Vercel把AI账单切成6块，企业用户省了23%冤枉钱

2024年Q3，某SaaS公司CTO在复盘时发现：团队每月给OpenAI、Anthropic、Gemini三家打钱，但没人说得清哪个功能最烧钱。AI Gateway的Custom Reporting（自定义报表）功能，本质上就是给这种"糊涂账"做B超——把原本混在一起的成本流，按模型、供应商、用户、标签、凭证类型六个维度切片。

从"黑箱"到"透视"：AI成本终于能按人头算账了

Vercel在3月25日开放测试的这项功能，面向Pro和企业用户。核心逻辑很直白：既然所有推理请求已经过AI Gateway，那成本、token、请求数这些数据本来就在，只是以前查不了。现在通过Reporting API（报表接口）可以直接拉取，不用登录各家供应商后台，也不用自建代理做统计。

关键突破在标签系统。开发者可以在请求里嵌入`user`和`tags`字段，把成本和具体客户、功能、团队、环境挂钩。代码示例显示，调用`generateText`时，通过`providerOptions.gateway`传入客户ID和标签数组，后续就能按这些维度聚合账单。

支持的范围包括AI SDK、Chat Completions API、Responses API、OpenResponses API、Anthropic Messages API。换句话说，主流调用方式全覆盖。

标签的颗粒度直接决定成本优化的空间。粗粒度只能分"测试/生产"，细粒度可以追踪到"某企业客户的代码审查功能在3月第2周的token消耗"。

API设计：一个端点，六种切法

查询端点固定为`https://ai-gateway.vercel.sh/v1/report`，通过URL参数控制时间范围和分组方式。`start_date`和`end_date`限定窗口，`group_by`支持time、tag、user、model、provider等维度。

返回的JSON结构暴露了Vercel对AI成本的理解深度。每个分组包含：实际成本（total_cost）、市场价（market_cost）、输入/输出token数、缓存命中token、缓存创建token、推理token、请求次数。其中market_cost字段暗示Vercel可能在替用户议价——实际支付低于官方定价。

示例数据里，"enterprise"标签3月消耗8400美元，对应市场价9600美元，差额12.5%；"code-review"标签5100美元对5900美元，差额13.6%。这种"隐性折扣"可能是AI Gateway的批量采购优势。

定价层面，写入成本为每千个唯一标签或用户ID值0.075美元，查询成本为每千次5美元。假设一个请求带3个标签、1个用户ID，单次写入成本约0.0003美元；每月查100次报表，成本0.5美元。对月消耗数千美元的企业，监测成本占比低于0.1%。

谁需要这个功能？三种典型场景

第一类是多租户SaaS。把`user`设为客户ID，就能生成每个客户的AI消耗账单，为后续定价和成本转嫁提供数据基础。第二类是功能矩阵复杂的产品。用标签区分"代码补全""代码审查""文档生成"，可以识别哪些功能在吞噬利润。第三类是混合环境部署。"production""staging""dev"标签能隔离环境成本，避免测试流量污染生产预算。

一个细节值得玩味：Vercel把缓存相关token拆成`cached_input_tokens`和`cache_creation_input_tokens`两列。前者是命中缓存节省的成本，后者是写入缓存的额外开销。这种拆分逼着开发者算一笔账——缓存策略到底省没省钱。

缓存不是免费午餐。写入缓存消耗token，只有重复查询足够多才能摊平成本。Custom Reporting把这笔账摆到桌面上。

技术实现上，标签系统依赖AI SDK的`providerOptions`扩展机制。这个设计让Vercel在不破坏标准接口的前提下，注入自己的元数据层。对已经用AI SDK的团队，接入成本几乎为零；对直接调OpenAI API的团队，需要迁移到Vercel的兼容层。

隐性博弈：Vercel想成为AI基础设施的"财务中台"

这个功能发布的时间点很微妙。2024年下半年，多家云厂商推出AI成本管理工具：AWS有Cost Anomaly Detection for Bedrock，GCP有Vertex AI的细粒度账单。Vercel的差异化在于"中立性"——不绑定自有模型，支持Anthropic、OpenAI、Gemini等多供应商，甚至包括BYOK（自带密钥）场景。

BYOK的支持是关键。企业用自己申请的API密钥走AI Gateway，Vercel不赚模型差价，只收网关和报表费用。这种"轻资产"模式降低了客户信任门槛，也为后续交叉销售留下接口——先用报表功能建立数据依赖，再推AI Gateway的缓存、速率限制、容错切换等高级功能。

一个潜在风险是数据主权。所有成本数据流经Vercel服务器，虽然声称只用于聚合报表，但金融敏感型企业可能需要私有化部署选项。目前文档未提及本地版或VPC版。

另一个观察点是market_cost字段的透明度。Vercel没有解释这个数值如何计算，是官方定价、企业协议价，还是Vercel批量采购后的分摊成本。如果客户想用这个字段向终端用户证明"我们拿到了好价格"，缺乏审计依据。

从工具到基础设施：AI成本管理的演进

2023年，AI成本管理还是"事后诸葛亮"——月底看账单，发现某实验项目烧了五千美元。2024年，实时成本追踪成为标配，但大多绑定单一供应商。Vercel的尝试是把成本管理做成跨供应商的通用层，类似Kubernetes对计算资源的抽象。

这种抽象的价值随AI供应商数量增加而放大。当团队同时用GPT-4o做客服、Claude 3.5 Sonnet做代码、Gemini 1.5 Pro做多模态，统一成本视图比分别登录三个控制台高效得多。更深层的需求是"成本归因"——把AI支出映射到产品功能、客户合同、团队OKR，这是财务规划和定价策略的基础。

Custom Reporting的查询接口设计也暴露了Vercel的野心。返回数据包含原始token数和请求次数，意味着客户可以自建分析层，把Vercel当作数据管道而非终点。这种"被集成"的姿态，比提供封闭仪表盘更符合开发者工具的定位。

定价策略同样值得细品。写入按标签/用户ID的唯一值计费，而非请求次数——鼓励高复用率的标签设计。查询按次数计费，但单价5美元/千次足够低，不会抑制正常使用。整体定价结构在"覆盖成本"和"培养习惯"之间找平衡。

一个尚未回答的问题是：当客户积累足够历史数据后，Vercel是否会推出成本预测、异常检测、自动优化建议等增值功能？目前的API只提供回溯查询，没有实时告警或预算管控。这些功能可能是企业版的下一个钩子。

回到那个SaaS公司CTO的场景。Custom Reporting上线后，他可以在季度复盘时精确回答：代码审查功能占AI成本的31%，但只贡献12%的付费转化；某企业客户月均消耗2400美元，但合同价只覆盖1800美元。这些数据驱动的决策，是"AI原生"公司从粗放增长转向精细化运营的必经之路。

当AI支出从"创新预算"变成"主营业务成本"，谁掌握成本分解的颗粒度，谁就掌握定价权和优化空间。Vercel赌的是：这个环节值得单独做一个产品，而不是附赠给云厂商的打包方案。

你的团队现在怎么追踪AI成本？是各自看供应商后台，还是已经上了统一工具？