LegalOn通过把模型调用当作可调度的生产资源，按任务分层使用不同模型、限制Fast模式并设定分级预算，在不明显放慢开发速度的情况下估算日均Codex成本下降约65%，同时推进以功能为单位衡量AI成本与客户价值的指标体系。
OpenAI发布的一篇客户案例显示，日本法律人工智能公司LegalOn Technologies在扩大Codex使用后，将模型选择、使用速度和预算管理结合起来，在维持开发节奏的同时降低人工智能支出。公司称，经过调整后，估算的日均成本较此前使用GPT-5.5 Fast模式的方案下降约65%；成熟业务部门的效率目标则是提高约20%。
这篇案例的核心并不是某一个模型突然变得更便宜，而是企业开始把模型调用视为一种需要调度的生产资源：简单任务使用轻量模型，复杂任务才升级到更强模型，并根据业务所处阶段分配预算。
从“默认最强模型”转向按任务分配
LegalOn是一家面向法律团队提供人工智能合同审查和工作流工具的公司。其官方网站介绍，公司提供合同审查、条款修改、义务提取和法律知识管理等功能，并强调由人工智能处理重复工作、让法律专业人员把时间集中在判断和决策上。
OpenAI的案例文章称，LegalOn最初向开发人员开放GPT-5.5 Fast模式的无限使用权限。工程师把Codex用于设计、实现以及日常开发工作，并通过实际使用摸索人与人工智能之间的分工。
但当高性能模型被不加限制地用于所有任务时，成本会迅速超过年度预算。LegalOn随后由人工智能驱动的开发卓越中心（AID CoE）测试和监测不同模型，制定模型选择指南，并把结果传达给各个团队。开发人员仍可以自行选择模型，但选择不再以“能力越强越好”为默认原则。
在这套分工中，GPT-6 Luna主要处理需求明确的代码实现、日常自动化和相对简单的分析；GPT-6.1 Sol用于标准设计、数据分析和文档准备；GPT-6 Astra则用于架构设计、复杂分析和多智能体编排等需要更高判断能力的工作。
这种安排与OpenAI对模型产品的整体定位相一致。OpenAI在GPT-6 Sol和Luna的发布说明中称，Sol和Luna面向不同规模、节奏和预算的工作，并以较低成本提供可用于编码和专业任务的能力。不过，OpenAI在该页面中的性能与成本比较属于公司自己的评测，不能直接等同于LegalOn内部的实际结果。
限制Fast模式，依靠并行任务保持速度
LegalOn还把Fast模式从默认选项改为按需使用。团队最初担心限制高速模式会拖慢开发，但后来通过并行运行多个任务，减少了等待时间，使开发节奏基本保持下来。
同时，公司在部门、团队和个人三个层级设置人工智能预算上限，并按照业务阶段区别对待资源分配。已经成熟的LegalOn业务被要求提高成本效率，目标最高约为20%；处于启动阶段的新业务则获得相对宽松的预算，以便更积极地使用人工智能、优先验证增长机会。
OpenAI称，模型选择、Fast模式限制和分层预算合并实施后，LegalOn估算的日均成本较此前以GPT-5.5为主的使用方式下降约65%。这也是理解“成本减半”说法时需要注意的地方：案例标题强调的是整体成本控制，而文中披露的65%是估算的日均成本变化，两个表述的统计口径并没有在公开材料中完全展开，不能把它们当作同一个精确指标。
OpenAI的Codex定价与用量说明也显示，Codex的实际消耗取决于模型、任务复杂度、上下文规模、工具调用、缓存以及Fast模式。以当前公开的信用点费率为例，GPT-6 Astra的标准输入和输出费率明显高于GPT-6.1 Sol和GPT-6 Luna；Fast模式又会以更高的倍率消耗额度。对企业而言，模型路由和速度控制因此比单纯比较订阅价格更重要。
企业真正要衡量的，不只是写代码有多快
LegalOn认为，开发速度提高并不自动意味着人工智能投资已经成功。公司高级工程经理时武勇太（Yuta Tokitake）在OpenAI案例中说，团队可以追踪单个任务的人工智能成本，但一个完整功能从设计到发布的总成本，以及它为客户带来的价值，往往仍像一个“黑箱”。
因此，LegalOn正在建立以一次功能发布为单位的指标体系，把功能给客户带来的价值与实际投入的人工智能成本连接起来。公司希望借此回答一个比“工程师节省了多少时间”更困难的问题：更快发布的功能是否真的改善了客户体验，或者创造了可识别的业务收益。
这一转变也说明，人工智能成本管理正在从采购和预算问题，变成产品管理问题。企业不仅需要知道某个模型一次调用多少钱，还要知道一个功能从需求、代码、测试到发布消耗了多少资源，最终产生了什么价值。
在Oracle通过ChatGPT与Codex压缩企业流程耗时的案例中，类似问题也以另一种形式出现：人工智能可以缩短招聘研究和事故响应的时间，但企业仍需要先整理业务对象、定义权限、设计系统约束，并保留人工复核。速度提升并不会自动替代治理工作。
从个人经验变成组织能力
LegalOn的下一步，是把工程师个人积累的模型使用经验转化为公司的共同能力。公司计划建立知识库，记录不同模型在设计、实现和审查任务中的适用组合，并把有效做法推广到更多团队。
这意味着，企业使用人工智能的竞争力可能不只来自是否购买了最强模型，也来自能否持续积累一套可复用的工作方法。模型选择、上下文准备、并行任务、代码审查和权限控制，都可能成为组织内部的“操作系统”。
1Password关于Codex工程生产力的案例也显示，企业把Codex放进软件交付流程后，收益不仅来自生成代码，还来自需求拆解、测试、审查和故障排查之间的交接缩短。但该案例同样提醒，生产力数字主要是企业自报结果，不能直接推导出普遍适用的回报率。
LegalOn还表示，人工智能带来的生产力变化已经开始影响招聘和组织设计。公司在招聘中更加重视人工智能技能，并重新思考哪些工作应该由人完成，哪些工作可以交给代理系统处理。与此同时，AID CoE和安全团队需要共同平衡性能、成本和风险。
这正是这项案例的更大意义：企业部署编程代理后，最先出现的管理问题可能不是“要不要用人工智能”，而是“每一项工作应该用多强的模型、花多少钱、由谁负责复核”。如果限制过多，团队会失去尝试和交付的速度；如果缺乏限制，模型成本和不可维护的代码又可能迅速累积。
LegalOn给出的答案，是用模型分层、预算上限和组织知识库构成一个可以调整的运营框架。不过，公开案例没有披露其完整的成本基线、样本周期、生产力统计方法或客户价值指标的最终结果。因此，65%的日均成本下降目前仍应被理解为LegalOn与OpenAI披露的估算，而不是经过独立审计的普遍结论。真正能否把成本优势转化为长期竞争力，还要看这些节省是否能够持续，并最终体现在产品质量和客户价值上。