能在部署后存活下来的AI单位经济学
一次成本四美分的模型调用不是商业模式。一个在采购会议上赢得掌声、随后却需要一名人工操作员、一名解决方案工程师,以及一份没人算进预测里的云预算的漂亮工作流,同样不是商业模式。AI单位经济学从演示结束的地方开始:也就是客户开始反复地、不可预测地、以架构必须真正支撑的量级来使用产品的那一刻。
创始人往往知道自己的推理成本。较少人知道服务一个留存客户所需的完全负载成本。投资者常常听到一个毛利率目标,这个目标假设模型价格会永远下降、客户会永远留存、支持需求会神秘地保持平稳。这不是预测,这是附带了电子表格的祈祷。
重点不是要求在发布前做到完美精确。早期产品的数据必然是杂乱的。重点在于识别出哪些假设可能会拖垮公司,尽早为它们埋点,并避免围绕一个在规模化时会消失的经济学故事来给产品定价。
AI单位经济学是一个产品决策
传统SaaS训练人们以相对稳定的边际成本来思考。你构建软件、托管它、支持它,然后销售访问权。使用量可以大幅上升,而不必每一个额外动作都产生一笔有意义的新账单。
当智能是在使用那一刻被消耗时,AI产品就不一样了。每一次对话、抽取任务、智能体运行、图像生成、评估流程、检索请求以及人工审核,都可能增加成本。其中一些成本在云账单上一目了然。另一些则以实施人力、支持工单、异常处理、安全审查,以及为了防止系统让客户难堪而进行的那些默默的运营工作的形式出现。
这改变了产品策略。一个高参与度的功能,如果它推高了昂贵的算力却没有改善留存或扩展,那它可能是一项负债。一个合同价值很大的客户群,如果它要求耗尽整个团队的定制化工作流,也可能仍然缺乏吸引力。一个低成本的模型在实践中可能很昂贵,如果较低的准确率带来了更多重试、升级和人工介入的话。
正确的问题不是“一次模型调用的成本是多少?”而是“要足够可靠地交付所承诺的成果、使这位客户续约,需要多少成本?”这两个问题相差甚远。
有用的等式比推理成本更宽泛
在客户层面,贡献毛利应当反映收入减去服务该客户所直接需要的成本。对于一款AI产品,这通常包括模型和基础设施使用、数据处理、第三方工具、上线和实施、客户支持、人在环路运营,以及任何可变的合规或安全工作。
你不必把CEO的薪水分摊到每一个客户身上才能学到有用的东西。但把一个每接一个新客户就要手把手陪伴六周的实施团队排除在外,那不是纪律。那是会计角色扮演。
然后,将贡献毛利与留存、扩展和回本周期做对比。一个在第一个月适度亏损的客户可能是合理的,如果上线成本是有限的、使用随时间变得更高效、且客户会扩展的话。一个在采用已经成熟之后仍然亏损的客户,不是“先落地再扩展”的故事。那是一个带着采购部门的昂贵爱好。
衡量成本曲线,而非平均值
每客户平均成本是掩盖问题最快的方式之一。AI工作负载很少是平均的。一小部分客户可能产生了大部分推理成本、制造了最棘手的边缘情况,或需要最多的介入。如果这些客户为这份负载付费,那是可以接受的。如果他们用的是某个把使用量与价值混为一谈的人设计的无限量套餐,那就是灾难。
按客户、工作流、模型、任务类型和客户生命周期阶段来追踪成本。留意那些长尾。哪些任务触发了重试?哪些用户创建了很长的上下文?哪些集成让支持成本骤增?哪些客户因为产品还无法可靠处理他们的数据或流程而需要人工审核?
这正是产品和财务需要坐到同一张桌子上的地方。财务团队可以识别出毛利渗漏,但它无法决定是否要给某个工作流设上限、把更简单的任务路由到更便宜的模型、重新设计用户体验,还是改变产品承诺。这些是带有经济后果的产品决策。
一个实用的运营视角把三条曲线分开来看:每完成一项任务的成本、每完成一项任务的客户价值,以及对结果的置信度。在降低成本的同时损害质量,可能会提高短期毛利率并摧毁续约。在每一项低价值任务上追求完美质量,可能会带来相反的失败。产品必须让成本和可靠性与所做决策的经济价值相匹配。
定价不能是一个遮羞的故事
太多AI定价模式是从SaaS继承来的,因为订阅定价对买家来说熟悉,在董事会材料里看起来也干净。固定定价可以奏效,尤其当客户购买的是访问权、治理、工作流集成或一套记录系统,而非原始的模型输出时。但当使用量剧烈波动且边际成本很重要时,固定定价就很危险。
替代方案并不是自动按token收费,那在技术上清晰易懂,但对多数买家来说在商业上荒谬。客户不想购买你的管道。他们想要一个与价值相连的定价单位:处理的文档、解决的理赔、审核的案件、生成的合格线索、节省的工时,或加速的决策。
这个单位需要与成本有真实的关系。如果没有,你不过是给同样的风险敞口换了个名字。
好的定价架构通常会把一笔承诺的平台费与一个与价值挂钩的使用组件、恰当的护栏,以及针对异常工作负载的清晰条款结合起来。确切的结构取决于产品。一个内部知识助手可能需要席位加上受治理的使用量。一个文档自动化产品可能适合按文档定价。一个智能体工作流可能值得按已完成、可审计的成果来定价,前提是“完成”的定义不是一场等着发生的法律争论。
不要把糟糕的成本结构藏在限制性的公平使用条款下面。老练的买家会发现它。不那么老练的买家会在他们变成愤怒的客户之后发现它。
人力成本通常被低估
许多AI产品是通过一种混合模式实现早期收入的:表面上是软件,幕后是熟练的人。这可能是正确的进入市场路径。人工审核可以提升质量、创造训练数据,并在高风险工作流中建立信任。问题始于公司报告软件级毛利率,而其运营模式却依赖于没有被计入的人力。
提供一款服务辅助型产品并不丢人。丢人的是说不清人力工作发生在哪里、成本是多少、为什么必要,以及它是否会随着产品成熟而下降。
创始人应当像追踪产品使用量一样积极地追踪介入率。有多少比例的任务需要审核?审核需要多长时间?这个比率在按同期群、按客户、按工作流看时是否在下降?人工参与是否改善了一个可衡量的客户成果,还是仅仅在防止产品自身仍会造成的失败?
对投资者而言,这是一个核心的尽职调查问题。如果管理层说系统是自动化的,那就要求看到高流量下的工作流以及支撑它的人员配置计划。一个团队可以整天把人工运营称为“质量保证”。工资表仍然清楚它究竟是什么。
在扩大销售之前要检验什么
在增加激进的销售能力之前,管理层应当能够用证据而非姿态来回答一组简短而尖锐的问题。
一个成熟客户同期群的贡献毛利是多少,包括实施和支持在内?哪些客户行为产生了最糟糕的经济表现?模型选择如何影响质量、延迟和成本?工作流中还有哪一部分仍是人工的?使用量是否与留存相关,还是客户在大量消耗的同时却未能实现价值?以及,如果一个关键模型供应商改变了定价、速率限制或产品行为,毛利中有多少能存活?
这些问题不是在要求虚假的确定性。它们是在检验公司是否理解自己的机器。答案可以是“我们还不知道,但这是那个将在六周内告诉我们答案的、已埋点的实验。”这是可信的。“成本在下降”则不是。
同样的纪律也适用于向AI领域销售的基础设施公司。一项强大的技术能力若没有清晰的经济买家,就不是一个商业策略。如果客户无法把支出与降低的风险、增加的收入、更快的交付或更低的运营成本联系起来,产品就会一直困在试点炼狱里。技术上的优雅已经埋葬了许多资金充裕的公司。那是一种非常昂贵的“正确”方式。
为毛利而建,而非为叙事而建
最持久的AI公司未必会使用最便宜的模型,或承诺最高的自主性。它们会就以下问题做出明确的选择:智能在哪里创造价值、在哪里确定性更安全、在哪里人类判断仍然必要,以及在哪里客户会为更好的结果付费。
这需要对某些收入说不。它可能意味着拒绝一个把路线图变成咨询合同的定制部署。它可能意味着在潜在客户情绪上还没准备好听到之前,就为高使用量收费。它可能意味着把产品收窄到经济学变得清晰可读为止。这些都不会造就一篇激动人心的发布文章,但它们确实让一家公司更容易规模化、融资和被信任。
沃创（SproutVest）的观点很简单:把AI单位经济学当作一件运营工具,而不是融资材料里的一张幻灯片。如果真实客户用得越多、业务就越强,那你就有了值得构建的东西。如果使用让业务变弱,那就在市场替你察觉之前先修好产品承诺。
您的领导方式在哪里有效，又在哪里正在消耗公司？
这个博客讨论的多数问题，最终都回到创始人如何经营公司这一点上。藤架领导力诊断把它拆成六个维度共24道行为锚定题：约12分钟，即时出结果，自助版免费。
开始藤架领导力诊断 →想了解兼职高管或顾问合作？预约探索性通话 →