下 scale，才是燒錢的核心原因。
我帶過幾個 AI agent pipeline 的 rollout，early stage 都長差不多：能 automate 的全接上，coverage 快速擴大，stakeholder 看 demo 很開心。但到 quarterly review，成本曲線在跑，business impact 的曲線沒跟上。那個 gap 才是真正要解的問題。
後來我們強制做了一個分層：
Tier 1 — 高重複、output 可自動驗證、低風險：全自動跑，cost per output 算得最清楚，ROI 也最好看。
Tier 2 — 中度複雜、output 有業務影響：agent 起草 + 人工 review，不是純跑。
Tier 3 — 高判斷需求、stakeholder 敏感：AI 輔助，不完全 automate。
100 個 coding agents 同時跑，如果沒有這個分層，就等於把 Tier 3 的任務用 Tier 1 的 cost model 在 justify。帳單來了才發現 error rate、rework cost 全沒算進去。
最實際的建議是先跑 sampling，再談 scale。
用 5-10% 的任務量跑一個月，把 cost per meaningful output 搞清楚，再決定要不要 full rollout。我們第一個 pilot 用這個方法把 token 使用量壓了大概 40%，不是靠省、不是靠 prompt 優化，是靠砍掉那些 ROI 根本算不過來的 use case。
$1.3M 那個案例，如果 100 個 agents 真的跑出了對應的商業價值，business case clear，那其實沒什麼好說的。但如果只是因為「可以 scale 就 scale 了」，那才是問題所在。
Scaling infrastructure 跟 scaling business value 是兩件不一樣的事。工程師出身的 founder 特別容易搞混，這不是在嗆誰，我自己早期也犯過一樣的錯。
作者：Vivian L