币圈界报道：

AI运营重心转向经济型模型部署

随着内部代币使用量呈现指数级攀升，Coinbase正推动一项核心策略变革：将非关键性提示请求定向至更具成本优势的模型，以有效抑制人工智能开支增长。在部分高频率用例中，即便代币消耗持续上升，整体支出仍维持基本平稳。

多层级模型调度机制加速成型

Coinbase首席执行官预测，未来12至18个月内，人工智能任务将出现结构性分化——约八成工作负载将迁移至可实现99%成本削减的轻量模型，剩余两成涉及深度推理或高风险决策的任务则继续依赖前沿系统。这使模型调度从辅助配置升级为战略级运营工具。

企业不再盲目追求顶级模型性能，而是依据任务性质匹配最优性价比方案。如重复性提示、文档摘要、基础编程支持、内部信息检索及草稿生成等常规操作，均可在低资源模型上高效完成；而科学分析、复杂逻辑推演、智能体协同或敏感决策环节，则仍需高端模型保障可靠性与准确性。

从性能竞赛到价值效率的范式转移

对Coinbase而言，成本管理已从边缘议题跃升为核心关切。五月披露显示，人工智能正深度重构工程师团队、非技术部门及自动化流程的运作模式。

新阶段的智能战略强调精细化控制：通过动态路由提示、建立模型质量评估体系、区分常规任务与高价值推理需求，企业在提升使用广度的同时避免代币账单失控。这一转变揭示生成式AI发展进入新周期——初期聚焦最强模型，当前则更重视成本控制、分层调度、响应延迟、系统稳定性与模型选择机制的协同优化。

行业共识认为，市场对智能服务的需求近乎无界，但绝大多数场景无需顶尖模型承载。若此趋势成立，大型机构的成功布局将不再依赖单一高性能模型，而是构建具备差异化价格、速度与智能水平的多层模型架构。

成本逻辑延伸至加密基础设施建设

该策略同样深刻影响加密领域底层能力建设。Coinbase已在AI代理支付、开发工具链、合规自动化与链上通道管理等方面展开布局。随着软件代理催生更多交易请求、支持任务与内部流程，代币使用效率正成为衡量运营边际效益的关键指标。

成本优化与人力结构重塑的交汇点

当前正值金融行业重新定义AI时代人力资源配置节点。多家银行正调整招聘方向、推进自动化进程并设定新生产力目标，为智能化转型铺路。

Coinbase采取类似路径但具独特性：其不仅利用AI提升团队产出，更致力于降低自身运行层的模型成本。这种双重策略构成显著的运营杠杆效应——更高的自动化密度、更少的人工干预以及更低的单位任务成本。

潜在风险在于，经济型模型可能无法胜任监管敏感、安全关键或直接影响用户的服务场景。加密交易涉及欺诈识别、账户冻结、合规审查、钱包行为监控、系统维护及客户资产处理等复杂任务。若在需深度推理或人工复核的环节误用低阶模型，可能导致判断失误、响应延迟或安全隐患。

平衡效率与可靠性的现实考验

Coinbase当前面临的核心挑战是：在扩展AI应用范围的同时，确保模型成本节约不被准确性下降或合规风险所抵消。未来一年半的发展将验证一个关键命题——即使多数任务可实现大幅降本，企业仍必须建立精准判断模型适用场景的能力，明确何时启用经济型智能，何时必须调用前沿推理系统。