裝置端 AI 單位經濟學：讓行動 AI 獲利的數學
裝置端 AI 對比雲端 API 的完整單位經濟學分析。固定成本、變動成本、損益平衡分析，以及規模化行動 AI 功能的獲利模型。
雲端 AI 有變動成本。每個使用者、每次請求都要花錢。裝置端 AI 有固定成本。微調一次、分發一次、永久免費運行。財務結構根本不同，對行動應用業務的影響是重大的。
本文分析了兩種方法的完整成本模型。
雲端 API 成本結構
變動成本（隨使用者增長）
| 成本項目 | 每使用者每月 | 10K 月活躍用戶 | 100K 月活躍用戶 |
|---|---|---|---|
| API tokens（GPT-4o-mini） | $0.05-0.10 | $500-1,000 | $5,000-10,000 |
| API tokens（Gemini Flash） | $0.03-0.06 | $300-600 | $3,000-6,000 |
| 伺服器基礎設施（代理/佇列） | $0.01-0.02 | $100-200 | $1,000-2,000 |
| 變動成本總計 | $0.06-0.12 | $600-1,200 | $6,000-12,000 |
固定成本（不隨規模增長）
| 成本項目 | 每月 |
|---|---|
| 開發者時間（提示工程、維護） | $2,000-5,000 |
| 監控和日誌 | $50-200 |
| 固定成本總計 | $2,050-5,200 |
雲端 AI 總成本
10K 月活躍用戶：$2,650-6,400/月 100K 月活躍用戶：$8,050-17,200/月
在規模化時，變動成本佔據主導。在 100K 月活躍用戶時，變動成本占 AI 總支出的 75-85%。
裝置端成本結構
一次性成本
| 成本項目 | 金額 | 頻率 |
|---|---|---|
| 訓練資料準備 | $500-2,000（開發者時間） | 一次，之後增量 |
| 微調運算 | $5-50 | 每次訓練運行 |
| llama.cpp 整合 | $1,000-3,000（開發者時間） | 一次 |
| 跨裝置測試 | $500-1,500（開發者時間） | 每次模型更新 |
| 一次性成本總計 | $2,005-6,550 |
經常性固定成本
| 成本項目 | 每月 |
|---|---|
| 模型分發 CDN | $50-200（每月 100K 次下載） |
| 模型重新訓練（每季） | 每次 $5-50 = 分攤後 $2-17/月 |
| 開發者維護 | $500-1,000 |
| 經常性成本總計 | $552-1,217 |
變動成本
| 成本項目 | 每使用者每月 |
|---|---|
| 每位新使用者的 CDN 頻寬 | 約 $0.08-0.15（一次性模型下載） |
| 每次推論成本 | $0.00 |
| 變動成本總計 | 約 $0.00（初始下載後） |
裝置端總成本
10K 月活躍用戶：$552-1,217/月 + 分攤的一次性成本 100K 月活躍用戶：$552-1,217/月 + 分攤的一次性成本
無論使用者數量多少，成本幾乎是平坦的。CDN 成本隨著新使用者下載略有增加，但與 API token 成本相比是微不足道的。
損益平衡分析
裝置端何時變得比雲端 API 更便宜？
對比 GPT-4o-mini
| 月活躍用戶 | 雲端每月 | 裝置端每月 | 節省 |
|---|---|---|---|
| 500 | $2,680 | $1,052 | $1,628（61%） |
| 1,000 | $2,750 | $1,052 | $1,698（62%） |
| 5,000 | $3,150 | $1,052 | $2,098（67%） |
| 10,000 | $3,650 | $1,102 | $2,548（70%） |
| 50,000 | $7,550 | $1,152 | $6,398（85%） |
| 100,000 | $12,550 | $1,217 | $11,333（90%） |
損益平衡點：500 月活躍用戶以下。 裝置端從本質上在第一個月就更便宜，因為一次性微調成本（$5-50）比任何有意義的使用者數量下單月的雲端 API 成本都低。
對比 Gemini Flash（最便宜的雲端 API）
| 月活躍用戶 | 雲端每月 | 裝置端每月 | 節省 |
|---|---|---|---|
| 1,000 | $2,380 | $1,052 | $1,328（56%） |
| 10,000 | $2,950 | $1,102 | $1,848（63%） |
| 100,000 | $8,250 | $1,217 | $7,033（85%） |
即使對比最便宜的雲端 API，在任何非微量使用者數下，裝置端從第一天起就省錢。
規模化優勢
裝置端的財務優勢隨著成長而複合：
雲端： 從 10K 增長到 100K 月活躍用戶，每月增加 $9,000-10,000 的變動成本。 裝置端： 從 10K 增長到 100K 月活躍用戶，每月增加約 $65-115 的 CDN 成本。
這是核心洞察。雲端 AI 的利潤率隨著規模而壓縮。裝置端 AI 的利潤率隨著規模而改善。基礎設施成本分攤到更多使用者上，每位使用者的變動成本貢獻為 $0。
對應用程式商業模式的影響
訂閱應用（$4.99/月）
| 模式 | 每使用者 AI 成本 | 佔收入百分比 | 毛利率影響 |
|---|---|---|---|
| 雲端（GPT-4o-mini） | $0.08 | 1.6% | 每使用者 -1.6% |
| 雲端（Gemini Flash） | $0.05 | 1.0% | 每使用者 -1.0% |
| 裝置端 | 約 $0.01 | 0.2% | 每使用者 -0.2% |
裝置端將 AI 的利潤率影響降低了 5-8 倍。
免費增值應用
免費增值應用是差異最明顯的地方。免費使用者產生成本但零收入。
使用雲端 AI：每位免費使用者每月花費 $0.05-0.10 的 API 呼叫。如果 90% 的使用者是免費的，付費使用者必須承擔 10 倍自己的 AI 成本。
使用裝置端 AI：免費使用者幾乎沒有成本。模型在他們的裝置上運行。唯一的成本是一次性的模型下載（約 $0.08-0.15 CDN 頻寬）。
這完全改變了免費增值的數學。你可以向免費使用者提供 AI 功能，而不用擔心每位免費使用者的成本會摧毀你的利潤率。
廣告支撐應用
每位使用者的平均廣告收入：$0.50-2.00/月。雲端 AI 每使用者 $0.05-0.10 吃掉廣告收入的 2.5-20%。裝置端 AI 每使用者約 $0.01 吃掉 0.5-2%。差異可能是可持續和不可持續業務之間的利潤差距。
投資回收
將裝置端 AI 視為資本投資。前期成本（完整流程 $2,000-6,500）回收很快：
| 替代的雲端成本 | 回收期 |
|---|---|
| $500/月 | 4-13 個月 |
| $1,000/月 | 2-7 個月 |
| $3,000/月 | 不到 2 個月 |
| $10,000/月 | 不到 1 個月 |
在雲端 API 成本 $3,000/月（30-50K 月活躍用戶常見）時，整個裝置端投資在不到兩個月內就能回本。
像 Ertas 這樣的平台透過處理微調基礎設施來降低前期投資。你帶來訓練資料。Ertas 提供運算、訓練流程和 GGUF 匯出。一次性成本降低到微調運算（$5-50）加上你準備訓練資料的時間。
應該建模什麼
在承諾任一方法之前，建立一個簡單的試算表：
- 目前每使用者的雲端 AI 成本（從你的帳單儀表板）
- 預計使用者成長（每月）
- 雲端成本曲線（每使用者成本 * 預計月活躍用戶）
- 裝置端固定成本（微調 + 整合 + 維護）
- 損益平衡月份（累計雲端成本超過累計裝置端成本的時間點）
對於大多數行動應用，損益平衡是以月計算的，而非以年。你越早做切換，在產品生命週期中節省的就越多。
Ship AI that runs on your users' devices.
Early bird pricing starts at $14.50/mo — locked in for life. Plans for builders and agencies.
Ship AI that runs on your users' devices.
Early bird pricing starts at $14.50/mo — locked in for life. Plans for builders and agencies.
Keep reading
AI API Pricing for Mobile: The Real Cost Per User
How to calculate the true cost of AI per mobile app user. Provider comparison, hidden multipliers, and the unit economics that determine whether your AI feature is sustainable.
Your AI API Bill Will 10x When Your App Gets Users
The cost math most AI tutorials skip. Your API bill scales linearly with every user, and the real multipliers are worse than the pricing page suggests. Here's what happens at 1K, 10K, and 100K MAU.
Why Your AI App Feels Slow: Network Latency Is the Bottleneck
AI API calls add 500-3,000ms of latency to every interaction. On mobile, that is the difference between a feature users love and one they abandon. Here is where the time goes and how to fix it.