用微调模型为 AI 机构创造经常性收入

大多数 AI 机构都困在项目模式里。客户找上门，你花 4-8 周给他们做一套定制的东西，交付，开出最后一张发票，然后再去找下一个客户。收入曲线是一条锯齿波：冲高、跌落、再冲高、再跌落。你永远处在离破产还有三个月的位置。

这是换了个体面头衔的自由职业。

真正把生意做起来的机构，那些月收入做到 $50,000、$100,000、$500,000 并且能稳住的机构，想明白的事情和十年前 SaaS 公司想明白的是同一件：经常性收入会改变一切。收入可预测，你才敢招人、才敢投入工具建设，才不用把每个月都过成一次生存演习。

微调模型天然适合经常性收入模型。下面讲原因，以及具体怎么搭。

为什么微调模型天然适合经常性收入

微调模型是一套活的系统，它需要：

• 持续的托管和推理服务。 模型全天候在跑，得有人保证它一直跑下去。
• 定期重新训练。 世界在变，客户的需求在变，生产数据还会不断暴露出缺口。长期不重新训练的模型会退化。
• 监控。 准确率漂移、延迟尖峰、使用模式的变化，都需要有人盯着看板。
• 优化。 新的基础模型会发布，更好的微调方法会出现，推理成本会下降，客户想拿到这些好处。

这里的每一项都是你可以按月收费的服务。客户自己很难做这些事（这正是他们找你的原因），而其中任何一项停下来，他们拿到的价值都会缩水。

对比一下一次性的 API 接入或者提示工程项目：那些是有明确终点的项目。微调模型是需要长期照料的基础设施，你的月度服务费就来自这里。

收入模型

结构很简单：

一次性启动费。 覆盖数据集构建、首次微调、评估和部署，也就是你的前期投入，同时把客户带到见到价值的那一刻。

月度服务费。 覆盖托管、监控、重新训练和优化的持续开销。这是你的 MRR。

启动费通常在 $5,000 到 $15,000 之间，取决于复杂度：

• 简单（单一任务、数据干净、标准模型）： $5K-$7K。例如按客户自己的工单分类体系微调出来的客服分类模型。
• 中等（多个任务、需要清洗数据、定制评估）： $8K-$12K。例如一套法律文书审阅模型，既要分类、又要抽取实体、还要标记风险。
• 复杂（多模型管道、定制数据采集、大量评估）： $12K-$15K 以上。例如一套金融分析系统，数据抽取、分析、报告生成各用一个模型。

生意真正活在月度服务费上。下面说怎么设计它。

服务层级结构

对大多数机构来说，三档是合适的。少于三档，你会把钱留在桌上；多于三档，运营复杂度会吃掉你的利润。

第 1 层：基础版，每月 $2,000

客户拿到什么：

• 模型托管与推理服务（99.5% 可用性 SLA）
• 基础监控（可用性、延迟、错误率）
• 用生产数据做季度重新训练
• 月度用量报告
• 邮件支持（下一个工作日回复）

你要付出什么：

• Ertas 平台：约 $25/月
• GPU 算力分摊：约 $50-150/月（多客户共享基础设施）
• 人力投入：重新训练每季度约 2-3 小时，监控每月约 1 小时
• 折算后的月度人力成本：约 $200-400

你的利润率： 75-85%

谁会买： 用例直白的小企业。他们只要模型好用，不想为它费心。低接触、高利润。

第 2 层：成长版，每月 $5,000

客户拿到什么：

• 第 1 层的全部，另加：
• 独立模型实例（不与其他客户共享基础设施）
• 月度重新训练，附带性能分析
• 详细评估报告，含改进指标
• 优先支持（4 小时响应 SLA）
• 季度策略沟通，讨论模型表现和新的机会

你要付出什么：

• Ertas 平台：约 $25/月
• 独占 GPU 配额：约 $200-400/月
• 人力投入：重新训练、评估和报告每月约 4-6 小时
• 折算后的月度人力成本：约 $600-1,000

你的利润率： 70-80%

谁会买： 模型已经是业务重要一环的中型公司。他们在意模型随时间的提升，也想看到提升的证据。

第 3 层：企业版，每月 $10,000 起

客户拿到什么：

• 第 2 层的全部，另加：
• 多个模型或者多模型管道
• 持续改进（双周一次的重新训练周期）
• 定制评估框架
• 专属客户经理
• 每月与相关负责人做一次绩效评审
• 紧急变更的优先部署
• 定制集成支持

你要付出什么：

• Ertas 平台：约 $25/月（每个模型实例）
• GPU 配额：约 $500-1,500/月
• 人力投入：每月约 15-25 小时（客户管理、重新训练、定制开发）
• 折算后的月度人力成本：约 $2,000-4,000

你的利润率： 60-75%

谁会买： 规模更大的公司，或者 AI 本身就是核心业务的公司。服务重，但单客户的绝对利润最高。

重新训练循环作为价值驱动

让这套经常性模式成立的关键在于：重新训练循环是月度服务费的理由。

如果没有重新训练，客户完全可以说自己只需要为托管付钱（而托管很便宜），到此为止。重新训练循环创造的是会累积的价值：

1. 收集生产数据。 每一次推理请求都会产生数据：输入、输出，理想情况下还有输出是否有用的反馈。

2. 分析表现。 找出模型表现不佳的类别、用户提问里出现的新模式，以及原始训练集没有覆盖到的边缘情况。

3. 重新训练。 把新数据并入训练集，在扩充后的数据集上微调适配器，再拿黄金测试集做评估。

4. 展示改进。 给客户具体的数字：「上个月我们从生产数据里补入 342 条新的训练样本，退款类问题的准确率从 89% 提升到 94%。」

5. 让服务费站得住。 客户每个月都能看到可衡量的进步，模型一个月比一个月好。这值每月 $2K-$10K。

这会转成一个飞轮：生产环境用得越多，训练数据越多；数据越多，重新训练的效果越好；模型越好，生产环境用得越多。客户越用，模型越好，而这件事要靠你的服务才能持续发生。

量化改进

始终把数字摆出来，而且要具体到指标本身，而不是笼统的一句「模型改进了」：

Monthly Performance Report — March 2026

Retraining Summary:
- New training examples added: 487
- Source: production data with human feedback labels
- Training time: 2.3 hours on A100

Performance Comparison:
| Metric              | Feb 2026 | Mar 2026 | Change  |
|---------------------|----------|----------|---------|
| Overall accuracy    | 92.3%    | 94.1%    | +1.8%   |
| Refund queries      | 89.1%    | 94.2%    | +5.1%   |
| Shipping queries    | 95.7%    | 96.1%    | +0.4%   |
| Hallucination rate  | 3.4%     | 2.1%     | -1.3%   |
| Avg response time   | 1.4s     | 1.2s     | -0.2s   |

Cost Impact:
- Estimated API cost equivalent: $4,200/month
- Your current cost: $2,000/month (Tier 1)
- Monthly savings: $2,200
- Cumulative savings since deployment: $14,800

最后那一段成本对比，是你手上最强的续约工具。每个月都让客户看到，同样的能力如果走 API 要花多少钱。API 成本和你的服务费之间的差额，就是你交付的价值。

为初始构建定价

启动费既要覆盖成本，也要把价值传达出去。可以这样算：

初始构建的真实成本：

• 数据集构建与清洗：10-30 小时人力
• 微调运行（实验加最终版）：$20-100 算力
• 评估与 QA：4-8 小时人力
• 部署与集成：4-8 小时人力
• 人力合计：20-50 小时

按一位熟练工程师 $75-100/小时的综合人力成本算，你的成本是 $1,500-$5,000。定在 $5K-$15K，构建环节能留下健康的利润，相对后面的月度服务费也不会让客户觉得价格突兀。

不要给构建定低价

有些机构把初始构建按成本价（甚至更低）报出去，想着「先把客户拉进门」，再靠月度服务费赚回来。这样做有两个问题：

1. 它吸引来的是对价格敏感的客户，这类客户在月度服务费上同样会跟你磨。
2. 它等于告诉客户你的工作不值钱，之后月度服务费更难谈。

给构建收一个公道的价格。如果客户在 $8K 的启动费上就犹豫，$5K/月的服务费同样会犹豫，早点知道更好。

你的成本结构

把这门生意实际的开销摊开来看：

每客户的可变成本：

• Ertas 平台：$25/月
• GPU 算力（共享）：$50-400/月，取决于层级
• 人力投入：1-25 小时/月，取决于层级

固定成本（不随客户数增长）：

• 你自己的基础设施（监控工具、CI/CD 等）：$200-500/月
• 你管理这门生意的时间：无价（也没算进上面的利润率里）

10 个客户时的账：

10 个客户、$48,000 MRR，毛利率 79%，而且这是按一位全职人员专做模型运维来算的。实际操作中，很多机构在早期跑得比这更精简。

销售话术框架

坐到潜在客户对面时，这套框架能把单子谈下来：

第 1 步：把他们现在的支出算清楚。 「你们每月有多少次 API 调用？花多少钱？」每月 API 调用支出在 $3,000 以上的企业，基本都是合适的目标。

第 2 步：把节省摆出来。 「你们现在客服每月要在 OpenAI API 调用上花 $5,000。我们可以做一个在本地跑的微调模型，每月 $2,000，质量相当，数据不出你们的基础设施，而且每个月都在变好。」

第 3 步：补上隐私这一层。 「现在每一次客户对话都要经过第三方 API。换成本地模型，数据就留在你们自己的基础设施里。对处理[医疗/金融/法律]数据的公司来说，这是硬要求。」

第 4 步：展示改进曲线。 「通用 API 模型在你们这个具体任务上会一直停在原地。我们的模型每个月都用你们的生产数据重新训练一次，指标也一并交给你们看。三个月之后，它对你们业务的理解会超过任何通用 API。」

第 5 步：把话说到底。 「启动费 $[X]，每月服务费 $[Y]。3 周之内可以让你们的第一个模型上生产。」

留存策略

拿下客户很难，做到下面几件事，留住客户就会变得容易：

月度绩效报告。 这是必做项。每个客户、每个月都要拿到一份报告，说明模型跑得怎么样、又提升了多少。这是单项效果最好的留存手段。

扩展到更多用例。 那个买了基础版、只做客服模型的客户，合作三个月之后可以问他：「要不要再加一个商品推荐模型？还是同一套基础设施、同样的月度节奏，加进你们的套餐每月多 $1,500。」扩展收入比拉新客户容易得多。

让自己变得难以替代。 流经你系统的生产数据越多，客户越难走。客户始终拥有自己的模型和数据，真正拦住他们的是转换成本：换一家供应商，训练管道、评估框架和监控体系都要重建一遍，这笔账是实打实的。

季度业务回顾。 对第 2 层和第 3 层客户，每季度约一次和决策人（而不只是技术对接人）的沟通。把累计交付的价值摆出来，聊他们的路线图，提出 AI 还能帮他们解决的下一个问题。$5K/月的客户就是这样变成 $15K/月的客户的。

年付定价。 年度承诺给 10-15% 的折扣。这能降低流失，也让你的收入更好规划。一个签年约、每年付 $54K 的客户，比一个每月付 $5K、可能第 7 个月就流失的客户更有价值。

复利优势

这套模式好就好在会复利。你的运营每个月都会更高效：

• 重新训练管道的自动化程度不断提高
• 评估框架可以在客户之间复用
• 你积累起来的领域经验，让新客户的接入越来越快
• 同一套基础模型基础设施可以服务更多客户，成本不按比例增加

第 1 个月，客户的一轮重新训练要花掉你 20 小时。到第 6 个月，因为该自动化的都自动化了，只要 4 小时。而月度服务费不变。你没有涨价，利润率自己上去了。

做到 20 个客户时，固定成本被摊薄，单客户的可变成本也优化过了，毛利率会接近 85%。这就是建立在微调模型之上的产品化服务的经济账。

别再拿工时换钱，开始积累经常性收入。

更多机构定价的内容，可以读我们的产品化 AI 微调服务、AI 机构定价策略和为客户的自托管模型定价三篇指南。