LLM giảm giá tới 80%: doanh nghiệp nên làm gì với ngân sách AI?
Giá API của một số LLM từ OpenAI và Anthropic giảm mạnh, đặc biệt ở cache read. Đây là lúc doanh nghiệp rà lại chi phí, kiến trúc và use case để biến ngân sách AI thành giá trị có thể đo lường.
Giá token giảm không tự động làm hóa đơn AI của doanh nghiệp giảm.
Nếu hệ thống vẫn liên tục gửi lại tài liệu dài, chọn model quá mạnh cho việc đơn giản hoặc chưa xác định use case nào tạo giá trị, phần tiết kiệm trên bảng giá có thể nhanh chóng bị tiêu hết.
Trong vài tháng, một số model API của OpenAI và Anthropic đã được giảm giá đáng kể — có trường hợp tới 80%. Với lãnh đạo doanh nghiệp, đây không chỉ là tin về token rẻ hơn. Đây là thời điểm để rà lại hợp đồng, kiến trúc sử dụng và danh mục ứng dụng AI.
> Token là đơn vị dữ liệu mà model đọc hoặc tạo ra. Giá API thường được công bố theo một triệu token (MTok).
> Cache read là chi phí đọc lại phần ngữ cảnh đã được lưu và tái sử dụng trong các lượt xử lý sau.
Giá đang giảm ở cả model chi phí thấp lẫn model mạnh
Dữ liệu được nêu trong bài gốc cho thấy các đợt điều chỉnh giá diễn ra liên tiếp từ cuối tháng 6 đến cuối tháng 9/2026.
Ở nhóm model chi phí thấp, OpenAI công bố GPT-5.6 Luna với giá 1 USD / 6 USD / 0,10 USD cho input / output / cache read mỗi MTok. Đến cuối tháng 7, giá được giảm 80% xuống 0,20 USD / 1,20 USD / 0,02 USD. Tháng 9, GPT-6 Luna tiếp tục được định giá 0,10 USD / 0,50 USD / 0,01 USD.
Ở phân khúc cao hơn, GPT-5.6 Sol có giá ban đầu 5 USD / 30 USD / 0,50 USD. Sau một đợt giảm tạm thời xuống 4 USD / 20 USD / 0,40 USD, GPT-6 Sol được công bố với giá 2 USD / 10 USD / 0,20 USD. GPT-6.1 Sol giữ giá input và output này, đồng thời giảm cache read xuống 0,10 USD.
Anthropic cũng có những điều chỉnh tương tự. Claude Sonnet 5 ra mắt ở mức 2 USD / 10 USD / 0,20 USD; mức giá ban đầu sau đó được giữ cố định. Claude Opus 5.5 có giá 4 USD / 20 USD / 0,20 USD, thấp hơn Opus 5 ở cả ba hạng mục. Anthropic cho biết phiên bản mới cần ít năng lực tính toán hơn để phục vụ.
Cache read có thể quan trọng hơn giá token niêm yết
Lãnh đạo không nên chỉ nhìn vào giá input và output.
Với agent phục vụ lập trình — nơi hệ thống liên tục mang theo lịch sử hội thoại và ngữ cảnh mã nguồn — bài gốc ước tính cache read có thể chiếm 96%–99% tổng chi phí token. Khi tỷ lệ cache hit, tức tỷ lệ tái sử dụng thành công ngữ cảnh đã lưu, đạt khoảng 90%–100%, việc giảm 75% giá cache read có thể dẫn tới mức giảm tổng chi phí khoảng 70%–75% trong loại luồng công việc này.
Điều đó không có nghĩa mọi chatbot doanh nghiệp đều có cấu trúc chi phí như vậy. Nhưng nó cho thấy một nguyên tắc quản trị quan trọng:
Đừng đánh giá nhà cung cấp chỉ qua một con số giá token đầu vào. Hãy xem cấu trúc sử dụng thực tế của công ty.
Nếu một ứng dụng thường xuyên xử lý cuộc hội thoại dài, tài liệu lớn hoặc nhiều bước tác vụ, giá cache và cách hệ thống tận dụng cache có thể ảnh hưởng đáng kể đến hóa đơn cuối tháng.
Vì sao giá giảm mạnh?
Bài gốc nhận định đây là kết quả của cạnh tranh trực tiếp giữa OpenAI và Anthropic, đồng thời chịu sức ép từ nhiều đối thủ khác, gồm các hãng lớn và các model có trọng số mở.
Một ví dụ được nêu là DeepSeek V4 Flash, từng có giá 0,14 USD / 0,28 USD / 0,0028 USD. Phiên bản DeepSeek Flash V4.1 1017 được nêu có giá 0,15 USD / 0,60 USD / 0,003 USD. Trên OpenRouter, bài viết ghi nhận 29 nhà cung cấp cho phiên bản này.
Khi nhiều đơn vị cùng có thể vận hành hoặc cung cấp cùng một model, khách hàng có thêm lựa chọn về giá, năng lực phục vụ và điểm truy cập. Điều này tạo áp lực để các nhà cung cấp model đóng tiếp tục cải thiện chất lượng, hiệu quả vận hành hoặc mức giá.
Tuy vậy, giá token giảm không đồng nghĩa tổng chi AI sẽ giảm. Dữ liệu từ Vercel được trích trong bài gốc cho thấy chi phí token bình quân đã giảm xuống 43,3% so với tháng 4/2026, trong khi tổng chi tiêu vẫn tăng do người dùng triển khai AI cho nhiều tác vụ hơn.
Đây là điểm doanh nghiệp cần đặc biệt lưu ý: AI rẻ hơn thường mở rộng nhu cầu sử dụng, chứ không tự động làm ngân sách thấp hơn.
Đừng chỉ đổi sang model rẻ hơn
Giá giảm là cơ hội tốt để tối ưu, nhưng không phải lý do để triển khai AI đại trà mà thiếu kiểm soát.
Ưu tiên nên là những tác vụ lặp lại, nhiều văn bản và có đầu ra dễ đánh giá, chẳng hạn:
Tóm tắt biên bản hoặc tài liệu nội bộ.
Soạn bản nháp phản hồi khách hàng.
Phân loại yêu cầu đến từ email hoặc biểu mẫu.
Hỗ trợ đội ngũ tra cứu tài liệu nội bộ.
Hỗ trợ kỹ thuật xử lý các tác vụ có tiêu chí kiểm tra rõ ràng.
Giá rẻ hơn giúp thử nghiệm rẻ hơn. Nó không tự biến một quy trình thiếu chuẩn hóa thành quy trình hiệu quả.
| Lựa chọn | Công sức cần thiết | Rủi ro cần quản lý |
|---|---:|---|
| Rà lại hợp đồng và bảng giá | Thấp đến trung bình | Cam kết dài hạn khi giá thị trường còn biến động |
| Tối ưu luồng gọi model và cache | Trung bình | Giảm chi phí nhưng làm giảm chất lượng đầu ra |
| Mở rộng use case có kiểm soát | Trung bình | Triển khai nhiều thử nghiệm nhưng không ai chịu trách nhiệm ROI |
Ba việc ban điều hành nên yêu cầu ngay
1. Rà lại tiền đang được chi ở đâu
Yêu cầu lập danh sách tất cả chatbot, API, ứng dụng nội bộ và gói AI trả phí.
Với mỗi công cụ, cần thấy được:
Model đang sử dụng.
Chi phí input, output và cache read.
Phòng ban hoặc quy trình tạo ra chi phí.
Khối lượng sử dụng theo thời gian.
Mục đích kinh doanh và người chịu trách nhiệm.
Không có dữ liệu sử dụng thực tế, doanh nghiệp rất khó biết việc đổi model có tạo ra tiết kiệm đáng kể hay chỉ thay đổi một con số trên bảng giá.
2. Phân tuyến tác vụ theo giá trị và rủi ro
Không phải việc nào cũng cần model mạnh nhất.
Các tác vụ đơn giản, có cấu trúc và dễ kiểm tra có thể là ứng viên để thử nghiệm model chi phí thấp. Ngược lại, tác vụ cần suy luận phức tạp, xử lý mã nguồn, liên quan khách hàng hoặc ảnh hưởng đến quyết định kinh doanh nên có tiêu chuẩn chất lượng cao hơn và bước duyệt của con người.
Mục tiêu không phải là đưa mọi việc sang model rẻ nhất. Mục tiêu là chọn mức chi phí phù hợp với giá trị và rủi ro của từng việc.
3. Dùng khoản tiết kiệm để tài trợ thử nghiệm có kỷ luật
Mỗi thử nghiệm AI cần có một chủ sở hữu nghiệp vụ, không chỉ là một dự án của IT.
Trước khi mở rộng, hãy xác định:
Dữ liệu đầu vào nào được phép sử dụng.
Đầu ra nào bắt buộc có người kiểm tra.
Tiêu chí thành công là gì.
Chi phí tối đa cho giai đoạn thử nghiệm.
Khi nào cần dừng nếu không chứng minh được giá trị.
Kế hoạch 30/60/90 ngày
Trong 30 ngày: nhìn rõ chi phí
Lập danh sách toàn bộ ứng dụng và dịch vụ AI đang trả phí.
Phân tách chi phí theo model, input, output, cache read và phòng ban.
Xác định các cuộc hội thoại dài hoặc tài liệu đang được gửi lặp lại.
Chọn một số use case ít nhạy cảm để đánh giá trước.
Chỉ định người sở hữu nghiệp vụ cho từng use case.
Trong 60 ngày: so sánh chi phí với chất lượng
Thử nghiệm model hiện tại và một lựa chọn chi phí thấp hơn trên cùng tập tình huống thực tế.
Đo chất lượng bằng tiêu chí công việc: đúng biểu mẫu, đủ ý, ít phải sửa và thời gian xử lý.
Kiểm tra những phần ngữ cảnh nào thực sự cần được giữ lại.
Xem các tài liệu nào đang bị gửi lặp lại mà không tạo thêm giá trị.
Thiết lập quy tắc chuyển việc cho người duyệt với các tác vụ rủi ro cao.
Trong 90 ngày: chốt danh mục đầu tư
Giữ lại use case chứng minh được lợi ích rõ ràng.
Dừng các thử nghiệm chỉ tạo cảm giác đổi mới nhưng không có chỉ số kết quả.
Đàm phán lại giá hoặc điều khoản cam kết với nhà cung cấp khi có dữ liệu sử dụng.
Đào tạo nhân viên về cách đặt yêu cầu, kiểm tra đầu ra và sử dụng công cụ được phê duyệt.
Báo cáo cho ban điều hành bằng giá trị công việc tạo ra, không chỉ bằng số token đã dùng.
Những câu hỏi cần hỏi ngay
Với nhà cung cấp
Bảng giá mới có áp dụng cho hợp đồng hiện tại không, và từ thời điểm nào?
Giá input, output và cache read của model đang dùng là bao nhiêu?
Có điều khoản nào về thay đổi giá trong thời hạn hợp đồng không?
Dữ liệu của doanh nghiệp được lưu trữ, xử lý và sử dụng như thế nào?
Nếu công ty đang dùng gói agent hoặc gói thuê bao, mức giảm giá API có được phản ánh vào gói đó không?
Với đội IT và chủ sở hữu nghiệp vụ
Use case nào đang tốn nhất theo chi phí thực tế?
Cache hit đang ở mức nào đối với các luồng xử lý dài?
Tác vụ nào có thể chuyển sang model chi phí thấp hơn mà vẫn đạt tiêu chuẩn?
Tác vụ nào bắt buộc cần người duyệt trước khi gửi ra ngoài?
Nếu một nhà cung cấp thay đổi giá hoặc gián đoạn, doanh nghiệp có phương án thay thế hay không?
Lợi thế không nằm ở token rẻ nhất
Giá LLM có thể còn tiếp tục biến động. Vì vậy, lợi thế bền vững không phải là ký được mức giá token thấp nhất ở một thời điểm.
Lợi thế nằm ở năng lực chọn đúng việc cho AI, thiết kế quy trình kiểm soát, theo dõi chi phí theo kết quả và chuyển phần tiết kiệm thành những use case có người sở hữu, có trách nhiệm và có ROI để kiểm chứng.