商业化与增长

AI 产品商业化与定价

商业化回答「产品如何赚钱」，增长回答「如何让更多用户用起来」——在 AI 产品里两者深度耦合：推理成本随用量上升，增长会直接吃掉毛利，所以本页把商业化当成一个「从判断、设计到放大、守住」的完整系统来讲。与 SaaS 相比，AI 产品的商业化有四大特殊性：

• 边际成本不为零：每次推理都在消耗 GPU 与 token，用的人越多成本越高，收入与成本同向变动，这是与「复制无成本」的软件最本质的差异
• 护栏成本：安全、合规、评测要持续投入，是「看不见的固定支出」
• 评估成本：模型输出质量无法靠测试用例自动验收，需要评测集与人工抽检持续维护（方法见 评估与评测）
• 模型供应商风险：能力、价格与政策握在供应商手里，一次调价就能重写 unit economics（见 DeepSeek 涨价案例）

本文的写作口径：所有数字建议均为「演示假设」，不得与官方价格混淆；价格类信息以官方页面为准（截至 2026-08-23 验证可达的官方定价页，引用日期标注在各案例小节）。

本文路线

四步走：先判断「能不能收钱」（商业化前置判断、客群与包装、价值指标与支付意愿），再设计「怎么收钱」（定价流程、定价模型与 unit economics、真实定价案例），然后放大「收到的钱」（增长系统、渠道与 GTAM、企业与开发者商业化、平台与生态），最后守住「收来的钱」（增长与变现指标、商业化实验治理、财务模型、反模式）。

商业模式全景

主流模式有五类：订阅制、按量计费、混合模式、企业定制与私有化、交易抽成与收入分成。

订阅制

按月/年收费、按能力分层（免费/个人/团队/企业），是消费级 AI 产品的主流。ChatGPT 提供免费版、Go（8 美元/月）、Plus（20 美元/月）、Pro（100 美元/月起）四档个人订阅，团队与企业另有按席位计费方案（以 ChatGPT 官方定价页 为准）。Claude 同样采用免费 + Pro（20 美元/月）+ Max（100 美元/月起）+ 团队/企业席位制（以 Claude 官方定价页 为准）。

• 优点：收入可预测、现金流稳定，用户按「价值感知」而非「用量」付费
• 缺点：必须持续提供「值得续费」的新能力；免费层成本与付费转化率的平衡难把握；重度用户会「用爆」订阅，若不分档则毛利受损

按量计费

按 token/调用量/处理量计费，是 API 与工具类产品的主流。主流模型厂商均提供按量 API：Google Gemini API 按每百万 token 计费且 Batch 档位半价；DeepSeek API 按 token 计费并区分高峰/非高峰价；字节火山方舟豆包模型按 token 计费，部分模型按输入长度分段计价。

• 优点：成本与收入同向变动，天然对冲推理成本风险；对低频/开发类用户友好
• 缺点：收入随用量波动；用户对「计费不可预期」敏感，需要用量预估与预算护栏；单价压得太低会变成「成本直传」没有包装空间（见 反模式）

混合模式

订阅 + 按量的混合越来越常见。Notion 以席位订阅为主，AI 功能（Custom Agents）按「信用点（credits）」用量计费（以 Notion 官方定价页 为准）；Perplexity 在订阅套餐之外提供按量付费的 API 平台（以 Perplexity 官方帮助中心 为准）。混合模式让「订阅保底 + 用量变现」同时成立，是 AI 加购功能的典型解法：AI 是波动用量，硬塞进固定席位会要么浪费要么超卖。

企业定制与私有化

面向大客户的定制部署、私有化与合规定制。ChatGPT 的 Business 套餐按席位计费（按年 20 美元/用户/月，2 人起），Enterprise 为自定义价格并支持按 Token 计费（以 ChatGPT 官方定价页 为准）；Claude Enterprise 采用「席位费 + API 用量费」结构（以 Claude 官方定价页 为准）。企业市场客单价高、谈判空间大，但销售周期长、定制成本高（详见 企业与开发者商业化）。

交易抽成与收入分成

平台撮合类产品按结果抽成。Perplexity 的出版商计划（Publishers' Program）是代表性案例：当用户的互动引用了某家出版商的内容并产生广告收入时，该出版商获得分成，首批合作方包括 TIME、Fortune、Der Spiegel 等媒体（Perplexity 官方博客）。这类模式把内容方变成利益共同体，是 AI 搜索与内容平台缓解版权争议、共建生态的商业化尝试（展开见 平台与生态）。

模式小结

模式选择决策规则

没有「最好的模式」，只有「与价值形态匹配的模式」。三条判断规则：

1. 价值是持续使用还是单次消耗：持续使用（对话助手、写作伴侣）适合订阅；单次消耗（翻译、图片生成、内容批处理）适合按量或用量包
2. 用量是否可预测：用量平稳（团队协作）用席位；用量波动大（Agent 调度、批处理）用按量 + 用量包兜底
3. 谁来付款：个人自费适合低价订阅（决策快、取消也快）；企业付款适合席位 + 合同价（决策慢、留存稳，但销售成本高）

商业化前置判断

在定价之前，先回答七个问题。任何一个答不清，定价就是在给空气定价。

七个前置问题

用俞军公式判断「何时能收钱」

俞军《产品方法论》的第一公式：用户价值 = 新体验 − 旧体验 − 替换成本。用户只有在新体验显著大于旧体验 + 替换成本时才会迁移——迁移即付费的前提。对 AI 产品逐项代入：

• 新体验：AI 把什么变快了、变好了、变便宜了。注意「新体验」要用用户感知算，不是模型能力算——模型 95 分而产品只暴露 60 分，新体验就是 60
• 旧体验：用户现在的替代方案（人工、旧软件、竞品 AI）。旧体验为零的场景（以前做不到的事）定价空间最大
• 替换成本：学习成本（提示词、新界面）、信任成本（幻觉、出错责任）、数据迁移成本。AI 产品天然有信任成本——输出错了算谁的？这一项不解决，用户价值公式算出来是负的

用相对价格公式看需求弹性

同一本书的第二公式：相对价格 =（直接成本 + 交易成本）÷ 效用组合。其他条件不变，相对价格降低则需求量上升。AI 产品的三个杠杆都在这条公式里：

• 降低直接成本：降价、免费层、用量包——直接降低分子
• 降低交易成本：开箱即用、免配置、一键集成、可信的账单——AI 产品的「接入成本」是最大的交易成本
• 扩大效用组合：一个订阅同时给「写作 + 检索 + 分析 + 自动化」——同样的钱买到更多效用，需求上升

DeepSeek 涨价后调用量次日下降约 55%–59%（见 真实定价案例），正是相对价格上升、需求量暴跌的实证：在低切换成本品类里，需求弹性极高。

何时能收钱的判断清单

1. 新体验 − 旧体验 − 替换成本 > 0，且显著大于 0（至少用户自己说得出来）
2. 有明确的付款方，且付款方是价值的主要获得者
3. 定价 ≤ 替代品总成本（含人力与隐性成本），且有可讲的价差
4. 合规可行，或有清晰的合规路径
5. 有（或计划建立）数据/集成/品牌等任一层壁垒

客群与包装

同一套 AI 能力，卖给不同客群的包装、价格与销售链路完全不同。先分清客群，再谈定价。

七类客群的购买逻辑

谁决策、谁付款、谁使用、谁维护

四权分离是 B2B 定价的核心变量。决策者决定买不买，付款者决定价格上限，使用者决定续费口碑，维护者决定部署与支持成本。四者合一（个人工具）时产品体验即销售；四者分离（企业产品）时，每一方都要有「给你的价值」：

• 给决策者的：ROI 测算、案例、标杆客户
• 给付款者的：预算内的可预测账单、采购单上写得清的品名
• 给使用者的：激活体验、上手速度、成就反馈
• 给维护者的：管理后台、审计日志、SSO、降级路径

包装（bundling）的设计原则：按价值分层，不按成本分层。免费层给「尝鲜 + 传播」，付费层给「省时 + 生产力」，企业层给「控制 + 合规」。ChatGPT 的 Go/Plus/Pro 就是典型：同一模型能力按用量与附加能力（高级推理、更多额度）分层，而不是按「模型成本」分层。

价值指标与支付意愿

定价的锚不是成本，是价值。先把价值量化，再谈收多少钱。

五类价值来源

以上均为「价值测算演示假设」，具体数字须按目标客户的真实工时、薪资与流程数据代入。

价值等价分析（value equivalency）

价值等价分析的目的是找到「用户的参照物」：用户不是拿你的价格和成本比，而是拿你的价格和「他心中的替代方案价格」比。步骤：

1. 列出用户当前为这个问题付出的总成本（人力、工具、外包、机会成本）
2. 算出你的产品能拿走其中多少（覆盖比例，别贪心算 100%）
3. 你的定价建议 = 替代总成本 × 覆盖比例 × 折扣系数（用户对新方案天然要求折扣，常取 20%–50%）
4. 用「省下的钱/时间」反过来讲故事：客户买的是「拿回他的时间」，不是「买你的 token」

价格敏感性访谈

价格访谈是出了名的难做——用户回答「多少钱会买」基本不可信（《The Mom Test》的核心警告：用户说的购买意向不是承诺）。可用的方法：

• 锚定过去行为：问「你现在为这个问题每月花多少钱、用什么工具」，而不是「你愿意付多少」
• 价格敏感度测试（Van Westendorp）：四个问题——太贵（不会买）、有点贵（要犹豫）、便宜（觉得值）、太便宜（怀疑质量）——交叉出「可接受区间」，用于圈定定价范围，不用于精确点价
• Gabor–Granger 阶梯法：报一个随机价格问买不买，逐步加价/降价找出价格-需求曲线
• 假门测试：在真实产品流程里放「升级到 Pro」按钮，看真实点击与放弃比例——比任何访谈都真实（见 定价流程 与 启示录笔记）
• 销售访谈：让销售直接报价试水，记录「报价被接受/被砍价/被拒绝」的分布，销售是最高效的定价实验室

伦理限制：访谈不得诱导、不得在明确不提供该价格时长期展示假价；假门测试必须声明「该功能即将上线」，且不能对已付费用户反复收取未定义费用。

定价流程

定价是流程不是拍板。从计价单位到价格测试到涨价管理，每一步都有可复用的方法。

计价单位

计价单位的选择要同时回答三个问题：用户能否预估账单、是否与价值对齐、是否与成本对齐。三者能对齐两个以上才算合格。

套餐结构设计

• 免费层：承担「尝鲜 + 传播 + 收集数据」，必须能低成本承载——限制高频动作（每日次数）、高级能力（长上下文、深度推理），而不是只限数量不限成本。免费层成本必须低于「免费用户带来的传播价值 + 未来转化期望」
• 套餐边界：各档之间的差异要「看得懂、说得清、够得着」——下一档刚好是你最想让他升级的那个功能/额度
• 用量包：按量产品用「预购用量包」平滑账单（如 100 万 token 包月），用户有安全感，你获得预收款
• 企业承诺：合同价换承诺——年付折扣、席位下限、数据不训练承诺、专属支持；企业付的是「可预测性与控制权」
• 折扣：折扣是增长工具不是销售工具——年付折扣提升现金流与留存；新客折扣要配 grandfathering 条款（见下）
• 升级触发器：用量达到档位上限时给「平滑升级」提示（本次超额免费、下月自动升档），比直接断供的流失率低得多

价格测试方法

统计限制：价格 A/B 需要「收入/转化率」双指标，样本量按效应量预估（小改动也要数周）；价格测试天然伴随舆论风险（用户发现价格不一致会投诉），需要公开策略与客服预案。

涨价与 grandfathering

涨价是必然发生的（成本上涨、用户群变化），关键在管理流失：

• Grandfathering（老人老价）：老用户保留原价一段固定期限（如 12 个月），或永久保留——牺牲短期收入换信任与口碑，通常值得
• 通知节奏：至少提前 30 天邮件 + 站内信 + 登录后横幅三路通知；企业客户要提前 90 天由客户成功经理电话沟通
• 迁移路径：明确「不涨价档位」的去向——是降级到低档、保留旧档只加新功能、还是提供一次性折扣续费
• 流失应对：涨价前后两周盯流失率与客服工单主题；对流失用户做退出访谈，区分「价格敏感型」与「价值不认可型」——前者靠 grandfathering 挽回，后者是产品问题

DeepSeek 2026-08 涨价是反面教材：缓存命中单价涨约 12 倍、输出涨约 4.5 倍，无过渡、无 grandfathering，OpenCode 平台上调用量次日下降约 55%–59%（人人都是产品经理）——涨价必须配留存手段，否则价格弹性会立刻兑现。

定价模型与 unit economics

两种定价锚点

• 成本加成：以推理成本为底价加毛利。DeepSeek 长期贴着成本底线定价（涨价前 10 元充值可用约 1 亿 token），最终因算力供给紧张大幅提价——成本结构一变价格必须跟着变，是成本加成定价的脆弱性（人人都是产品经理）
• 价值定价：按「帮用户省下/赚到的钱」定价。ChatGPT Plus 20 美元/月、Pro 100 美元/月起，定价明显高于边际成本，对应的是时间节省与生产力价值（以 ChatGPT 官方定价页 为准）

价值定价的上限由「用户认可的价值」决定，下限由「推理成本 + 护栏成本 + 获客成本」决定。两者之间是毛利空间；AI 产品要警惕下限随用量上升（见敏感性分析），价值定价如果没留足安全垫，用户「用爆」时就会亏损。

unit economics 的 AI 变体

范冰《增长黑客》提出的 LTV（用户生命周期价值）与 CAC（用户获取成本）平衡仍是根基：「增长黑客就是低成本甚至零成本地用'技术'来让产品获得有效增长」（爱范儿专访）。AI 产品在此基础上多出两个必须算清的科目：

• 推理成本/用户：每位用户的月均 token 消耗 × 单价。它随使用深度上升——用户越「上瘾」成本越高，这是与 SaaS 最大的差异
• 毛利率 =（收入 − 推理及算力成本）/ 收入。AI 产品毛利比传统 SaaS 更难守，三个杠杆见下

核心指标速查

AI 成本结构科目

推理 token 费只是成本的一半上下，完整科目还包括：

• 推理成本：输入/输出 token 单价 × 用量（估算方法见 LLM 成本估算）
• 上下文增长：长对话、长文档使输入随会话非线性膨胀——长会话用户的成本是短会话的数倍
• 缓存：上下文缓存命中按折扣价计费，把稳定前缀（系统提示、知识库）做进缓存是降本第一杠杆（以 Gemini 官方定价页 为准，缓存存储 1 美元/百万 token/小时）
• 批处理：非实时任务走 Batch 档位半价（以 Gemini 官方定价页 为准）
• 模型路由：简单任务走小模型/低成本模型，复杂任务才调旗舰——影响成本的最大产品决策
• 人工审核：内容安全、敏感场景的人工兜底，是隐性但刚性的成本
• 存储与向量库：会话记录、知识库、embedding 的存储成本随用户规模线性涨
• 评测与安全成本：评测集维护、人工抽检、安全测试，见 评估与评测

成本优化的三个杠杆

• 模型选型：简单任务用更小、更便宜的档位（如 Gemini Flash 系列标准输入 0.75 美元/百万 token 促销价，远低于 Pro 系列，以 Gemini 官方定价页 为准）
• 缓存与批处理：上下文缓存命中输入价约为标准输入价的 1/10（缓存存储 1 美元/百万 token/小时），Batch API 半价（以 Gemini 官方定价页 为准）
• 峰谷计价：DeepSeek 非高峰时段价格减半，并自 2026-08-23 起周末全天按非高峰计价（以 DeepSeek 官方定价页 为准）——用价格杠杆把负载平移到低谷，是算力生意的典型做法

敏感性表：什么会吃掉毛利

以下为「演示假设」示例（假设订阅 20 美元/月、人均月推理成本 4 美元、毛利 80%）：

敏感性表的价值不在精确，在于知道哪一根杠杆最危险——大多数 AI 产品最危险的是「用量上升」与「模型涨价」同时发生。

真实定价案例

以下案例价格均以官方页面为准（2026-08-23 引用），仅作模式参考，不构成定价建议。

ChatGPT：分层订阅 + 企业双轨

个人免费版之外，Go 8 美元/月、Plus 20 美元/月、Pro 100 美元/月起；团队 Business 按年 20 美元/用户/月（2 人起）、按月 25 美元；Enterprise 自定义价格并支持按 Token 计费（以 ChatGPT 官方定价页 为准，2026-08-23 引用）。低门槛免费/低价层承担拉新，高价层承担重度用户变现，企业双轨承担大客户收入。

Claude：订阅 + API 双轨

Pro 20 美元/月（年付约 17 美元/月）、Max 从 100 美元/月起（5 倍/20 倍用量）、Team 25 美元/席位/月（年付 20 美元）、Enterprise 自服务版从 20 美元/席位起、销售协助版为席位费 + API 用量费（以 Claude 官方定价页 为准，2026-08-23 引用）。订阅面向终端用户、API 面向开发者，两条收入曲线互不挤占。

Gemini API：免费层 + 按量 + 缓存

Google 为 Gemini API 提供免费层（免费输入输出 token，适合开发者与小型项目起步），付费层按量计费且数据不用于改进产品，Batch/Flex 档位半价，上下文缓存大幅降低重复前缀成本（以 Gemini 官方定价页 为准，2026-08-23 引用）。免费层是典型的「开发者漏斗」：先零成本试用，再随用量自然付费。

DeepSeek：低价 API 与 2026 涨价

DeepSeek 的差异化是极低的 API 价格与「无订阅」策略——没有会员与增值服务，收入几乎全靠 API（人人都是产品经理）。2026-08-17 起大幅提价：V4 Pro 峰时缓存命中单价涨约 12 倍（0.003625 → 0.044 美元/百万 token）、输出涨约 4.5 倍（0.87 → 3.96 美元），当前官方结构为「高峰价 = 非高峰价 × 2」（以 DeepSeek 官方定价页 为准）。行业影响：国产模型「低价换规模」阶段宣告终结，竞品集体跟涨（Kimi K3 输出涨约 3.5 倍、智谱年内三次提价累计 83%、腾讯混元单项接口最高涨 463%）；但涨价立即带来用户流失——OpenCode 平台上 DeepSeek 调用量次日下降约 55%–59%（人人都是产品经理）。教训：价格是用户迁移的触发器，低价策略退出时必须同时准备好留存手段。

豆包：免费额度 + 按量计费

字节火山方舟的豆包模型按 token 计费，部分模型按输入长度分段计价（如某次请求输入 20 万 token、输出 1.4 万 token 时，按「输入长度（128, 256] 千 token」档位计费：输入 2.4 元/百万 token、输出 24 元/百万 token）；同时以免费额度拉新：Managed Agents 首次开通赠送 30 小时运行时 + 500 次联网搜索、联网资源每月 2 万次免费、文生图首张免费（以 火山方舟模型价格页 为准，2026-08-23 引用）。火山引擎托管版 DeepSeek 模型也在 2026-08-21 同步上调价格，与官方涨价口径一致。

Notion AI 与 Perplexity：产品级 AI 加购

• Notion：免费/Plus 10 美元/商务 20 美元（每人每月）之上，AI 能力按「信用点」计费——Custom Agents 免费试用后 10 美元/1000 信用点/月（以 Notion 官方定价页 为准，2026-08-23 引用）
• Perplexity：免费版（每日 3 次 Pro 搜索）之上提供 Pro、Education Pro（10 美元/月）、Max、Enterprise 多档，另设独立按量计费的 API 平台；数据隐私随档位升级——Enterprise 数据不用于训练（以 Perplexity 官方帮助中心 为准，2026-08-23 引用）

社区对定价的反应很真实：阿里通义灵码开始收费后，linux.do 用户普遍表示「免费额度本来就少」「按月收费就不用，走 API 按 token 消费还能接受」（linux.do 讨论帖）——免费额度收紧与收费模式切换的窗口期，是留存最脆弱的时刻。

案例速查

表中价格均以对应官方页面为准（2026-08-23 引用），详见上文各小节。

从案例提炼的定价模式

1. 分层定价是消费级标配：免费/低价/高价三档，低档拉新、高档变现，档位边界 = 用量或能力
2. 订阅 + API 双轨是大厂标配：终端用户走订阅（毛利高、稳定），开发者走按量（规模大、波动）
3. 免费层是开发者漏斗：API 免费层用「零门槛 + 数据不用于训练」换开发者信任，先试用后付费
4. AI 加购用用量计费：产品本体按席位，AI 功能按信用点/用量——保护本体的毛利，也保护 AI 的成本

增长系统

增长不是「把漏斗做宽」，而是「让每个环节复利」。先分清漏斗与循环，再逐环建设。

从 AARRR 到 growth loops

AARRR（获取、激活、留存、变现、传播）是线性漏斗（爱范儿专访范冰），它适合诊断「哪一环断了」，但漏斗是消耗型的：每一环都在漏，流量买多少漏多少。Growth loops 是循环型的：循环的输出是下一轮循环的输入，每个用户带来下一个用户（或下一次使用），因此可以复利。

AI 产品特别适合 loop，因为「产出即传播素材」：AI 生成的文案、代码、设计稿天然带产品印记。判断一个 loop 是否成立看三件事：输入 → 动作 → 输出 → 回到输入的链路是否闭合；闭合处是否有损耗（衰减）；损耗是否在可控范围。

五类增长循环

每一类循环都会衰减：内容 loop 在内容供给饱和后衰减，协作 loop 在团队满员后衰减，API loop 在平台抽成上涨后衰减。增长系统的建设 = 同时持有多个循环，并在主循环衰减前孵化新循环（《精益创业》的引擎组合思想：调优现有引擎 + 孵化新引擎）。

口碑 loop 的 B2B 变体是销售辅助 loop：客户成功推动标杆客户产出案例与转介绍 → 销售跟进放大为新客户 → 新客户再产出新案例，形成「口碑 + 销售」的闭环。它的衰减点在销售产能：转介绍线索一旦喂不饱销售团队，闭环就退化成普通漏斗（对应 渠道与 GTAM 的 sales-assisted PLG）。

激活：定义与实验

• 激活定义：用户完成「第一次体验核心价值」的动作，不是注册。对 AI 产品，激活 = 第一次「被结果惊艳」的会话——要定义到具体动作（如「首次成功生成并导出文档」）
• Aha moment：找到激活动作与留存强相关的那个事件；用队列分析验证「做了 A 动作的用户 7 日留存 vs 没做的」差异（方法见 精益创业笔记）
• Onboarding 实验：首屏引导、模板起点、示例数据、人机协同 demo——AI 产品 onboarding 的常见失败是「让用户从空白页开始想问题」，给模板与示例能把 time-to-value 从小时级压到分钟级
• Time-to-value：从注册到第一次成功产出的时间，是激活的第一指标；每减少一步都是激活率提升
• 首日/首周留存：AI 产品首日留存低是常态（尝鲜用户多），关键是「首次惊艳」能否在首周内发生；用首周留存曲线而不是首日数字判断产品价值

留存杠杆

AI 产品留存的核心是持续创造「不可替代的价值」：私有数据沉淀、工作流集成、个性化记忆——替代品多、切换成本低的品类尤其如此。具体杠杆：

• 工作流嵌入：产品长在用户已有的流程里（编辑器、IM、工单系统），不是让用户来你的网站
• 数据沉淀：历史对话、知识库、生成记录——数据越积越多，迁移成本越高
• 团队协作：单人工具流失快，团队共享空间/模板后，流失是团队决策
• 记忆与个性化：记住用户偏好与上下文，让每次会话「越来越懂你」
• 集成深度：连接的系统越多，替代成本越高（日历、CRM、代码仓库、文档）
• 可靠性：AI 产品的信任品属性意味着一次严重幻觉就可能永久流失——可靠性是留存底线
• 服务层级：企业客户用支持等级、SLA、专属 CSM 锁留存

DeepSeek 涨价后调用量次日即下滑约 55%–59%（人人都是产品经理），说明价格弹性在低切换成本品类中极高——没有数据沉淀与工作流嵌入的 AI 产品，留存完全靠「当前体验」，价格一波动就走。

付费转化：四道墙

免费到付费的转化靠「墙」——把免费层挡在付费体验之外：

• 功能墙：高级能力（深度推理、长上下文、Agent）只在付费档
• 用量墙：每日/每月额度上限，超限升级（最常用，与推理成本绑定）
• 协作墙：免费版限单人/限人数，协作即付费（SMB 场景最有效）
• 合规墙：数据不训练、审计、SSO 只在企业版（大型企业采购的硬需求）

免费层成本控制：免费层的成本必须低于「免费用户的传播价值 + 转化期望」——用频率限制、模型路由（免费用户走小模型）、缓存压制成本；免费层设计的目标不是「体验完整」，而是「体验惊艳但不够用」。

扩张收入

留存之后靠扩张：席位扩张（团队加人）、模块 upsell（从 AI 写作加购到 AI 自动化）、用量增长（用户用得更深，按量收入自然涨）、跨产品 adoption（从单产品扩展到全家桶）。AI 产品的 NRR 主要靠用量增长驱动——用户用得更深 = 推理成本上升，所以扩张收入必须与毛利监控同步（见敏感性表）。

渠道与 GTAM

GTM（Go-To-Market）决定「产品做出来后怎么到达付费客户」。AI 产品常见的六种渠道：

渠道类型

渠道选择规则

1. 客单价决定渠道：<100 美元/月只能 PLG（销售成本覆盖不了）；10 万美元/年必须直销；中间地带是 sales-assisted PLG
2. 产品成熟度决定渠道：产品还不稳时别上直销（口碑风险）；PLG 要求激活体验足够好
3. 证据标准：PLG 用行为证据（激活、留存），直销用商业证据（ROI 测算、标杆案例）——同一个产品要对不同渠道准备不同语言

渠道不是单选：典型的 AI 公司路径是 PLG 起量 → 数据到一定规模后开 sales-assisted（按用量/席位阈值自动转销售）→ 大客户走直销 + 伙伴。

企业与开发者商业化

企业采购的真实摩擦

企业客户付高价，也付高摩擦。从签单到续约，采购、安全、法务、支持四关都会卡：

• 采购关：预算科目（软件 vs 服务 vs 算力）、采购流程（询价 → 谈判 → PO）、多轮砍价——报价必须留出谈判空间，且给「采购单上写得清」的品名
• 安全关：安全问卷（几十到几百题的常见形态）、渗透测试、第三方审计报告、数据驻留要求——没有现成材料，每个大客户都会问一遍，成本是固定的「销售税」
• 法务关：DPA（数据处理协议）、SLA 条款、责任上限（AI 输出出错谁担责）、保险要求——法务周期动辄数周
• 支持关：企业客户期望专属支持、SLA 响应、故障赔偿、季度 review——支持成本要算进定价（企业版价格 = 产品 + 服务）

企业版必答题清单

API 产品的开发者商业化

API 产品把「企业采购摩擦」换成「开发者体验摩擦」，商业化的核心是让开发者敢用、能用、用得放心：

• 配额与限速：免费层配额、付费层限速——限速策略要公开透明，否则开发者不敢投产
• 账单透明：实时用量查询、预算告警、按项目分账——「计费不可预期」是 API 产品流失的第一原因
• 错误预算：给开发者可预期的失败率（如 99.9% 可用性），并用积分/补偿机制为事故兜底
• 开发者成功指标：激活（首次成功调用）、留存（次月仍有调用）、深度（调用次数增长）、扩用（从单 API 到多 API）——开发者漏斗与消费级漏斗同理，只是「用户」是工程师

平台与生态

单产品收入有天花板，生态收入是放大杠杆，也是护城河。

五类生态收入

Perplexity 出版商计划：生态收入的教科书

Perplexity 的出版商计划是理解 AI 生态收入的起点：当用户的互动引用了某家出版商的内容并产生广告收入时，该出版商获得分成，首批合作方包括 TIME、Fortune、Der Spiegel 等媒体（Perplexity 官方博客）。要点：

• 把成本项变成收入项：内容原本是版权风险，分成后变成利益共同体
• 分成锚定可度量事件：按「引用 + 广告收入」分润，比一次性授权费更可持续
• 生态收入的前提：平台必须有真实流量与广告变现能力，否则分成是空头支票

生态治理原则

生态收入的三条治理线：分成透明（规则公开、账单可查）、质量底线（插件/模板要审核，失控的生态会毁掉主产品信任）、退出成本可控（伙伴可以离开，但不能把用户数据带走——数据协议要写清归属）。

增长与变现指标

北极星指标与留存

增长黑客的经典框架 AARRR（获取、激活、留存、变现、传播）在 AI 产品中依然适用（爱范儿专访范冰），但它回答的是「哪一环在漏」，不回答「这一环值不值得补」——AI 产品里每一环的「量」都可以花钱买出来，唯独毛利不行（见 定价模型与 unit economics 与 反模式）。

北极星指标的选择规则：必须同时反映「用户价值」与「商业价值」，且不能被免费量污染。AI 产品的候选：周活跃付费用户、周「有效产出次数」（生成并被采纳的结果）、毛利额（而非收入额）。只盯着调用量或 MAU 的北极星会把增长引向成本黑洞（见 反模式）。

收入指标

收入指标与 unit economics 指标的分工：前者是报表口径（向管理层与投资人汇报），后者是决策口径（判断单位经济是否健康，见 定价模型与 unit economics）。

AI 产品的特殊指标

• 上下文成本：输入 token 随上下文增长，长对话/长文档场景成本非线性上升——这正是上下文缓存存在的原因（以 Gemini 官方定价页 为准）
• 评估成本：模型输出质量需持续评测（评测集 + 人工抽检，方法见 评估与评测），是「看不见」的持续投入
• API 毛利率：提供 API 的产品需单独核算模型调用成本与收入，避免「卖得越多亏得越多」
• 护栏成本：安全、合规、审核的隐性支出——如火山方舟视频生成「仅对成功生成的视频计费，审核失败不收费」（火山方舟模型价格页），把失败成本留在提供方一侧

商业化实验治理

定价与变现改动是对信任最敏感的实验，必须用治理框架约束，防止「短期变现伤害长期信任」。

实验治理六要素

变现实验的红线

• 免费转付费的「墙」必须真实：假门只测意愿、不收费；长期「即将上线」的假功能会摧毁信任
• 价格不一致要可控：A/B 价格差异不要暴露在同一用户面前；分市场定价需公开策略
• 涨价必须配留存预案（grandfathering、通知、迁移路径），不可「先斩后奏」
• 护栏指标与目标指标冲突时，护栏优先——一次信任伤害的挽回成本远高于一次定价实验的收益

财务模型

财务模型把定价与增长翻译成「公司层面能不能活、要不要继续投」。以下所有数字均为「假设示例」，仅演示结构。

收入侧

收入 = 付费用户数 × ARPU，付费用户数 = 注册用户 × 付费转化率。用三个场景建模：

收入模型的关键是分层：订阅收入（可预测）、用量收入（随使用波动）、企业合同（大额但周期长）分开建模，并标注各自占比——占比失衡（如 90% 靠企业大单）意味着现金流依赖少数客户。

成本侧

成本 = 推理成本（人均 token 用量 × 单价）+ 护栏成本（评测、安全、审核）+ 固定成本（工程、销售、市场）。推理成本按「人均用量 × 付费用户 + 免费用户 × 免费人均」分别建模——免费层成本单独列，防止被订阅毛利掩盖。

现金与承诺收入

• 现金收入 vs 确认收入：年付折扣换预收款，现金提前到账但确认收入按服务期分摊——看现金流别只看确认收入
• 承诺收入：企业合同（年付/多年付）是可预测性的来源，也是估值故事的基础；承诺收入的健康度看「合同期 × 续约率」
• 免费额度与用量包是递延收入：预购用量包在消耗前是负债，建模时要按消耗节奏确认

关键假设与情景分析

财务模型的价值在假设，不在数字。把关键假设列成一页：人均月 token 用量、模型单价走势、付费转化率、流失率、免费层成本。每个假设做上下 ±30% 的敏感性分析，找到「哪个假设变了公司就危险」。

Kill criteria

预先写清止损线（决策日期 + 阈值），防止沉没成本绑架：

止损线要写进立项文档，与财务模型同时评审——「什么时候承认失败」和「预期赚多少钱」同样重要（《精益创业》的转型或坚持机制：跑道的本质是还能做多少次实验）。

反模式

商业化最常见的五个错误，每个都是「看起来在增长、实际在失血」：

补贴换规模，无留存

免费/补贴拉来大量用户，但没有激活设计、没有留存杠杆，补贴一停规模就塌。判别标准：免费用户里有多少完成了激活动作。没有激活的规模是虚荣指标（《精益创业》对虚荣指标的原话：总注册数会永远向上）。AI 产品尤其容易犯——demo 惊艳拉新容易，激活与留存是苦活。

按 token 直传成本，无包装

定价 = 成本 + 5%，把 token 单价直接转嫁给用户。结果：无毛利空间、无降价余量、用户拿你和模型厂商比价。判别标准：你的单价是否低于/等于模型厂商公开价。包装的本质是「卖价值组合，不卖 token」——把模型成本包进任务、席位或结果里。

企业定制失控

为大客户无节制定制：每个客户一条产品线、无限免费实施、定制功能不回收到主线。判别标准：定制需求是否进入通用路线图。企业定制要有「标准产品 + 可配置 + 有限定制」三层结构，定制必须收费且要能回收到主线产品（参考《启示录》对赋权团队与产品聚焦的论述：启示录笔记）。

免费层成本黑洞

免费层给得大方：无限次数、旗舰模型、无频率限制——免费用户把推理成本吃穿，付费转化却上不来。判别标准：免费层成本/收入占比是否持续恶化。解法：免费层走小模型、限次数、限上下文，把「惊艳」留给付费体验。

只讲 MAU，不讲毛利

对外讲活跃用户、对内不看毛利——增长故事掩盖单位经济恶化。判别标准：收入、成本、毛利是否同一张报表。AI 产品必须把「用户增长」和「推理成本」放在同一张表上：每个新用户的 LTV 要先减掉预期推理成本再谈增长。

五个反模式的共同点：把「增长」误当成「赚钱」。商业化的北极星应该是「毛利额 × 可持续性」，不是任何一个流量指标。

来源说明

本文为原创整理。官方价格与日期类信息以官方页面为准，页面可能随时更新；文中演示数字均为「假设示例」，不代表任何官方口径。

官方一手来源（2026-08-23 验证可达）

1. ChatGPT 官方定价页（OpenAI 官方，个人分层订阅与 Business/Enterprise 定价）
2. Claude 官方定价页（Anthropic 官方，anthropic.com/pricing 301 重定向至此）
3. Gemini API 定价（Google 官方，免费层、缓存、Batch 档位）
4. DeepSeek API 定价（DeepSeek 官方，高峰/非高峰计价）
5. Notion 官方定价页（Notion 官方，席位 + 信用点计费）
6. Perplexity 官方帮助中心：套餐对比（Perplexity 官方）
7. Perplexity 出版商计划（Perplexity 官方博客，收入分成案例）
8. 火山方舟模型价格（字节跳动/火山引擎官方，豆包按量计费与免费额度）

行业报道与社区讨论

1. DeepSeek 涨价 12 倍，梁文锋不撒钱了（人人都是产品经理，2026-08 涨价与行业跟涨、调用量流失数据）
2. 《增长黑客》范冰：低成本实现用户增长的秘密是？（爱范儿专访，AARRR 与 LTV/CAC 出处）
3. 通义灵码要收费了（linux.do 社区讨论，免费额度收紧期的用户反应）

经典书籍与论文

1. 俞军《俞军产品方法论》（2020）：用户价值公式、相对价格公式、交易成本与产品即交易
2. Eric Ries《精益创业》（2011）：跳跃式假设、创新核算、增长引擎与转型或坚持机制
3. Marty Cagan《启示录》INSPIRED（2018）：价值风险、假门与绿野仙踪验证、赋权团队
4. 苏杰《人人都是产品经理 2.0》（2017）：AARRR、商业模式画布、「100 块去哪儿了」价值链分析
5. 范冰《增长黑客》（2015）：AARRR 框架与 LTV/CAC 平衡
6. Madhavan Ramanujam & Georg Tacke《Monetizing Innovation》（2016）：价值定价与定价流程
7. Rob Fitzpatrick《The Mom Test》（2013）：访谈中用户说的购买意向不可信
8. Andrew Chen《The Cold Start Problem》：网络效应与增长循环
9. Alexander Osterwalder & Yves Pigneur《商业模式新生代》（2010）：商业模式画布

仓库原创资料

1. LLM 成本测算：单次成本 → 业务量 → 工程系数 → 月预算的完整成本测算方法
2. 评估与评测：评测集与人工抽检方法
3. 俞军产品方法论笔记：用户价值公式与相对价格公式的展开
4. 精益创业笔记：创新核算与增长引擎的展开
5. 启示录笔记：假门测试与四类风险的展开
6. 人人都是产品经理 2.0 笔记：AARRR 与商业模式画布的展开

发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用