Mua API AI giá rẻ: bốn cách cắt tiền mà không đổi nhà cung cấp

Cách rẻ nhất để có API AI không phải tìm bên bán rẻ hơn mà là bốn thay đổi trong cách gọi: định tuyến theo việc, đọc cache, cắt token hệ thống và giới hạn đầu ra. Định tuyến một mình đã cắt 81,25 phần trăm khi đưa việc thường ngày từ Claude Opus 5.5 sang Gemini 3.8 Flash, và cắt tới 99,0 phần trăm khi sang GPT OSS 20B.

Bốn cách cắt và mức cắt đo được

Cách	Mức cắt	Điều kiện	Áp ở đâu
Định tuyến theo việc	81,25 đến 99,0 phần trăm	Việc đơn giản, kết quả kiểm tra được	Lớp chọn model
Đọc cache	80 đến 95 phần trăm	Ngữ cảnh lặp lại giữa các lượt	Prompt dài, cố định
Cắt token hệ thống	Theo số token cắt được	Prompt hệ thống dài hơn mức cần	Mọi lượt
Giới hạn đầu ra	31,2 đồng mỗi lượt với Opus	Đặt trần đúng nhu cầu	Mọi lượt

Bốn cách này không loại trừ nhau, nhưng cũng không cộng dồn phần trăm. Định tuyến đổi model, cache đổi cách tính phần ngữ cảnh, còn hai cách sau đổi số token gửi đi. Mỗi cách tác động lên một phần khác của hoá đơn.

Định tuyến theo việc: bảng model theo từng loại việc

Một lượt chuẩn 2.000 token vào và 700 token ra có chi phí rất khác nhau giữa các model. Bảng sau là chi phí của cùng một lượt.

Loại việc	Model	Chi phí một lượt	Lý do chọn
Phân loại, trích xuất, định dạng	GPT OSS 20B	0,27 đồng	Rẻ nhất, đủ cho việc ngắn
Tóm tắt, soạn thảo thường ngày	Gemini 3.8 Flash	4,95 đồng	Cân bằng giữa giá và chất lượng
Việc cần phán đoán nhiều bước	Claude Opus 5.5	26,4 đồng	Chỉ dùng khi một lần sai tốn hơn

Phép tính của dòng đầu: (2.000 × 0,06 + 700 × 0,216) ÷ 1.000.000 = 0,0002712 CUBE, tức 0,27 đồng. So với 26,4 đồng của Claude Opus 5.5, mức cắt là (26,4 − 0,27) ÷ 26,4 = 99,0 phần trăm.

Định tuyến còn cắt thời gian chờ. Số liệu đo tại gateway của Wisa trong cửa sổ 7 ngày kết thúc ngày 27/10/2026: Gemini 3.8 Flash có p50 10.181 ms và p95 27.344 ms trên 6.051 mẫu, còn Claude Opus 5.5 có p95 103.013 ms trên 271 mẫu. Đuôi chậm của model mạnh dài gần bốn lần.

Đọc cache: điều kiện để có lợi

Đọc cache chỉ có lợi khi phần ngữ cảnh được lặp lại. Với Claude Opus 5.5, giá đọc cache là 240đ so với 4.800đ giá đầu vào, tức tiết kiệm 95 phần trăm. Với Gemini 3.8 Flash, mức đó là 180đ so với 900đ, tức 80 phần trăm.

Điều kiện thứ hai là chi phí ghi cache. Claude và GPT tính ghi cache ít nhất 1,25 lần giá đầu vào, ví dụ Claude Opus 5.5 là 6.000đ so với 4.800đ. Nếu ngữ cảnh chỉ dùng một lần, bạn trả thêm ít nhất 25 phần trăm mà không được gì. Grok 4.6 của xAI cũng thu phí ghi, đúng 1 lần giá đầu vào là 2.400đ. Gemini, DeepSeek, GLM, Kimi, Step và MiniMax không thu phí ghi cache, nên bật cache trên các model đó rủi ro thấp hơn.

Điều kiện thứ ba là độ dài ngữ cảnh. Với prompt hệ thống 800 token, phần cache tiết kiệm được rất nhỏ; với tài liệu 50.000 token đọc lại mỗi ngày, đó là khoản lớn nhất trên hoá đơn.

Cắt token hệ thống và giới hạn đầu ra

Prompt hệ thống được gửi kèm mọi lượt, nên nó nhân với số lượt. Một prompt 800 token, 4.000 lượt một tháng, là 3,2 triệu token. Với Claude Opus 5.5, khoản đó tốn 3,2 × 4.800 = 15.360 đồng; với Gemini 3.8 Flash là 3,2 × 900 = 2.880 đồng.

Cắt prompt hệ thống từ 800 xuống 400 token cắt đúng một nửa khoản trên. Đây là việc rẻ nhất trong bốn cách, vì nó chỉ là sửa văn bản, không cần đổi hạ tầng.

Giới hạn đầu ra tác động theo chiều khác. Nếu bạn đặt trần 2.000 token nhưng câu trả lời chỉ cần 700, phần dư vẫn có thể bị sinh ra và vẫn bị tính. Với Claude Opus 5.5, 1.300 token dư tốn 1.300 × 24.000 ÷ 1.000.000 = 31,2 đồng mỗi lượt, tức 124.800 đồng cho 4.000 lượt.

Những cách rẻ trông hấp dẫn nhưng có rủi ro

Cách thứ nhất là mua khoá qua bên thứ ba. Giá thường thấp hơn, nhưng bạn không kiểm soát khoá, không chắc có hoá đơn, và không biết bên bán định tuyến tới model nào. Khi khoá bị thu hồi, bạn mất dịch vụ giữa việc.

Cách thứ hai là dùng model không có trong bảng giá chính thức. Model lạ có thể rẻ, nhưng bạn không có cam kết về phiên bản, và kết quả có thể đổi mà không báo trước.

Cách thứ ba là bật cache tràn lan. Trên Claude và GPT, bật cache cho prompt chỉ dùng một lần làm hoá đơn tăng 25 phần trăm ở phần ghi cache.

Bài API AI giá rẻ và cách tính chi phí có công thức đầy đủ; bài prompt caching giảm chi phí giải thích cơ chế; bài thuê API AI giá rẻ so ba mô hình thuê; bài so sánh token có ba thước đo để chọn model. Giá đầy đủ ở bảng giá token.

Giới hạn của bài này

Bốn mức cắt trong bài tính trên lượt 2.000 token vào và 700 token ra. Với lượt dài hơn, phần đầu vào chiếm tỉ trọng lớn hơn và cache có lợi hơn; với lượt rất ngắn, định tuyến là cách duy nhất còn tác dụng.

Bài cũng giả định chất lượng của model rẻ đủ cho việc được giao. Nếu tỉ lệ phải làm lại vượt 5,3 lần, phần tiết kiệm của định tuyến bị ăn hết, và lúc đó cách đúng là quay lại model mạnh cho loại việc đó.

Cuối cùng, bài không nêu giá của bất kỳ bên bán lại nào, vì không có bảng giá công khai để kiểm chứng. Nếu bạn định mua qua trung gian, hãy đọc bài về thuê API trước khi quyết định.