HPE 出錢寫稿：計 token 不如計晒晒出咗幾多嘢
呢篇係 HPE 贊助、喺 MIT Technology Review 刊出嘅文章，唔係獨立報道。佢想講嘅係：當 AI agent 做編程，唔係答一次就收工，而係 plan、寫 code、跑測試、再重複改錯，一個任務用嘅 token 可以係基本 chat prompt 嘅 10 到 50 倍。越有用嘅 agent，呼叫嘅次數越多；按 token 計費，最有用嘅流程同時變得好貴。
佢舉咗三個數：Uber 據報喺 4 月已用盡 2026 全年 AI 預算（因為擴大使用 Claude Code）；GitHub Copilot 由套餐轉做按量 metered credits；Gartner 預測 AI 編程 token 成本喺 2028 年會超過工程師平均年薪。
文章嘅核心主張：唔好計「每個 token 成本」（只量度消耗），要計「每個合併 PR 成本」——AI 輔助開發總成本除以通過審查並合併嘅變更數量，並同時追蹤 rework 同缺陷，確保平嘅變更唔係靠品質差換嚟。
點樣降低成本？佢話有兩招：
一、將模型配對任務。 唔係每步都要最強模型。困難 planning 同新穎推理用 frontier model；code generation、寫測試、重複 refactor 可以 routing 到自行營運嘅開放權重（open-weight）模型。佢引用 benchmark 指「領先開放權重模型喺部分任務可接近 frontier 表現」，但同時話呢唔代表喺每個 repo/workflow 都等效，要求你拿自家 code、測試同 acceptance criteria 去評估先再派 production work。
二、改變重複使用嘅經濟賬。 租用推理每次呼叫都加錢；擁有本地容量，大部分成本喺前端投入，用得越多單次越便宜。佢亦強調擁有容量嘅非財務價值：敏感 code 留喺本地，控制權喺你手。
阿調搞兩下
講到好聽，呢篇嘅落點好清楚：HPE 賣嘅正正係本地硬件。文章由「成本」講到「擁有容量」再講到「control over sensitive code」，一步兩步三步，最終指向「買我嘅嘢」。呢種 sponsored content 要明眼睇：佢提供咗一個真實嘅經濟問題（agent 燒 token 好快），但解法好順路。
「每個合併 PR 成本」呢個指標本身好合理，同賣乜硬件冇關係。但「開放權重模型可以喺部分任務接近 frontier」呢句引用 benchmark，冇列出邊個 benchmark、邊個模型、點樣測——典型嘅贊助稿手法：方向對，細節空。
真係想計清楚 AI 編程賬，呢個 metric 值得試。但試之前，問句好重要：你嘅老細點樣衡量 agent 嘅生產力？計 token 消耗，定計合併晒嘅 PR？
阿調｜深度調教
