替 AI 助理算成本時，你可能先打開模型的 token 價目表。但如果助理還要整理試算表、執行程式、保存檔案，背後也需要電腦替它做事。Anthropic 最新一筆雲端合作，讓這部分運算需求有了很具體的數字。
Akamai 在 9 月 24 日公告，Anthropic 簽下七年、116 億美元的合約承諾，使用其分散式雲端基礎設施與軟體，支援 CPU 工作負載成長。公告另列最高 90 億美元的擴充可能；那部分仍有條件，不能加起來當成已支出的金額。
對台灣正在做自動化服務的小團隊，我會把這則新聞拿來重看成本表：模型回答問題要花錢，讓它把事情做完，也有一張帳。
CPU 合作透露了什麼，又還不能推論什麼？
公告明確指出 CPU 需求，卻沒有逐項公開 Anthropic 會把哪些產品、哪些任務放到這批資源上。因此，把整筆合約直接指定為 Claude Code 的沙箱費用，或預告一般訂閱即將降價，都超出了已知資訊。
可以確定的意義比較單純：大型模型公司正在為通用運算工作配置長期雲端容量。這項合作與 GPU 模型訓練、推理需求可以同時存在，不能據此判斷哪一種晶片會被取代。
本站先前整理過 AI agent 與 CPU 基礎設施的關係；這次多了可核對的商業承諾。但合約金額本身，仍不足以推算每位 Claude 使用者能多做多少工作。
看一個「整理報表」任務，就能理解兩種運算
假設你請 AI 助理把三份銷售檔案整理成週報。模型先判斷欄位怎麼對應、產生處理步驟；接著需要執行程式來讀檔、合併、計算，再把結果交回模型解釋。這是一個說明用途的例子，不是上述合約已揭露的部署方式。
Anthropic 的程式執行工具文件就描述了這種分工：Claude 可以在隔離的容器環境執行 Python、Bash 與檔案操作。模型提出的程式，需要另一個執行環境真正跑起來；文字答案與產出的檔案也需要分別驗證。
這也是為什麼「回答變便宜」未必讓整條流程同比例變便宜。若報表每次都重讀全部檔案，或失敗後從頭再跑，工具執行與等待時間仍會累積。反過來說，把重複工作省掉，也可能在不更換模型的情況下改善成本。
小團隊現在能做的，是找出最貴的那一步
不必因為大公司簽約，就更換自己的雲端供應商。先挑一條已經每天在跑的流程，例如客戶資料整理或定時報表，把一次完整任務的模型費、執行時間、儲存和失敗重跑記下來。
如果大部分費用來自反覆傳送同一批內容，就回頭看快取與輸入量；若模型已經答完，程式卻還在長時間處理檔案，就檢查資料處理步驟與執行環境。改善的位置不同，處理方法也不同。
我會先要求一個能說清楚的結果：上週成功交付一份報表，平均花多少錢、需要多久、失敗在哪裡。 有了這些數字，才知道新模型的降價能幫多少，也能避免只因 token 單價好看就把流程擴大。完整拆帳方法可接著看 AI 成本優化。