企业级AI支出正在从“怎么限制用”转向“怎么更聪明地用”，Coinbase给出的做法多少有点反直觉：不是收紧权限，而是重写默认值。
首席执行官Brian Armstrong披露的一组内部数据看起来颇为克制——在代币调用量呈指数级增长的同时，AI相关支出反而下降了近一半。实现路径并不复杂，也不是靠削减使用，而是调整了“默认决策层”。
在很多企业里，AI成本控制通常依赖两件事：使用上限和告警系统。但Coinbase的观察是，这种方式解决的是“超支问题”，而不是“结构问题”。
真正的浪费，往往发生在默认选择上。
于是策略发生了偏移。公司通过LLM网关重新定义模型调用路径，将开源权重模型作为默认选项，包括Zhipu AI的GLM 5.2，以及Moonshot AI的Kimi 2.7。这些模型并不是唯一选择，但被放在了“默认入口”。
这一步的关键点在于“默认效应”。工程师仍然可以切换模型，但大多数情况下不会主动更改路径。结果是，系统级调用成本被自然压低，而不是通过限制行为实现。
Coinbase内部的一个数据细节也解释了这种策略的合理性：约91%的员工从未触及使用上限。这意味着，过去依赖“限额控制”的成本管理方式，本质上是在管理一个很少被触碰的约束。
问题不在上限，而在路径。
从架构角度看，这更像一次AI调用逻辑的重写。过去的系统是“允许你用，但设上限”；现在变成“默认帮你选更便宜的方案，但仍允许升级”。控制点从“使用量”转向“选择权”。
这种变化在企业AI落地阶段并不偶然。
当大模型从实验室走向生产环境，调用成本开始成为持续性支出，而不是一次性采购问题。很多公司会经历一个相似路径：先是疯狂接入最强模型，再进入成本失控阶段，最后才回到“任务-模型匹配”的精细化阶段。
Coinbase的做法，本质上是在进入第三阶段。
更有意思的是模型选择本身。GLM 5.2和Kimi 2.7都属于成本效率较高的开源或半开放模型，它们在通用能力上可能不如顶级闭源模型，但在大量结构化任务中性价比更高。
换句话说，这不是能力优先，而是“够用优先”。
在企业级场景里，这种转变往往意味着AI正在从“能力展示工具”转向“基础设施组件”。一旦进入基础设施阶段，成本结构就会比能力曲线更重要。
从更宏观的视角看，这种策略也在改变AI产业链的定价方式。
过去价格锚点来自最强模型能力，现在则逐渐被“默认调用路径”重塑。谁能成为默认选项，谁就能吃掉更大的调用流量，而不是单纯依赖性能排名。
Coinbase的案例更像一个早期信号：AI成本优化不再是财务部门的事，而是架构设计问题。
而一旦默认值被重新定义，支出曲线就会自然改变。
