如何為 SaaS 的 AI 功能定價：按使用量計費 vs. 方案內含
SaaS AI 功能的四種定價模式、各自背後的利潤計算，以及為何大多數團隊第一次會選錯。包含 Notion、Linear 和 Intercom 的真實案例。
您構建了一個 AI 功能。用戶喜愛它。現在您需要為它定價。這個決定將決定您的 AI 功能是成長引擎還是利潤毀滅者，而大多數 SaaS 團隊在第一次嘗試時都會搞錯。
核心張力：AI 功能的可變成本隨使用量增加，但 SaaS 客戶期望可預測的定價。您選擇的每種定價模式都是對如何解決這種張力的一次押注。
四種定價模式
SaaS 產品中打包 AI 功能的方式恰好有四種。每種方式有不同的利潤結構、不同的客戶預期和不同的失敗模式。
模式一：方案內含（綑綁）
AI 功能作為現有方案層級的一部分提供。沒有單獨的項目。沒有使用限制（或限制非常寬鬆）。
誰這樣做： Notion AI 最初作為每用戶每月 $10 的附加功能，後來將其綑綁進所有付費方案。Linear 在每個方案中都包含 AI 功能。
經濟效益：
| 指標 | 值 |
|---|---|
| 客戶感知 | 高價值，「AI 原生」定位 |
| 收入提升 | 間接——為漲價提供理由 |
| 利潤風險 | 高——重度用戶會破壞單位經濟效益 |
| 流失影響 | 低——功能嵌入核心工作流程 |
何時奏效： 當每用戶的 AI 使用量可預測且有限時。如果您的 AI 功能每次互動產生 50-200 個 Token，且平均用戶每天觸發 5-10 次，您就可以可靠地建模成本。
何時失敗： 當高峰用戶消耗中位數的 50 倍時。一個擁有 500 位用戶、每用戶每天產生 2,000 次 AI 請求的客戶，會吃掉您在該帳戶上的全部利潤。
計算： 以 GPT-4o 定價（約 $2.50/百萬輸入 Token，$10/百萬輸出 Token），典型的綑綁 AI 功能成本為：
- 中位數用戶：每月 150 次請求 × 800 Token = 12 萬 Token ≈ $0.42/月
- 高峰用戶：每月 2,000 次請求 × 1,200 Token = 240 萬 Token ≈ $8.40/月
- 如果您的方案是每用戶每月 $20，中位數用戶花費您收入的 2.1%。高峰用戶花費 42%。
模式二：按使用量計費的附加功能
客戶按每次 AI 互動、每個積分或每個 Token 付費。通常以「AI 積分」的形式出售，對應某個工作單位。
誰這樣做： Intercom 以每次解決方案為基礎單獨收費其 AI 客服（Fin）。Jasper 使用與文字輸出量掛鉤的積分系統。
經濟效益：
| 指標 | 值 |
|---|---|
| 客戶感知 | 公平但產生摩擦 |
| 收入提升 | 直接——隨採用而增長 |
| 利潤風險 | 低——成本和收入同步增長 |
| 流失影響 | 中等——使用焦慮降低採用率 |
何時奏效： 當 AI 功能每次互動都能提供明確、可衡量的價值時。如果您的 AI 解決了一個支援請求（節省了 $5-15 的客服人員時間），收取每次解決 $0.99 就很容易說服客戶。
何時失敗： 當使用是探索性或習慣性的時候。按每次 AI 搜索查詢收費讓用戶在搜索前猶豫。按每次 AI 建議收費讓用戶忽視建議。您在訓練客戶避免使用您構建的功能。
摩擦稅： Intercom 報告稱，在無限方案帳戶上 Fin 的解決率比按解決計費的帳戶高 50%。按使用量計費抑制了您想要鼓勵的行為。
模式三：獨立 AI 方案
一個解鎖 AI 功能的專用定價層級。通常稱為「Plus」、「Pro AI」或「Enterprise AI」。
誰這樣做： GitHub Copilot 是每月 $10-19 的獨立訂閱。Grammarly 有一個帶有 AI 功能的獨立「Premium」層級。
經濟效益：
| 指標 | 值 |
|---|---|
| 客戶感知 | 清晰的價值主張，易於評估 |
| 收入提升 | 高——清晰打包的新收入來源 |
| 利潤風險 | 中等——取決於層級定價與實際使用量 |
| 流失影響 | 中等——如果價值不清晰，容易降級 |
何時奏效： 當 AI 是一種獨特能力，某些用戶需要而其他人不需要時。開發工具、寫作助手和分析平台，AI 是一種「模式」而非功能。
何時失敗： 當 AI 功能對核心產品體驗至關重要時。如果您的產品沒有 AI 感覺不完整，將其鎖在方案後面創造的是更差的免費體驗，而非令人信服的升級路徑。
模式四：帶 AI 升級的免費增值
免費用戶每月獲得有限的 AI 訪問（5-20 次互動）。付費用戶獲得更多或無限訪問。
誰這樣做： ChatGPT 本身使用這個模式。Canva 在免費方案上提供有限的 AI 圖片生成。
經濟效益：
| 指標 | 值 |
|---|---|
| 客戶感知 | 低門檻，自然的升級觸發點 |
| 收入提升 | 強力轉換驅動因素（如果限制設置正確） |
| 利潤風險 | 低——免費層級成本有上限 |
| 流失影響 | 低——AI 成為升級誘因 |
何時奏效： 當 AI 是用戶升級的主要原因時。免費限制必須足夠高以展示價值，但也要足夠低以在上 限處創造真實的摩擦。
何時失敗： 當免費用戶消耗大量 AI 資源但不轉換時。如果您的從免費（帶 AI）到付費的轉換率低於 3-5%，您在補貼從未變現的使用。
沒有人談論的利潤問題
所有四種模式都有相同的根本問題：如果您在調用外部 AI API，您的 AI 功能利潤在結構上是有上限的。
以下是大多數 SaaS 創始人沒有計算過的數字：
典型 SaaS 單位經濟效益：
- 每用戶收入：$25/月
- 非 AI 的銷售成本：$3/月（託管、頻寬、支援）
- AI 前毛利率：88%
添加基於 API 的 AI 功能後：
- 每用戶平均 AI 成本：$2-8/月（取決於使用量）
- 新毛利率：68-80%
這是 8-20 個百分點的利潤壓縮。對於年收入 500 萬美元的公司，這意味著每年 40-100 萬美元的利潤侵蝕。對於正在進行 B 輪融資的公司，這種利潤壓縮直接影響您的估值倍數。
問題在規模化時會複雜化：
| 用戶數 | 每月 AI API 成本 | 年度利潤影響 |
|---|---|---|
| 1,000 | $4,000 | $48,000 |
| 10,000 | $40,000 | $480,000 |
| 50,000 | $200,000 | $2,400,000 |
| 100,000 | $400,000 | $4,800,000 |
收入隨用戶數增長。AI API 成本也隨用戶數增長。您的利潤百分比永遠保持在壓縮狀態。
微調如何翻轉利潤方程式
微調較小的模型（30-70 億參數）並在本地或專用基礎設施上運行，將成本結構從可變改為固定。
API 模式： 成本 = (消耗的 Token) × (每 Token 價格)。線性增長。無上限。
微調模型： 成本 = (伺服器成本) + (一次性訓練成本)。無論使用量如何，每月固定成本。
交叉點數字：
| 每月 AI 查詢量 | API 成本（GPT-4o） | 微調 7B（自主託管） | 節省 |
|---|---|---|---|
| 10,000 | $80 | $45 | 44% |
| 50,000 | $400 | $45 | 89% |
| 200,000 | $1,600 | $95 | 94% |
| 1,000,000 | $8,000 | $190 | 98% |
在每月 50,000 次查詢——大約 5,000 位中度使用的活躍用戶——微調模型的成本降低了 89%。在 100 萬次查詢時，降低了 98%。
這不是邊際差異。這是擁有 68% 毛利率的 SaaS 和擁有 92% 毛利率的 SaaS 之間的差距。
定價決策樹
使用這個框架來選擇您的定價模式：
第一步：每用戶的 AI 使用量可預測嗎？
- 是（有限互動，一致模式）→ 考慮綑綁（模式一）
- 否（高度可變，存在高峰用戶）→ 繼續到第二步
第二步：每次 AI 互動是否有明確可衡量的投資回報？
- 是 （解決請求、生成文件、完成分析）→ 按使用量計費（模式二）
- 否（建議、搜索、協助）→ 繼續到第三步
第三步：AI 是獨特能力還是整合到核心用戶體驗中？
- 獨特（獨立模式，可選工作流程）→ 獨立方案（模式三）
- 整合（嵌入每次互動）→ 帶限制的免費增值（模式四）
第四步：無論選擇哪種模式，您的成本結構是什麼？
- 每月 AI 查詢量低於 10,000 次 → API 沒問題，定價模式比基礎設施更重要
- 10,000-100,000 次查詢 → 進行交叉點分析。微調可能節省 50-90%
- 超過 100,000 次查詢 → 微調幾乎肯定是正確的基礎設施選擇
Notion、Linear 和 Intercom 實際做了什麼
Notion 最初將 AI 作為每用戶每月 $10 的附加功能。採用率適中。後來他們將其綑綁進所有付費方案，並將基礎定價提高了每用戶 $2-3。結果：更高的採用率、更好的留存率，以及每用戶大致中性的收入影響——但作為「AI 原生」工作區的 定位顯著改善。
教訓：當 AI 足夠提升核心產品的黏性以抵消成本時，綑綁才有效。
Linear 從第一天起就將 AI 功能包含在內，沒有單獨收費。他們的 AI 功能（問題摘要、寫作輔助、分流建議）很輕量——每次互動消耗 200-500 個 Token。以他們的定價（每用戶每月 $8-10），每用戶的 AI 成本大約是每月 $0.30-0.80。可控。
教訓：如果您的 AI 功能輕量且有限，綑綁成本微不足道。
Intercom 對其 AI 支援客服 Fin 按每次解決收費。每次解決替代了價值 $5-15 的人工客服互動。收取每次解決 $0.99 為客戶提供了清晰的投資回報，同時保持了健康的利潤。
教訓：當每次互動都有明顯、可量化的超過定價的價值時，按使用量計費才有效。
隱藏變數：成本基礎設施
您的定價模式和成本基礎設施是兩個獨立的決策，但它們相互影響：
- API + 綑綁定價 = 利潤風險。您以固定價格承擔可變成本。
- API + 按使用量計費 = 利潤安全，採 用風險。收入和成本同步增長，但摩擦降低使用量。
- 微調 + 綑綁定價 = 理想狀態。固定成本、固定定價、最大採用率、可預測利潤。
- 微調 + 按使用量計費 = 純利潤增長。固定成本，收入隨使用量增長。
長期獲勝的公司是那些將定價模式與成本結構解耦的公司。您可以按任何方式收費——按席位、按使用量、按方案——只要您的底層成本是固定且可預測的。
Ship AI that runs on your users' devices.
Ertas early bird pricing starts at $14.50/mo — locked in for life. Plans for builders and agencies.
實踐手冊：上線、學習、優化
以下是有效的順序：
- 第 1-3 個月： 使用 API 上線 AI 功能。以最快獲得採用的方式定價（通常是綑綁或免費增值）。暫時不要優化成本。了解用戶實際如何使用功能。
- 第 3-6 個月： 測量實際使用模式。計算每用戶的 AI 銷售成本。識別是否存在高峰用戶問題。
- 第 6-12 個月： 如果 AI 成本超過每用戶收入的 10%，開始向微調模型遷移。根據實際使用資料而非假設調整定價。
- 12 個月後： 微調模型運行中，成本固定，定價模式已通過資料驗證。現在可以積極進取——提供無限 AI，將其綑綁到所有地方，將其用作競爭護城河。
將 AI 定價視為一次性決策的 SaaS 公司將會犯錯。將其視為資料驅動的優化循環的公司——從 API 開始，測量，遷移到微調，調整定價——將建立持久的利潤優勢。
延伸閱讀
- Building AI Features in Your SaaS: When to Stop Calling the OpenAI API — 規模化後基於 API 的 AI 功能的完整成本分析
- The Hidden Cost of Per-Token AI Pricing — 為何按 Token 計費比表面上更昂貴
- Shipping AI Features in Your SaaS Without an ML Team — 產品團隊如何端對端擁有 AI 功能
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 Feature Pricing That Actually Works: Subscription, Usage, or Hybrid?
45-50% of AI SaaS will use hybrid pricing by 2028. Here's how to price AI features — subscription, usage-based, or hybrid — so your margins survive as users scale.
Building a Recurring Revenue AI Service with Fine-Tuned Models
How to structure an AI agency offering around fine-tuned models that generates predictable monthly recurring revenue — covering service tiers, pricing models, and the retraining loop.
Pricing Data Preparation Services for Enterprise Fine-Tuning Projects
Pricing models, cost drivers, and sample structures for ML service providers delivering on-premise data preparation to enterprise fine-tuning clients.