Anthropic 今天推出 Claude Haiku 5.5，最狠的一刀不是模型變多強，而是 API 價格直接砍掉 90%，並對齊 GPT-6 Luna 的價位。我的態度很直接：這不再只是高階 AI 的備胎，而是企業把重複性任務搬進 AI 的標準配備。以前你算 token 成本會皺眉，現在如果還把小模型當備胎，問題可能不在預算，而在產品設計與流程重組。對開發者而言，低延遲、低成本的請求層正式變成戰場。
我比較在意的不是 90% 這個數字本身，而是它把「小模型能幹嘛」這件事推到了企業採購面前。Claude Haiku 5.5 的目標很明確：文件摘要、資訊分類、資料庫查詢、給更強 agent 跑小任務。這些活單看一次不貴，但每天跑幾萬次、幾十萬次時，成本會變成一個很會咬人的數字。價格一旦下來，很多原本「先試試看」的流程會變成「直接上線」。
| 對象 | 誰比較吃香 | 誰比較危險 | 關鍵盲點 |
|---|---|---|---|
| 企業 AI 應用 | 用 Claude Haiku 5.5 跑摘要、分類、資料庫查詢的團隊 |
仍把所有請求丟給旗艦模型的公司 | 小模型不是萬能，資料治理與權限設計跟不上就會翻車 |
| 模型供應商 | 能把價格打到量產水準的廠商 | 只靠高價高規格活著的中間層 | 價格戰會把「模型能力」變成商品，差異化要往整合、安全、合規跑 |
| 開發者 | 能設計多模型路由的人 | 只寫單一模型呼叫的專案 | 成本降了，但如果 prompt、eval、fallback 沒跟上，省下的錢會被 debug 吃光 |
我的判斷是：這波 90% 價格下修 真正打到的不是模型本身，而是「AI 任務分層」的商業模型。
換句話說，未來企業不會只問「哪個模型最聰明」，而是會問「哪段工作該交給誰」。高價值、高風險、需要長上下文與複雜推理的任務，還是交給旗艦模型；但摘要、分類、格式轉換、搜尋、初步判斷這些重複性高、容錯空間相對大的工作，會大量流向低價快模型。這會讓 RAG、客服、文件處理、資料清洗等場景變得更有誘因，也會逼著開發團隊把 prompt、評估、回退機制這些原本可選的工程細節變成必選。
不過，別把降價當成萬靈丹。新聞描述提到 90% 下修 主要針對 低於 100,000 tokens 的請求，這代表它的甜區很明確：短到中等長度的高頻請求。如果你的業務大量依賴長文件、長對話或跨資料源推理，價格優勢不一定能完整吃到。另一個盲點是安全與合規。小模型跑得快、跑便宜，但一旦接進企業內部系統，資料權限、敏感資料過濾、輸出稽核這些問題不會因為便宜就消失。便宜會放大規模，規模也會放大風險。
從競爭角度看，GPT-6 Luna 被點名對標，代表低價快速模型已經成為正面戰場。廠商之間比的不再是單一 benchmark，而是「單位任務成本 × 穩定性 × 資料安全」。對使用者來說，這是好事：選擇變多，議價空間變大。對只做模型包裝、沒有整合能力的公司來說，壓力會變大，因為模型本身越來越像水電，真正難的是把它接進業務流程。
我會把這次發布看成一個很實際的訊號：AI 應用接下來拼的不是誰有最聰明的大腦，而是誰能把最蠢的活做得最便宜、最穩定。成本降下來，產品設計才會被迫誠實。
延伸思考與常見問題
Q1：Claude Haiku 5.5 的 90% 價格下修是針對所有請求嗎？
不是，依據新聞描述，主要針對低於 100,000 tokens 的請求下修，不等同於全場無條件減價。
Q2：為什麼小模型降價會影響企業 AI 成本？
因為摘要、分類、資料庫查詢等重複任務會產生大量 API 呼叫，單位成本下降會直接壓低整體營運成本。
Q3：什麼任務不適合直接交給 Claude Haiku 5.5？
涉及高度法律、醫療、財務判斷或需要長上下文與複雜推理的任務，仍需要更強模型、人工審核與嚴格評估。
