130 萬美金的 AI 帳單：OpenClaw 開發者的 30 天燒錢實錄

> Meta Shift

想像一下，你打開信箱看到一張 130 萬美元的 OpenAI API 帳單。這不是玩笑，而是 OpenClaw 創辦人在過去 30 天的真實遭遇。這個數字已經超過許多新創公司的 seed round 融資額，卻全部被用來付 token 費用。

據報導，這位開發者原本只是想做一個創新的 AI 產品，結果發現自己陷入了 API 定價的夢魘。每次 API call 看起來只要幾分錢，但當你的產品開始 scale 的時候，這些小錢加起來就變成天文數字。特別是當你用的是 GPT-4 或是新的 multimodal API，定價直接翻好幾倍。

這件事讓我想到以前玩 WoW 的時候，一開始覺得修裝備的錢不多，結果到後期每次團本結束，修裝費直接吃掉一半收入。AI API 的計費模式就是這樣 — 看起來很便宜，但真正跑起來才知道有多貴。

OpenClaw 的前世今生

OpenClaw 這個專案本身就很有意思。從公開資訊看來，這是一個專注於 AI automation 的工具，主要幫使用者自動化各種網路操作。創辦人之前有做過一些 side project，但都沒有太大起色。

選擇做 AI automation 其實挺合理的 — 2024 年這個賽道非常熱門，從 Zapier 的 AI features 到各種 RPA 工具都在往這個方向走。市場規模據估計已經超過 100 億美金，而且每年還在高速成長。

但問題是，要做好 AI automation，你需要大量的 API call。每次用戶觸發一個 workflow，可能需要呼叫 3-5 次不同的 AI model — 先用 vision model 分析畫面，再用 language model 理解指令，最後用 code generation model 產生執行腳本。這樣算下來，單一 workflow 的成本就可能達到 $0.5-$1。

如果你的產品有 1000 個 active user，每個人每天用 10 次，一天就是 $5000-$10000 的成本。30 天就是 $150000-$300000。這還只是中等規模，如果用戶更多或是使用頻率更高，成本很容易就爆炸。

燒錢的關鍵決策

據了解，OpenClaw 會產生這麼高的費用，主要是因為幾個技術決策的組合拳：

首先是選擇用 GPT-4 Turbo 作為主要的推理引擎。GPT-4 的 token 價格比 GPT-3.5 貴了快 10 倍，但效果確實好很多。對於 automation 這種需要精準理解和執行的場景，便宜的 model 根本撐不住。這是一個典型的「你付不起便宜貨」的情況。

其次是大量使用 multimodal API。要做網頁 automation，你需要讓 AI 看懂畫面上的元素。Vision API 的價格又比純文字貴了好幾倍，特別是當你需要傳高解析度的 screenshot 時。

最要命的是沒有做好 rate limiting 和 caching。據報導，這個產品在某些情況下會重複呼叫同樣的 API，或是沒有限制單一用戶的使用量。這就像是網路遊戲沒有做好 anti-cheat，結果被外掛刷爆伺服器一樣。

從商業角度來看，這個決策其實也很難說對錯。如果你要做出真正好用的 AI automation 產品，使用最好的 model 是必要的。問題是定價策略沒有跟上技術選擇 — 當你的 unit economics 是負的時候，用戶越多死得越快。

這讓我想到早期的 ride sharing 平台，為了搶市場大量補貼，結果燒錢燒到差點倒閉。只是那時候燒的是自己募來的錢，現在是直接燒給 OpenAI。

Meta 判讀：API 經濟的新遊戲規則

這件事情我判定為 Meta Shift，原因是它暴露了 AI 時代一個根本性的變化：基礎設施成本從 capex 變成了 opex，而且是變動成本。

以前做軟體，你買了伺服器、付了雲服務費，成本就是固定的。現在用 AI API，你的成本直接跟使用量掛鉤。這改變了整個產品設計和商業模式的遊戲規則。

傳統的 SaaS pricing 通常是 per seat 或是 flat rate，但當你的底層成本是 per API call 時，這套定價模式就不 work 了。你要嘛轉嫁成本給用戶（但這會影響採用率），要嘛就得承擔 unit economics 為負的風險。

更深層的問題是，這創造了一個新的 vendor lock-in。當你的產品高度依賴某個 AI API 時，供應商調價你就只能接受。OpenAI 今天漲價 50%，你能怎麼辦？換到別家 API 需要重新 fine-tune，測試，調整整個 pipeline。這個 switching cost 非常高。

這個狀況有點像早期的雲服務 — AWS 剛出來時大家覺得便宜方便，結果後來發現 egress fee 和各種隱藏成本加起來，總費用比自建還高。但差別是，雲服務你還可以 hybrid 部署或是換供應商，AI API 的遷移成本更高。

從投資角度來看，這意味著 AI 新創公司需要更謹慎地管理 unit economics。那些燒錢換成長的老套路，在 AI 時代風險變得更高。因為你燒的不是自己的錢，而是直接付給 OpenAI/Anthropic 這些 foundation model 公司。

給工程師的啟發

如果是我在做 AI 產品，我覺得有幾個點值得注意：

首先是一定要做好 cost monitoring。設定 alert，當日/週/月的 API 費用超過預期時立刻通知。這不只是 DevOps 的問題，是商業存亡的問題。許多工程師習慣了雲服務那種相對穩定的成本結構，對於 usage-based pricing 的敏感度不夠。