Tiết kiệm chi phí AI tối đa: bốn đòn bẩy và điểm dừng của từng đòn

Mức tiết kiệm tối đa không phải một con số mà là bốn điểm dừng: 97,5 phần trăm khi đọc cache, 81,25 phần trăm khi hạ model, 15 phần trăm khi cam kết năm, và 0 phần trăm khi đã chạm sàn token đầu vào. Một tháng 4.000 lượt bằng Claude Opus 5.5 tốn 105.600 đồng; sau hai bước đầu còn 16.920 đồng.

Bốn đòn bẩy xếp theo mức tiết kiệm đo được

Đòn bẩy	Trần tiết kiệm	Điều kiện	Điểm dừng
Đọc cache	97,5 phần trăm	Ngữ cảnh lặp lại, model có giá cache thấp	Phần ngữ cảnh không lặp lại
Hạ model	81,25 phần trăm	Việc kiểm tra được kết quả	Chất lượng không còn đủ
Cam kết năm	15 phần trăm giá	Dùng đủ mười hai tháng	Khoá tiền, CUBE còn 90 phần trăm
Sàn token đầu vào	0 phần trăm	Không có điều kiện	Luôn tồn tại

Xếp theo trần, thứ tự là cache, hạ model, cam kết năm, và cuối cùng là phần không cắt được. Nhưng trần không phải thứ tự thực hiện: cache dễ làm trước và không rủi ro, nên nó đứng đầu danh sách việc.

Điểm dừng của từng đòn

Đọc cache dừng ở chỗ ngữ cảnh bắt đầu thay đổi. Mỗi lần nội dung đổi, cache không còn dùng được và bạn trả giá đầu vào đầy đủ. Với prompt hệ thống cố định, phần này có thể chiếm 80 phần trăm token đầu vào; với hội thoại mới hoàn toàn, nó bằng 0.

Hạ model dừng ở chỗ chất lượng không còn đủ. Đổi từ Claude Opus 5.5 sang Gemini 3.8 Flash cắt 81,25 phần trăm chi phí một lượt, từ 26,4 đồng xuống 4,95 đồng. Ngưỡng hoà vốn không nằm ở vài chục phần trăm làm lại: 26,4 ÷ 4,95 = 5,33, nên phần tiết kiệm chỉ mất khi số lần gọi tăng quá 5,3 lần, tức tỉ lệ phải làm lại vượt khoảng 433 phần trăm. Ở tỉ lệ phải làm lại 25 phần trăm, chi phí vẫn rẻ hơn khoảng 77 phần trăm. Điểm dừng thật của đòn này là chất lượng, không phải giá.

Cam kết năm dừng ở chỗ nhu cầu chưa ổn định. Gói Pro trả năm là 15.289.800đ, đơn giá 707,86 đồng một CUBE; bản tháng là 749,50 đồng. Chênh 5,6 phần trăm đơn giá, đổi lại là khoá tiền mười hai tháng.

Sàn token đầu vào không có điểm dừng vì nó luôn tồn tại. Câu hỏi càng ngắn thì sàn càng thấp, nhưng câu hỏi quá ngắn làm tăng tỉ lệ làm lại.

Phần chi phí không thể cắt

Mỗi lượt hỏi phải gửi câu hỏi. Với lượt chuẩn 2.000 token vào bằng Gemini 3.8 Flash, phần đó là 2.000 × 0,9 ÷ 1.000.000 = 0,0018 CUBE, tức 1,8 đồng. Không đòn bẩy nào cắt được con số này, trừ khi bạn viết câu hỏi ngắn hơn.

Phần thứ hai không cắt được là giá niêm yết của một CUBE, 1.000đ. Gói mua trước hạ được đơn giá xuống 850đ, 750đ, 697đ hoặc 667đ, nhưng không xuống 0.

Phần thứ ba là token đầu ra. Nó tỉ lệ với độ dài câu trả lời bạn cần, nên cách duy nhất để cắt là yêu cầu câu trả lời ngắn hơn, không phải đổi model.

Phần thứ tư là thời gian chờ, và nó không hiện trên hoá đơn. 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 p99 170.422 ms trên 271 mẫu, còn Gemini 3.8 Flash có p50 10.181 ms và p99 59.922 ms trên 6.051 mẫu. Hạ model vì thế cắt cả tiền lẫn thời gian chờ, và bài tiết kiệm chi phí vận hành quy phần chờ đó ra phút mỗi tháng.

Bảng mô phỏng một tháng trước và sau tối ưu

Giả định 4.000 lượt một tháng, mỗi lượt 2.000 token vào và 700 token ra.

Bước	Cấu hình	Chi phí một lượt	4.000 lượt
Ban đầu	Claude Opus 5.5	26,4 đồng	105.600 đồng
Hạ model	Gemini 3.8 Flash	4,95 đồng	19.800 đồng
Đọc cache một nửa ngữ cảnh	Gemini 3.8 Flash	4,23 đồng	16.920 đồng
Cam kết năm	Gói Pro trả năm	Không đổi	Giảm 5,6 phần trăm đơn giá CUBE

Dòng thứ ba là phép tính đáng làm rõ. Một nửa trong 2.000 token đầu vào đọc từ cache: 1.000 × 0,9 + 1.000 × 0,18 + 700 × 4,5 = 4.230, chia 1.000.000 ra 0,00423 CUBE, tức 4,23 đồng một lượt. Nhân 4.000 ra 16.920 đồng.

Tổng mức cắt từ dòng đầu tới dòng ba là 105.600 − 16.920 = 88.680 đồng, tức 88.680 ÷ 105.600 = 84 phần trăm. Phần còn lại 16.920 đồng là sàn thực tế của cấu hình này.

Dấu hiệu bạn đã tối ưu quá mức

Dấu hiệu thứ nhất: tỉ lệ phải làm lại tăng. Nếu hạ model làm số lần gọi trung bình vượt 5,3, bạn đã vượt ngưỡng hoà vốn của chính mình.

Dấu hiệu thứ hai: thời gian chờ tăng. Chuyển sang model rẻ nhưng đuôi chậm dài hơn làm người dùng chờ lâu hơn, và chi phí chờ không nằm trên hoá đơn.

Dấu hiệu thứ ba: người dùng mở tài khoản cá nhân. Khi hạn mức nội bộ quá chặt, người ta trả tiền túi để làm xong việc, và công ty mất cả kiểm soát lẫn hoá đơn.

Bài tiết kiệm chi phí dài hạn đi vào điều kiện của từng đòn; bài prompt caching giảm chi phí giải thích cơ chế cache; bài chọn model AI theo chi phí có bảng chọn theo loại việc. Giá đầy đủ ở bảng giá token.

Giới hạn của bài này

Bảng mô phỏng dùng đúng một cấu hình lượt. Lượt dài hơn làm phần đầu vào chiếm tỉ trọng lớn hơn và cache có lợi hơn; lượt ngắn hơn làm mọi con số nhỏ đi theo tỉ lệ.

Con số 84 phần trăm là kết quả của ba bước cụ thể, không phải lời hứa cho mọi tài khoản. Một tài khoản đã dùng model rẻ sẵn sẽ có mức cắt nhỏ hơn nhiều.

Cuối cùng, bài này không tính chi phí triển khai cache và chi phí đo chất lượng. Hai khoản đó là thời gian kỹ thuật, và với đội nhỏ chúng có thể lớn hơn phần tiết kiệm trong vài tháng đầu.