Notion's Token Town — Sarah Sachs, Notion
三句話摘要
如何透過模型無關架構、任務分層與多代理編排，在 AI 成本高企時代建構可持續的軟體工廠。 真正的 AI 成本領導力不在追求最強的模型，而在架構決策：模型無關性提供議價籌碼、任務分層優化成本效率、可協作的代理編排系統才能讓軟體工廠真正可持續且有利可圖。 供應商就是競爭對手——如果妳被單一供應商綁定，妳沒有議價能力。前沿實驗室對自家產品的定價遠低於對第三方開發者的價格，導致妳被迫以虧損方式轉售 tokens。真正的防守是建構模型無關的架構，能隨時切換，這就是妳的籌碼。
重點整理
重點- 1
供應商就是競爭對手——如果妳被單一供應商綁定，妳沒有議價能力。前沿實驗室對自家產品的定價遠低於對第三方開發者的價格，導致妳被迫以虧損方式轉售 tokens。真正的防守是建構模型無關的架構，能隨時切換，這就是妳的籌碼。
- 2
成本與能力不成比例升級——新模型推出定價常高前代 40%，卻在四個月內被淘汰；有些新能力型模型多消耗三倍 tokens。如果盲目追最強模型，邊際成本會快速超過邊際收益。要精確評估每個任務真正需要什麼能力。
- 3
不是所有流量都相同——郵件分類、CSV 轉 PDF、確定性 SQL 查詢根本不需要 LLM，用 CPU 運算即可。Notion Auto Model 處理 75% 流量，同時提供最先進模型存取，才是真正的成本最佳化。開源模型（如 Claude 2.6）已足以處理中等難度任務，提供了協商籌碼。
- 4
軟體工廠的核心是多代理編排——不只是串聯 API 呼叫，而是可檢查、可追蹤、人機協作的工作流。Notion 的實例中，工程師在共享文件標記隊友，由不同代理（Claude、Devin）各司其職再自動化 PR，平均每任務省 3+ 分鐘，規模化後 ROI 巨大。但需要清晰的可見性、治理與監督。
實用技巧與重點
乾貨- 公司現況與數據
- Notion 已於 2026 年大幅成長 AI 使用量
- 88% 的公司卡在「AI as assistant」階段
- AI 成熟度四階段
- 思想夥伴（個人嘗試）→ 助理（執行單一任務）→ 隊友（自動化重複流程）→ 系統（跨流程自動化）
- 成本相關數字
- 新模型定價可能高前代 40%，在 4 個月後被棄用
- 推理模型升級時 output tokens 消耗增加 3 倍
- Notion Auto Model 處理約 75% 流量
- 模型與工具
- 開源模型：Claude 2.6、Llama 現已能勝任許多中等難度任務
- Notion Workers：減少不必要的 LLM 呼叫
- Notion Auto Model：提供多模型切換能力
- 合作夥伴：Parallel（網路搜尋）、Devin agents（用戶聲音蒐集）
- 安全與治理
- 「致命三角」風險：私有資料存取 + 不信任內容輸入（MCP/郵件）+ 外部通訊能力
- 自主程度越高，無監督風險越大
- 需要可見性、可追蹤性與控制機制
- 實際成效
- 軟體工廠流程每任務平均省 3+ 分鐘
- Vercel 採用類似方式，看到巨大 ROI 收益
結論
結論“真正的 AI 成本領導力不在追求最強的模型，而在架構決策：模型無關性提供議價籌碼、任務分層優化成本效率、可協作的代理編排系統才能讓軟體工廠真正可持續且有利可圖。”
完整解析
詳細AI 成本已成為許多公司的結構性障礙。Notion 的領導者 Sarah 在演講中指出，當前市場的主要問題不在 AI 能力本身，而在經濟面。新模型推出時定價常常比前代高 40%，卻在四個月內被淘汰；有些新能力型模型會多消耗三倍 tokens。這些成本漲幅往往與實際收入成長不成比例。如果一家公司盲目追求最強的模型，邊際成本會快速超過邊際收益，最終陷入虧損。
Notion 的核心洞察是：供應商就是妳的競爭對手。許多前沿實驗室對自家第一方產品（直接客戶）的定價遠低於對第三方開發者的價格。如果妳被單一供應商綁定，妳完全沒有議價能力。真正的勝利不在訓練自己的模型，而在建構模型無關的產品架構——用多個不同的模型支撐不同的任務，隨時都有能力切換供應商。Notion 的 Auto Model 就是這個概念的實踐：它默認處理約 75% 的流量，同時始終讓用戶能存取最先進的模型，避免被特定供應商綁定。
成本最佳化的第二個維度是任務分層與工具選擇。不是所有流量都應該送給最強的 Opus 模型。郵件分類、簡單資料轉換（如 CSV 轉 PDF）、確定性 SQL 查詢——這些任務根本不需要 LLM，用傳統 CPU 運算即可，成本差異巨大。同時，開源模型如 Claude 2.6 或 Llama 已足以處理許多「中等難度」任務，提供了與主流供應商協商的籌碼。正確的策略應該是：先精確評估每個使用場景真正需要什麼能力（延遲要求、準確度、複雜度），再從可用的模型和工具中選擇成本與性能的最佳點。
建構真正的軟體工廠則涉及更深層的架構與工作流設計。Notion 展示的實際案例展現了完整流程：工程師在共享文件中概述任務需求，Claude agent 自動解析並生成詳細規格；當信息不足時，系統能標記產品經理或設計師；適當時刻，Devin agents 負責蒐集用戶聲音等外部資料；最後由 Claude 自動生成 PR，經過程式碼審查（如 CodeX）後提交。這不只是串聯多個 API 呼叫，而是創造了可檢查、可追蹤、透明的人機協作工作流。實測資料表明每個任務平均節省超過三分鐘的處理時間；Vercel 採用類似方式也看到巨大 ROI 收益。但這一切的前提是系統有清晰的可見性、治理和監督——包括誰在用數據、系統的可維護性、以及多代理編排時各代理的權限邊界，這正是 Notion 投入的技術基礎。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
