AI应用单位经济模型最简版：数据不完备也能先跑起来！
很多订阅/按量计费的 AI 应用团队，会在一个看似“增长正常”的阶段突然被现实打断：
新增在涨、功能在上、demo很能打，但现金流越来越紧。原因往往不是你不会增长，而是你在用“看不见的成本”给增长买单——推理、带宽、内容安全、人工审核、客服、重试、失败兜底……都不是零边际成本。你以为自己在扩张，其实是在把亏损放大。
OXYZ资本认为：AI 应用早期最该先跑起来的不是“更精细的增长模型”，而是一个足够粗、但能指导决策的单位经济模型（Unit Economics）。它不需要数据完美，但必须能回答三个致命问题：
1）我每多一个付费用户/每多一次关键使用，是否更赚钱？
2）我应该限制什么、放开什么、优先优化哪里？
3）我现在的定价与套餐，是否在“卖得越好亏得越多”？
下面给你一个“最简版单位经济模型”，专门面向订阅/按量计费产品：你只要有最基础的用量记录（哪怕抽样），就能在一周内跑出第一版，并在 30 天内迭代到可用。
一、先把“单位”选对：别用“注册用户”，用“会产生成本与收入的最小闭环”
单位经济最常见的死法，是单位选错：
你用“注册用户”算成本，永远看不清楚钱花在谁身上；你用“PV/访问”算收入，更是自欺欺人。
OXYZ资本观点：对 AI 应用，单位建议从下列三种里选一个（只选一个作为主单位）：
1）订阅型（Seat/账号）优先用：活跃付费席位（Paid Active Seat）
定义：当月付费 + 在核心场景完成至少一次“可交付动作”的席位。
可交付动作例子：导出/发布/写回系统/批量处理完成。
好处：直接对齐订阅收入；避免把“买了但不用”的席位当成功。
2）按量计费优先用：计费事件（Billable Event）
定义：你收费口径对应的最小事件，比如：
- 每 1k tokens / 每次模型调用
- 每份报告/每个任务/每条工单自动处理
- 每次写回成功（更贴近交付）
好处：你卖什么就算什么，最容易对齐利润。
3）两者混合（订阅 + 超额）优先用：关键闭环任务（Closed-loop Task）
定义：一次用户从触发到交付完成的任务（例如“生成→人审→写回→发送”）。
好处：把“体验”拉回“交付”，更能暴露真正成本。
选择规则一句话：你怎么收费，就尽量怎么定“单位”；如果收费口径还在摇摆，就先用“闭环任务”当过渡单位。
二、最简模型只需要 7 个格子：一张表跑出第一版
你不需要复杂财务模型。最简版先把“贡献毛利”算出来就够了。
7个核心变量（订阅/按量都适用）
- 收入（Revenue）
- 订阅：ARPA（月均每付费账号收入）或每席位MRR
- 按量：单价 × 用量（或每事件收入）
- 推理成本（Inference COGS）
模型调用成本：tokens × 单价（或请求 × 单价） - 非推理变动成本（Non-inference Variable COGS）
向量检索、存储、带宽、第三方API、内容安全审核、短信/邮件等 - 失败与重试成本（Failure/Retry Tax）
超时重试、用户反复点、模型翻车导致二次生成 - 人工成本摊销（Human-in-the-loop / Support）
人工审核、客服工单、交付支持（按每单位平均分钟数×人力单价） - 支付与渠道费用（Payment/Platform Fees）
支付通道费、应用商店抽成等（按收入比例） - 单位贡献毛利（Contribution Margin, CM）
CM = 收入 -（2+3+4+5+6）
你先别急着把研发、行政等固定成本摊进去。早期最关键的是：单位贡献毛利是否为正，以及哪一项在吞噬你。
三、数据不完备怎么办：用“可控误差”先跑起来
很多团队卡在“没有准确数据所以算不了”。这恰恰是早期最危险的借口。
OXYZ资本内部认为：单位经济模型不是审计，它是“决策仪表盘”。早期你追求的不是精确到小数点，而是把误差控制在可用区间，并能指导动作。
1）推理成本：用“抽样 + 中位数”就够
做法（1小时可完成）：
- 抽样最近 200 次关键任务（或 50 个付费用户的一天）
- 记录每次：输入tokens、输出tokens、调用次数、是否重试
- 取中位数（median）作为“典型成本”，再取P90作为“高成本尾部”
然后用模型供应商单价估算：
推理成本/任务 ≈（输入tokens+输出tokens）× 单价 × 调用次数
关键：把重试算进去。很多产品真正亏在“失败税”，不是正常调用。
2）非推理成本：先用“比例法”估算
早期你不可能把每个基础设施成本都按任务归因。可以先用比例近似：
非推理变动成本 ≈ 推理成本 ×（20%~60%）
比例取决于：你是否重度RAG、是否大量图片/文件、是否强合规审核。
先用区间跑三种情景：保守/基准/乐观，后面再逐项拆开。
3）人工成本：用“工单分钟数”粗算
你不需要精确统计每个客服动作，只需要回答：
“每100个闭环任务，会产生多少分钟人工介入？”
例如：每100单里有10单需要人工，每单平均8分钟，那么人工成本/任务就能估。
四、两类产品的“最小可用单位经济”长什么样
A）订阅型（含席位）最简看三行
- 每付费席位收入（MRR/Seat）
- 每付费席位变动成本（COGS/Seat）：推理+非推理+失败税+人工摊销
- 席位贡献毛利（CM/Seat） = MRR/Seat - COGS/Seat
你只要能回答：
我每新增一个“真实活跃付费席位”，贡献毛利是正还是负？
如果是负的，先别扩张，先修产品与套餐。
B）按量计费最简看四行
- 每事件收入（Price/Event）
- 每事件推理成本（Inference/Event）
- 每事件总变动成本（Total COGS/Event）
- 每事件贡献毛利（CM/Event）
按量产品最怕的不是“低价”，而是成本与用量同向爆炸。你必须明确：
- 哪些用量是“高价值高付费”
- 哪些用量是“高成本低付费”（需要限制/提价/改产品路径）
五、把模型用起来：三条“红线规则”，直接指导迭代与定价
单位经济模型不该只是表格，它要能立刻变成行动。
OXYZ资本认为，早期至少设置三条红线：
红线1：免费用户的“单位成本上限”
给免费层设成本预算（例如：每免费用户每月成本≤X元）。
超过就必须触发限制：
- 降级模型/减少上下文
- 限制批量与高频
- 必须先预览再精修（把高成本动作变成“用户确认触发”）
红线2：P90成本必须被“套餐/定价”覆盖
如果P90任务成本远高于平均，你会被少数重度用户拖死。
解决不是“劝用户少用”，而是：
- 用套餐覆盖尾部（超额计费、企业版、加购包）
- 或把高成本路径改成可控（分段生成、缓存、异步队列）
红线3：失败税（重试/翻车）必须单独立项优化
很多团队只盯模型效果，却忽视“重试次数”。
优化失败税往往比提升一点点质量更直接赚钱：
- 加缓存与去重（同输入不重复算）
- 失败兜底（不给用户反复点的理由）
- 提前校验（输入不合法直接提示，不进模型）
- 路由策略（先小模型草稿，大模型精修）
六、四个最有效的“单位经济杠杆”：产品、工程、定价、增长
当你算出 CM 为负或太薄，别急着“涨价”或“砍功能”，先按杠杆优先级排。
1）产品杠杆：把“高成本动作”变成“高意图动作”
典型做法：
- 先给可用草稿，用户点“精修/生成最终版”才走大模型
- 把“批量/长文档/自动写回”放到明确付费阶段
- 用模板与结构化输入减少token浪费
2）工程杠杆：把钱从“重复计算”里抠出来
最常见的直接收益点：
- 缓存（prompt+上下文哈希）
- 分段/摘要（长上下文先压缩再推理）
- 模型路由（不同任务用不同模型）
- 异步化（减少峰值算力与超时重试）
3）定价杠杆：把“成本曲线”映射到“价格曲线”
订阅产品建议：
- 明确“包含量”（Included Usage），超额收费
- 以“可交付能力”分层（导出/写回/团队库/审计日志）
按量产品建议：
- 让定价口径更贴近价值（按报告/按工单解决/按写回成功）
- 对“尾部高成本”做加价或加购包
4）增长杠杆：先筛“对的人”，再谈规模
单位经济差时最怕投放。你要先用产品与渠道把“高意图用户”筛出来：
- 证据页/用例页承接决策
- 模板分享带来同类任务用户
- 集成/目录带来明确场景用户
这会直接改善用量结构与付费意愿。
七、30天落地节奏：把“最简版”迭代成“可决策版”
给你一套可照抄的 30 天节奏，适合订阅/按量计费产品：
第1周：选单位 + 做抽样账本
- 定义主单位（付费活跃席位 / 计费事件 / 闭环任务）
- 抽样 200 次关键任务，算 median 与 P90 成本
- 把“失败税”单独列出来
第2周：跑出 CM 区间（乐观/基准/保守）
- 非推理成本用比例法先估
- 人工用“每100单分钟数”估
- 得到 CM 的上下限，确定红线
第3周：用两次实验修正模型
- 实验A：限制免费层高成本动作，观察成本下降与留存变化
- 实验B：推出超额/加购包或分层权益，看 ARPA 与用量结构变化
第4周：把模型接进产品决策
- 每周看一次“单位贡献毛利”与“失败税”
- 迭代优先级按：失败税→路由/缓存→套餐映射→增长扩张
结语：别等数据完美，先让模型能救命
单位经济模型的意义，不是让你在表格里获得安全感，而是让你在最关键的时刻做对三件事：
敢于限制、敢于定价、敢于放大。
OXYZ资本观点：AI 应用早期的胜负，往往不是谁模型更强，而是谁更早把“成本曲线”驯服到“收入曲线”之下。你不需要一开始就把每一分钱算清楚，但你必须尽早知道：
你是在做一门会越做越赚钱的生意，还是一个越火越亏的“算力慈善”。