技术深度解析
'Earned vs. Burned' 技能作为 Claude 现有能力之上的一个元层运行。它并不修改底层模型架构，而是引入了一个结构化的提示模板和输出解析器，引导用户完成成本效益分析。其核心机制是一个两步流程：首先，用户定义一组“产出”指标——这些指标可以是量化的（例如“解决的客户支持工单数量”、“生成的代码行数”、“归因的销售额美元”）或定性的（例如“用户满意度评分提升”、“错误率降低”）。其次，用户指定“消耗”指标，通常包括 API Token 使用量（输入 + 输出 Token）、计算时间（秒或 GPU 小时），以及任何辅助成本，如人工审核时间或 API 调用失败。
在底层，该技能利用了 Claude 解析结构化数据和执行算术运算的能力。它很可能使用一个系统提示，指示模型提取用户定义的指标，计算总数，然后使用用户定义的权重系统计算净价值分数。例如，用户可能为每个已解决工单分配 10 美元的权重，为每 1,000 个消耗的 Token 分配 0.003 美元的权重。然后，该技能输出一个类似下面的汇总表：
| 指标 | 产出 | 消耗 | 净额 |
|---|---|---|---|
| 已解决工单 | 150 | — | 150 |
| Token 成本 | — | 45,000 | -$0.135 |
| 人工审核时间 | — | 2 小时 | -$40 |
| 净价值 | $1,500 | -$40.135 | $1,459.87 |
*数据洞察：此表展示了该技能的核心功能：将抽象的 AI 贡献转化为具体的财务账本。净价值数字成为评估 AI 部署是否值得继续的唯一指标。*
该技能的设计刻意保持极简，避免了复杂的集成。它不需要外部 API 或数据库；所有数据均由用户以自然语言提供。这降低了入门门槛，但也限制了其在自动化、实时监控方面的实用性。为此，开发者需要构建自定义管道，将使用日志输入到该技能中。开源社区已经开始探索这一点。一个名为 'claude-roi-tracker' 的 GitHub 仓库（近期获得 340 颗星）提供了一个 Python 封装器，用于记录 Claude API 调用并自动生成 'Earned vs. Burned' 报告。另一个仓库 'llm-cost-calculator'（1,200 颗星）提供了跨不同提供商的 Token 成本更细粒度的分解，可集成以增强该技能的准确性。
关键参与者与案例研究
'Earned vs. Burned' 技能是 Anthropic（Claude 背后的公司）的原创作品。这意义重大，因为它表明 Anthropic 正在积极思考企业采用障碍。虽然 OpenAI 专注于原始能力提升（例如 GPT-4o 的多模态速度），Google DeepMind 专注于研究突破（例如 Gemini 的长上下文窗口），但 Anthropic 正在以问责制和信任度作为差异化优势。该技能与其更广泛的“宪法 AI”理念保持一致，将其从安全性扩展到商业价值。
早期采用者包括一家中型电子商务公司，该公司使用该技能审计其客户服务聊天机器人。该公司将“产出”定义为成功解决的查询数量（满意度达到 90% 以上），将“消耗”定义为 API 成本加上人工升级时间。审计显示，虽然聊天机器人处理了 70% 的查询，但每个已解决查询的成本为 0.12 美元，而人工客服为 2.50 美元——成本降低了 95%。然而，审计还发现，涉及退款的查询有 40% 的升级率，表明需要针对该特定领域进行模型微调。
另一个案例涉及一个软件开发团队，使用 Claude 生成单元测试。他们将“产出”设置为首次运行通过的测试数量，将“消耗”设置为审查和修复生成测试所花费的时间。初始净价值为负，因为模型生成了许多误报。在调整提示以包含更多关于代码库的上下文后，净价值转为正数，节省的时间与审查时间之比为 3:1。
主要 AI 提供商在 ROI 衡量方面的比较：
| 提供商 | ROI 工具/方法 | 关键特性 | 局限性 |
|---|---|---|---|
| Anthropic (Claude) | 'Earned vs. Burned' 技能 | 用户定义指标，透明账本 | 手动输入，无实时追踪 |
| OpenAI | 使用仪表板 + 成本计算器 | 自动 Token 追踪，按模型成本 | 无产出指标；仅显示成本，不显示价值 |
| Google (Vertex AI) | Model Garden + 成本监控 | 与 GCP 账单集成，预制模板 | 设置复杂，需要云基础设施 |
| 开源 (LangChain) | 回调 + 自定义评估器 | 高度可定制，代码级控制 | 需要大量工程投入 |
*数据洞察：Anthropic 的技能是唯一一个直接要求用户定义“产出”并与之对比“消耗”的工具，从而真正将 AI 的价值与业务成果挂钩。*