为什么越来越多的团队遇到同样的AI开支问题？
摘要
随着使用规模跨团队和模型扩展，团队在管理AI成本方面面临越来越多的挑战，这突显了评估工作流成本和实施高效跟踪策略的必要性。
我注意到越来越多的人谈论AI成本在使用扩展到单个团队或模型之外时变得更难管理。这是有道理的，因为单个API账单易于跟踪，但多个代理访问不同的提供商和模型会迅速变得混乱。我更感兴趣的是团队如何判断哪个工作流值得成本，哪个应该转用更便宜的方案。另外，有什么最好的方式在不进行大量后台工作的情况下进行跟踪？
相似文章
当某个AI工作流成本突然翻倍时，如何排查？
文章讨论了AI工作流成本激增的常见原因，例如重试、重复的工具调用、长时间运行的工作流以及不断增长的上下文，并询问团队如何调查此类问题。
AI成本悖论：为何有些公司支出更多？
本文讨论了企业在部署AI处理重复性任务时面临的AI成本上升悖论，指出AI更像昂贵的基建而非廉价劳动力，需要监控、人工审核和集成等成本。
AI编码工具是否正在成为新的云账单问题？
本文将AI编码工具日益增长的成本与早期云计算进行比较，突出了token使用量、代码审查和维护等隐藏费用，并对团队是否追踪每个工作流的真实成本提出疑问。
因成本过高，企业正在限制员工使用AI
各行业的公司因成本飙升而限制员工使用AI并转向更便宜的模型，部分公司支出增至三倍，每月超过1500万美元。
团队在用量开始增长时如何管理OpenAI成本？
团队在扩展OpenAI用量时面临理解每个功能、团队和客户的成本驱动因素的挑战，通常依赖手动记录或像Finout这样的工具进行成本分配和异常检测。