Databricks联合创始人Patrick Wendell：AI编程成本是结构性基础设施问题，路由层将成为新竞争战场
Databricks联合创始人Patrick Wendell在访谈中解释了AI编程工具的消耗定价如何造成成本指数增长而收入没有同步增长之间的结构性矛盾，以及为何路由控制层（而非预算或政策）是解决这一矛盾的必要基础设施。他称Databricks通过模型切换、任务路由、支出可见性和削减token开销四项措施将单位成本降低了最多90%，并认为随着模型利润变薄，决定哪个模型处理哪个任务将是一个值得关注的竞争位置。
AI编程工具的成本结构有一个容易被忽视的特征：它们按消耗计价，而非按席位计价。Databricks联合创始人Patrick Wendell在2026年10月的访谈中把这一点作为整个论证的起点——一个开发者可以在最贵的模型上跑一个循环然后去吃午饭，理论上花费无上限。当成本指数增长而收入没有同步增长时，迟早会出问题。
Databricks最初的做法和大多数公司一样：为了推动内部采用，移除一切障碍——最贵的模型、不限token。结果是用量起来之后成本曲线陡峭上升，Wendell说，Databricks一度到了成本增长威胁要逆转效率收益的地步——而效率收益正是他们采用AI的全部理由。
真正起作用的是四件事的组合：把流量迁移到更便宜但够用的新模型、按任务难度路由到不同模型、给开发者支出可见性、削减token开销。Wendell称单独迁移到更便宜的新模型就能带来50%以上的成本下降，四项组合在部分情况下将单位成本降低了最多90%。
一个反直觉的发现是：token单价是预测实际任务成本的糟糕指标。Databricks团队用自家数百万行代码库的真实pull request做基准测试，按实际运行测试来评分，而非用LLM当裁判。他们发现一个开源模型GLM 5.2在质量上追平了Opus 4.8，但每任务成本低约三分之一；另一个模型token单价便宜1.7倍，但因为消耗更多token反而每任务成本更高。更关键的是，模型周围的编码工具（harness）对成本的影响和模型本身差不多大——同一模型换一套harness，成本差异超过两倍。
Wendell的结构性结论是：预算有帮助，但预算无法决定哪个模型应该处理哪个具体请求——这是路由的事。改一个组件名交给便宜模型，一个开放式难题交给强模型。Databricks的Smart Router称在大约最贵模型的质量水平上将平均任务成本降低了30%以上。他把AI成本问题定义为基础设施问题，而非采购问题。
从产业投资角度看，这个论证的含义是：消耗定价结构使得控制层不是可选项而是必选项，而控制层的核心能力是路由智能。Wendell认为随着模型本身利润变薄，决定哪个模型处理哪个任务将是一个值得关注的竞争位置。
需要指出的是，所有量化数据均为Databricks自报，无独立验证。Wendell本人也承认100倍成本降幅的测算仍是初步的，但方向是对的。
Wendell给CTO的建议是：先搞清楚钱花在哪里，在模型前面放一个网关让所有流量经过一个地方，然后一切才变得可观测和可调控。他的警告是不要因此放慢AI采用——生产力收益是真实的，但成本会复利累积，如果等待，账单会比想象中更大。