AT&T按任务难度重新分配模型

信源：The Information TITV｜Aaron Holmes关于AT&T企业AI策略的访谈｜2026-08-22

AT&T约有10万名员工使用内部AI工具，系统每天处理约450亿token。这样的规模让一个看似技术性的选择变成财务问题：每项任务究竟需要多强的模型，企业是否必须为全部用量支付前沿能力的溢价？

The Information记者Aaron Holmes在访谈中说，AT&T当前约40%的相关使用量由开放模型承担，并希望未来数年把比例提高到约60%至70%。公司同时希望在AI使用继续上升时，让OpenAI与Anthropic相关支出保持大致平稳。这是目标，不是已经实现的结果，也不是绝对硬上限。

AT&T正在把模型选择从供应商采购变成按任务难度进行的运行时决策。代码总结等相对简单的工作可以交给开放模型，复杂编码继续使用前沿模型。路由器判断的是完成任务所需的能力与难度，不能把它改写成抽象的风险分级。

工作负载一旦被分层，企业便可以逐项判断是否值得支付前沿溢价。模型选择不再只在年度合同签署时发生，每次任务运行都可能重新分配供应商份额。AI使用量继续增长，也就未必带来前沿模型支出的同步增长。

每天数百亿token会放大路由中的微小变化。访谈估计，如果全部用量都按OpenAI与Anthropic公开标价购买，可能对应每年数亿美元支出。这是一项带有年度期间的反事实估算，材料没有给出折扣、工作负载构成或自建成本，不能把数亿美元直接当成AT&T已经节省的钱。

任务分层能否成立，取决于企业自己的评估系统。便宜模型要达到什么质量才能进入生产，哪些错误能自动发现，什么任务失败后必须升级到更强模型，都需要明确标准。缺少评估，路由只会把接口成本转移到返工、延迟和风险中。

路由也不是一次性的配置。模型版本更新、任务结构变化或内部质量门槛调整后，原来的分配可能失效。企业需要用自己的基准持续复核任务难度，并把失败结果反馈给下一轮选择。这种校准也决定任务何时需要升级到前沿模型。运行时决策由此变成一套持续校准的成本系统。

AT&T的规模条件同样重要。访谈称，公司正在尝试定制来自Nvidia、Meta和Google等来源的模型，相关工作仍处相对早期；它也在自有数据中心运行模型，并建立内部基准。基础设施、人才和足够大的使用量，使公司能够把模型差异转化为调度策略。使用量较小或缺少运维团队的企业，照搬这条路径未必划算。

访谈称开放模型通常落后前沿模型约6至10个月，同时转述AT&T认为差距正在缩小。这是公司的判断，不是统一基准结论。即使能力差距继续收窄，基础设施、维护、适配和安全成本也不会消失，开放模型承担比例只有在完整成本与结果质量同时改善时才有意义。

供应商市场由此可能被任务结构重新切分。前沿模型保留复杂编码与高能力需求，开放模型承接大量简单、重复且容易评估的工作。OpenAI和Anthropic面对的压力，不会首先表现为客户突然清空合同，而会表现为新增用量被更细地分配。

价值也随之移到模型之外。任务分类决定哪里可以节省，内部评估确认节省是否牺牲质量，运行时路由决定每次调用落到哪里。模型能力越接近，这三层系统越可能成为企业掌握成本曲线的基础设施。

这条路径仍要接受完整账本检验。开放模型占比提高后，如果任务质量、稳定性或总成本没有改善，支出与使用量脱钩的判断就会削弱；复杂任务持续扩大，也可能让前沿模型重新获得更多份额。

AT&T案例展示了一种可能的市场结构：模型公司的份额按任务逐次产生，而不再完全由一份企业合同决定。谁能持续证明能力溢价，谁才会留住那些最难被路由出去的工作。