AI 優先 SaaS 的單位經濟學：每個創始人都算錯的利潤率數學

傳統 SaaS 有一個簡單、美麗的經濟模型。構建一次，賣給許多人。毛利率 80-90%。每個新客戶的邊際成本接近於零——幾分錢的計算、數據庫中的一行，也許還有一些帶寬。

AI 優先 SaaS 打破了這個模型。每個觸及您的 AI 功能的用戶操作都會產生真實的、可測量的計算成本。您的 COGS 隨使用量線性增長，而不是像傳統基礎設施那樣次線性增長。如果您像傳統 SaaS 一樣定價，同時像計算公司一樣支付費用，您的利潤率比您想象的更薄。

這不是一個理論問題。這是多家資金充裕的 AI 初創公司儘管收入增長強勁卻遭遇盈利壁壘的原因。

傳統 SaaS vs AI SaaS：利潤率差距

服務 10,000 個用戶的傳統 SaaS 產品可能有這樣的成本結構：

在 10,000 個用戶，每個用戶每月 AU$50，這是 AU$500,000 的月收入對 AU$3,600 的可變 COGS——基礎設施端的毛利率為 99.3%。即使考慮到支持和成功成本，您也很容易超過 80%。

現在添加每個用戶都接觸的 AI 功能：

那一個線項將您的基礎設施毛利率從 99.3% 降至 94.3%。仍然沒問題，對嗎？但等等——您有 10,000 個用戶。在 50,000 個用戶時會發生什麼？

在這種情況下，利潤率保持，因為您每個用戶每月收費 AU$50，AI 成本是每個用戶每月 AU$2.50。這是價格和 AI COGS 之間 20:1 的比率。您沒問題。

但許多 AI 優先產品不在這個位置。AI 不是側面功能——它是核心價值。每個用戶的 AI 成本要高得多。

數學實際上在哪裡崩潰

考慮一個 AI 寫作助手、AI 程式碼審查工具或 AI 研究代理。這些產品之所以存在是因為 AI。用戶大量地與 AI 互動——每天數十或數百次請求，而不是每月。

更典型的 AI 優先成本概況：

如果您收取 AU$49/月，您的 AI COGS 僅就是每個用戶 AU$30。這為其他一切留下了 AU$19——基礎設施、支持、銷售、市場營銷、工程師工資和利潤。

AI 部分的毛利率：39%。扣除所有 COGS 後的混合毛利率：可能是 25-35%。

這是風險投資人開始仔細審查 AI 優先 SaaS 的利潤率概況。收入在增長，但利潤率沒有隨著規模擴大，因為 COGS 按比例增長。

五個利潤率陷阱

陷阱 1：按席位定價，同時按 token 付費

您收取固定的月費。您的費用隨使用量增加。重度用戶的費用是輕度用戶的 10-50 倍，但他們都支付相同的費用。按使用量排名前 10% 的用戶可能佔您的 AI 費用的 60%。

陷阱 2：為商品任務使用前沿模型

將分類請求、簡單提取和模板填充發送到 GPT-4o 或 Claude Opus，就像在地面運輸同天到達時隔夜發送包裹一樣。這些任務的輸出品質是相同的。費用高 10-50 倍。

我們見過的一個 SaaS 產品的真實範例：每月在 Claude Opus 上花費 AU$5,200，用於微調的 Qwen 2.5 7B 以相同準確率處理的任務。遷移後，相同的工作負載每月基礎設施費用 AU$80。

陷阱 3：忽略使用倍增器

AI 功能很有粘性。當它們工作良好時，用戶使用更多。在啟動時每個用戶每月平均 10 次使用的功能，一旦用戶將其納入工作流，通常達到每月 30-50 次使用。您基於啟動週使用量的成本預測是錯誤的。

陷阱 4：將 API 費用與總推理成本混淆

API 帳單只是開始。您還需要支付：

• 失敗請求的重試邏輯（2-5% 的請求，取決於提供商）
• 提示工程開銷（更長的系統提示 = 更多輸入 token）
• 評估和監控（影子調用、A/B 測試、品質評分）
• 速率限制緩解（緩衝、排隊、錯誤處理基礎設施）

API 推理的真實總成本通常是原始 API 帳單的 1.2-1.5 倍。

陷阱 5：每個功能沒有成本歸因

大多數團隊知道他們的 AI API 總支出。很少有人知道每個功能的費用。沒有按功能的歸因，您無法識別哪些功能是利潤率正向的，哪些是利潤率負向的。您最終用利潤率正向功能的收入補貼昂貴但使用不多的 AI 功能。

微調模型如何修復利潤率數學

微調模型的經濟學與 API 定價根本不同：

本地推理的階梯函數費用模型使 SaaS 利潤率可行。您的費用不會隨著每個用戶操作增加。它在您需要更大服務器時增加，這在使用量增加 5-10 倍時發生。

在每月 100 萬次請求時，利潤率差異是顯著的：

• API 模型：僅 AI 的 COGS 每月 AU$25,000
• 本地模型：AI 的 COGS 每月 AU$1,500

如果您的產品每個用戶每月收費 AU$49，有 5,000 個用戶（每月 AU$245,000 收入），AI COGS 差異是每月 AU$23,500。那是每年 AU$282,000 回到您的利潤率。

在 AI SaaS 中實現 80%+ 毛利率的路徑

以下是實際有效的利潤率改善路線圖：

第一階段：測量（第 1 個月）

在您的 AI API 支出上實施按功能、按用戶的成本歸因。使用您的 API 提供商的使用日誌，按功能和用戶標記請求，並建立儀表板。您需要知道：

• 每個功能每月的費用
• 每個用戶每月的費用（分佈，不僅僅是平均值）
• 每次請求按任務類型的費用
• 哪些功能是利潤率正向的，哪些是利潤率負向的

第二階段：分類（第 1-2 個月）

將您的 AI 功能分為三類：

1. 昂貴模型上的簡單任務 — 立即遷移候選
2. 微調可以匹配品質的中等任務 — 中期遷移候選
3. 需要前沿推理的真正複雜任務 — 保留在 API 上

大多數 SaaS 產品發現 60-80% 的 AI API 支出屬於第 1 類或第 2 類。

第三階段：微調和遷移（第 2-4 個月）

對於每個第 1 類和第 2 類任務：

1. 從您的現有 API 響應匯出訓練資料
2. 在任務上微調 7B 或 14B 模型
3. 對照保留測試集評估品質
4. 在本地部署並將該任務類型路由到本地模型
5. 在刪除 API 備用之前監控品質 2 週

第四階段：優化定價（第 4-6 個月）

使用您的新成本結構，重新審視定價：

• 在本地模型上運行的功能具有近乎零的邊際成本——將它們定價入基本訂閱
• 仍在 API 上的功能具有真實的每次使用費用——考慮重度使用的基於使用量的定價或分層限制
• 整體混合利潤率現在應該支持傳統 SaaS 式定價

第五階段：持續改善（持續）

隨著您收集更多生產資料，每季度重新訓練模型。每個訓練週期都提高品質，讓您將更多任務從 API 移至本地。在 6-12 個月內，80/20 的分割變成 90/10。

真實數字：前後對比

這裡有一個來自有 8,000 個用戶的 B2B SaaS 產品的匿名範例：

遷移前（全 API）：

• 每月 AI API 費用：AU$18,400
• 收入：AU$312,000
• AI 費用佔收入百分比：5.9%
• 混合毛利率：71%

遷移後（75% 本地，25% API）：

• 每月本地推理費用：AU$1,200
• 每月 API 費用：AU$4,600
• 總 AI 費用：AU$5,800
• 收入：AU$312,000
• AI 費用佔收入百分比：1.9%
• 混合毛利率：82%

11 個百分點的利潤率提升轉化為每年額外 AU$151,200 的毛利潤。遷移項目花費了一名工程師 6 週的時間。

投資者的角度

如果您正在為 AI 優先 SaaS 融資，毛利率是知識淵博的投資者首先審查的。他們使用的基準：

• 傳統 SaaS：預期 80-90% 的毛利率
• AI 優先 SaaS（API 依賴）：通常 25-60% 的毛利率
• AI 優先 SaaS（模型擁有）：可實現 65-85% 的毛利率

「API 依賴」和「模型擁有」之間的差異不僅僅是關於今天的利潤率。而是關於利潤率軌跡。API 依賴產品隨著使用量增長顯示平坦或下降的利潤率。模型擁有產品顯示擴大的利潤率，因為基礎設施費用次線性增長。

了解 AI 經濟學的投資者特別在尋找模型所有權過渡計劃。擁有一個——或者更好，已經執行了它——是融資中的實質性競爭優勢。

這對您的產品決策意味著什麼

利潤率數學應該影響定價上游的產品決策：

• 功能設計： 這個功能可以用定義明確的、狹窄的 AI 任務實現嗎？如果是的話，它是微調候選，可以在固定費率定價中提供。如果它需要開放式的前沿推理，請為每次使用費用做預算。
• 使用限制： 根據您的每次請求實際費用設置 AI 使用限制，而不是任意數字。如果本地推理每次請求費用為 AU$0.001，您可以慷慨。如果 API 推理每次請求費用為 AU$0.05，您需要分層限制。
• 擴展收入： 具有固定基礎設施費用的 AI 功能是擴展收入機器——更多使用不會讓您花費更多。API 功能則不然。

正確計算利潤率數學的創始人建立了可以盈利擴展的 AI 產品。那些沒有的人最終面臨與董事會的令人不舒服的對話，為什麼收入增長了 3 倍但利潤持平。

---

延伸閱讀

• 在您的 SaaS 中構建 AI 功能：何時停止調用 OpenAI API — 從 API 遷移的交叉計算
• SaaS 中 AI 功能定價 — 與您的成本結構一致的定價策略
• 按 token AI 定價的隱藏成本 — 為什麼您的 API 帳單比您想象的更高