前几天，一个 AI 在全世界最难的数学考试里考了 97.6 分，接近满分。听起来很厉害，对吧？但出题的人已经在发愁了：再这么下去，这套题就考不出谁强谁弱了。与此同时，我自己也栽了个跟头——我本来想挑个"最好用又最划算"的 AI，结果发现：排行榜在失效，价格表在骗人，连"它到底多少钱"我都差点算错。
一、我为什么突然要"重新选 AI"
这事说起来简单：我的工作里要用好几个 AI，有的负责写东西，有的负责回答问题，有的负责处理杂事。就像一家公司请了几位员工，得排个班：谁干主力，谁当替补。
搁一年前，选人不难——看排行榜，谁分数高用谁。但现在出了两个新问题。
第一个问题：大家都考满分了。最难的数学考试，新模型考到 97.6 分，剩下的题都快被"考完"了。分数高到一定程度，排行榜就失去了意义——就像全班都考 100 分，你没法从分数看出谁更厉害。
第二个问题更隐蔽：我连"这个 AI 多少钱"都搞不准。
二、第一课：一份价格表，我差点看错 19 处
我给一份 AI 价格表拍了照，让电脑把上面的数字读出来。结果电脑把旁边的数字串到别家头上了——就好比菜单上"红烧肉 28 元"旁边是"清蒸鱼 38 元"，它读成了"红烧肉 38 元"。
等我把整张表 61 个 AI 的价格一个个核对完，一共发现 19 处这种"串行"错误。后来换了个更聪明的读图方法，5 张图，一分钟全改对。
这事让我想明白一件事：如果你连"它卖多少钱"这种最基础的信息都可能读错，那"它到底厉不厉害"这种难一万倍的问题，凭什么信排行榜上的分数？榜单上那个漂亮的数字后面，说不定也藏着 19 个没人核过的错误。
三、第二课：AI 的价格，不是"标价"，是"用法"
价格终于读准了，第二个坑冒出来：算成本这件事，我原来的算法是错的。
我以前怎么算的？拿标价估个大概。就像你交话费，运营商说"每分钟五毛"，你就按每分钟五毛估一个月花多少。
但真实账单根本不是这么回事——你经常打电话的那个号，早就办了套餐，一分钟只要几分钱；你半夜偶尔打的那几个电话，才按五毛算。
AI 也一样。我翻出真实使用记录一看，吓一跳：大部分时候，我们反复把同样的内容喂给同一个 AI，这部分"重复的内容"，收费只有标价的十分之一左右。真实算下来，我用的主力 AI，账面上标价 ¥0.86，实际成本只有 ¥0.08——差出一个数量级。
"贵"还是"便宜"，不取决于标价，取决于你怎么用。天天长聊的人用着是白菜价，偶尔用一次的人可能是天价。光看报价单做预算，等于拿全国平均工资去给北上广深算房租——完全不靠谱。
四、第三课：一个"只做选择题"的 AI，教了我三件事
重排 AI 的前一天，我刚好认识了一个很特别的 AI（叫 Jev）：你只能给它出选择题，它只勾答案，不写作文。
它给我上了一课，我记了三件事：
第一件：东西一旦便宜，大家就会拼命用。一百多年前有个经济学家发现：蒸汽机效率提高后，煤的总用量反而暴涨——因为便宜了，大家都舍得开机器。这个 AI 按"做一次判断"收费，不按"写多少字"收费，赌的就是这个道理：便宜到你可以随便用，用量大得惊人。
第二件："不会乱编"不等于"不会答错"。它不会自己瞎编新东西，但它会很自信地勾错选项——就像考试里你拿不准的题，随手填了个 C，还觉得肯定对。这种错更难被发现。
第三件：再有把握，也救不了"这题压根没答案"。它自己承认，有些题没有正确答案，你把"把握度"调到 95% 也拦不住。所以用它干活，必须留一个"我不知道"的出口——遇到没把握的，老老实实说不知道，别硬答。
这三件事，其实说的是同一句话：AI 的价值不在"会写"，在"会判断"；而判断可不可靠，不在它多有自信，在有没有退路、有没有人复核。
五、回看这三课，它们是一件事
把三节课连起来，指向同一个判断：
排行榜在失效，标价在骗人，真正值钱的，是你自己那组真实数据。排行榜失效，是因为模型都快考满分了；标价骗人，是因为同样的 AI，不同用法成本差出十倍。这两件事合起来就是——选 AI 别再信"别人给的分数"，要信"自己跑出来的结果"。
你不用花几天建一套复杂的系统，只需要做一次小实验：
挑两个你觉得不错的 AI，拿一件你真实要做的事，各试 50 次。记三列数：成功了几次、花了多久、实际花了多少钱（看账单，别看标价）。
跑完你八成会发现：排名和你以为的不一样。说不定"最贵的那个"最不划算，"名不见经传的那个"又便宜又稳。
这三列数，比任何排行榜都值钱。AI 好不好用，让它们自己用结果说话。
如果你已经在"选 AI"这件事上踩过坑，或者正准备给团队选第一个 AI 工具，欢迎带着你的真实业务问题来聊——我们帮企业落地 AI，第一步永远是先把你自己的那组数据跑出来。
