Tiết kiệm chi phí AI dài hạn: ba đòn bẩy và mức trần của từng đòn

Ba đòn bẩy tiết kiệm dài hạn có trần rất khác nhau: cam kết năm giảm 15 phần trăm, hạ model cắt tới 81,25 phần trăm, và đọc cache cắt tới 97,5 phần trăm. Thứ tự đúng là cache trước, hạ model sau, cam kết năm cuối, vì hai đòn đầu chỉ đổi cách gọi còn đòn cuối khoá tiền mười hai tháng.

Ba đòn bẩy và trần của từng đòn

Đòn bẩy	Trần tiết kiệm	Điều kiện để có	Thời gian khoá
Đọc cache	97,5 phần trăm	Ngữ cảnh lặp lại giữa các lượt	Không khoá
Hạ model	81,25 phần trăm	Việc có đáp án kiểm tra được	Không khoá
Cam kết năm	15 phần trăm giá	Dùng đủ mười hai tháng	Khoá cả năm

Cột cuối là cột quan trọng nhất với doanh nghiệp. Hai đòn đầu có thể đảo lại nếu bạn đổi ý; đòn thứ ba thì không.

Cam kết năm: 15 phần trăm và số tiền khoá trước

Gói Pro trả theo tháng là 1.499.000đ. Mười hai tháng là 1.499.000 × 12 = 17.988.000 đồng. Trả năm một lần là 15.289.800đ, chênh 2.698.200 đồng, đúng 2.698.200 ÷ 17.988.000 = 15 phần trăm.

Nhưng bản năm chỉ cấp 1.800 CUBE mỗi tháng thay vì 2.000. Đơn giá thật vì thế không giảm đủ 15 phần trăm: bản tháng là 1.499.000 ÷ 2.000 = 749,50 đồng một CUBE, bản năm là 15.289.800 ÷ 1.800 ÷ 12 = 707,86 đồng. Mức giảm đơn giá là 5,6 phần trăm.

Con số 5,6 phần trăm đó vẫn dương, nên cam kết năm có lãi nếu bạn dùng hết CUBE. Nếu bạn chỉ dùng 1.500 trong 1.800 CUBE, đơn giá thật là 15.289.800 ÷ 1.500 ÷ 12 = 849,43 đồng, đắt hơn cả bản tháng.

Hạ model: khi nào 81,25 phần trăm rẻ hơn vẫn đủ việc

Một lượt chuẩn 2.000 token vào và 700 token ra tốn 26,4 đồng với Claude Opus 5.5 và 4,95 đồng với Gemini 3.8 Flash. Chênh lệch là (26,4 − 4,95) ÷ 26,4 = 81,25 phần trăm.

Đổi từ GPT-6.1 Sol sang Claude Haiku 4.5 chỉ cắt 50 phần trăm, vì hai model này có giá 13,2 đồng và 6,6 đồng một lượt.

Độ trễ cũng đổi theo. Số liệu đo tại gateway của Wisa trong cửa sổ 7 ngày kết thúc ngày 27/10/2026: Claude Opus 5.5 có p50 15.168 ms và p95 103.013 ms trên 271 mẫu, Gemini 3.8 Flash có p50 10.181 ms và p95 27.344 ms trên 6.051 mẫu. Đuôi chậm của Gemini ngắn hơn 3,8 lần, nên hạ model còn cắt cả thời gian chờ.

Ranh giới an toàn: hạ model cho việc mà bạn kiểm tra được kết quả bằng mắt hoặc bằng test. Giữ model mạnh cho việc mà một lần sai tốn hơn phần chênh lệch.

Đọc cache: mức 97,5 phần trăm đến từ đâu

Giá đọc cache luôn thấp hơn hoặc bằng giá đầu vào, và tỉ lệ đó khác nhau theo từng model. Bảng dưới đây đọc từ bảng giá ngày 27/10/2026.

Model	Giá vào mỗi triệu	Giá đọc cache mỗi triệu	Tỉ lệ	Mức tiết kiệm
Claude Fable 5.1	24.000đ	600đ	2,5 phần trăm	97,5 phần trăm
Claude Opus 5.5	4.800đ	240đ	5 phần trăm	95 phần trăm
GPT-6.1 Sol	2.400đ	120đ	5 phần trăm	95 phần trăm
Claude Haiku 4.5	1.200đ	120đ	10 phần trăm	90 phần trăm
Gemini 3.8 Flash	900đ	180đ	20 phần trăm	80 phần trăm
GPT-5.6 Luna	480đ	288đ	60 phần trăm	40 phần trăm

Cột thứ tư là phép chia, cột thứ năm là phần còn lại sau khi trừ đi 100. Claude Fable 5.1 đọc cache 600 ÷ 24.000 = 2,5 phần trăm, nên tiết kiệm 97,5 phần trăm.

Có một khoản ngược lại: ghi cache. Với Claude và GPT, ghi cache tính ít nhất 1,25 lần giá đầu vào, ví dụ Claude Opus 5.5 là 6.000đ so với 4.800đ. Grok 4.6 của xAI cũng thu, đúng 1 lần giá đầu vào là 2.400đ. Gemini, DeepSeek, GLM, Kimi, Step và MiniMax không thu phí ghi cache.

Vì vậy cache chỉ có lợi khi ngữ cảnh lặp lại ít nhất vài lần. Một prompt dài gửi đúng một lần sẽ đắt hơn nếu bạn bật cache trên Claude hoặc GPT.

Thứ tự áp dụng để không mất năng lực

Bước một: tìm phần ngữ cảnh lặp lại. Đó thường là prompt hệ thống, danh mục sản phẩm, hoặc tài liệu nội bộ ít đổi. Đưa phần đó lên đầu prompt và bật cache.

Bước hai: đo chất lượng theo từng loại việc trước khi hạ model. Ghi tỉ lệ phải làm lại của model mạnh, rồi so với model rẻ trên cùng bộ việc. Chỉ hạ khi tỉ lệ làm lại không tăng.

Bước ba: chỉ cam kết năm khi số lượt thật đã ổn định. Gói năm khoá tiền, nên nó là bước cuối, không phải bước đầu để lấy giảm giá.

Bài prompt caching giảm chi phí giải thích cơ chế cache; bài tiết kiệm chi phí tối đa xếp bốn đòn bẩy theo mức cắt và chỉ ra điểm dừng. Để so sánh giá gói, đọc so sánh giá các gói AI và bảng giá token. Cách chia ngân sách cho nhiều nhóm nằm ở bài tiết kiệm chi phí cho doanh nghiệp.

Giới hạn của bài này

Bài này giả định 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 ngắn, cache gần như không đáng bật.

Ba mức trần trong bài là trần lý thuyết của từng đòn, không phải mức bạn đạt được cùng lúc. Hạ model làm giảm chất lượng, cache chỉ có lợi khi lặp lại, và cam kết năm chỉ có lãi khi dùng đủ.

Cuối cùng, giá trong bài là giá niêm yết ngày 30/10/2026. Giá model đổi theo bảng giá của từng nhà cung cấp, nên hãy đọc lại bảng giá trước khi ký.