R

R03 Unit Economics 模型·CAC COGS LTV 与盈亏平衡

创建 2026-06-07 更新 2026-06-11 13 条双链 成本工程 专题 AI 整理

R03 Unit Economics 模型·CAC COGS LTV 与盈亏平衡

本节点要解决的问题：一个 AI 产品到底赚不赚钱，PM 怎么用一张能在定价会上摊开、能被任何一行追问的表算清楚？ 前面 R01 最小可运行·Token 成本计算器 把”一次对话”变成了 per-query 单价，但单价本身不回答商业问题——它要除以转化率、乘以人均调用量、减去 CAC、对齐 LTV，才知道这个产品能不能活。本节给出一套可复用的 unit economics 表格模型（变量字典 + 计算链 + 盈亏平衡 + 敏感性分析），框架名借自风投/SaaS 财务，但本节的核心立场是：SaaS 的 unit economics 模板直接套在 AI 产品上会系统性骗你，因为 AI 的 COGS 是随用量线性增长的变动成本，不是 SaaS 那个边际成本≈0 的虚线。

§0 为什么是 unit economics 这个框架，而不是”毛利率”或”ROI”

PM 谈 AI 产品的钱，脑子里常蹦出三个框架，挡掉错的两个是本节第一步：

  • 错误框架一：公司层 P&L 毛利率。 “我们整体毛利 60%“是一个被研发摊销、被高价大客户拉高、被免费用户拉低后的混合数字，它告诉你公司活不活，但不告诉你”再多一个用户”是赚还是赔。AI 产品最致命的恰恰是后者——一个重度白嫖用户可能单月烧掉你十个付费用户的利润，混合毛利率把这件事完全藏住。
  • 错误框架二：项目 ROI。 ROI 适合一次性投资（建一个数据中心值不值），但 AI 产品的成本是每次调用都在发生的流量，不是一次投入。用 ROI 思考会让你忽略”成本随用量线性爬升”这个 AI 特性。
  • 正确框架：unit economics（单位经济模型）。 它把视角钉在”一个单位（通常是一个付费用户 / 一个 seat）“上，问三件事：获取它花多少（CAC）、留住它期间它贡献多少毛利（LTV）、服务它每月烧多少（per-user COGS）。只有在”单位”这个粒度上，AI 的变动成本结构才暴露出来。

[!note] 一句话辨析 Unit economics 不是”算毛利率”，是把毛利率拆到单个用户粒度，再把这个粒度的成本结构看清楚。对 SaaS，这一步常常可省（边际成本≈0，多一个用户几乎不增成本）；对 AI，这一步是生死线（多一个用户=多一份随其用量增长的推理账单）。这正是 A01 成本概念史与口径辨析 反复强调的”AI 产品 COGS≠SaaS COGS”在复现层的落地。

§1 变量字典：一张表先把”未知数”列全

任何 unit economics 模型的第一性工作是把所有变量显式列出来并标注口径——这一步比算数重要十倍，因为 AI 产品的坑全在”口径”上（见 A02 成本对象层级辨析·per-token per-query per-task per-user per-seat）。下表是可复用的变量字典（建表时按此填）：

符号变量口径/单位典型来源不确定性
P月订阅价元/用户/月（区分含税/不含税、年付折扣）定价决策可控
Q人均月调用量queries/user/month留存+使用数据，上线前是猜高
c_qper-query 推理成本元/query（来自 R01 最小可运行·Token 成本计算器，含 input/output/缓存/重试）R01 计算器中
c_other每用户其他变动成本元/用户/月（向量库/检索/存储/带宽/三方 API）架构核算中
r_free免费→付费转化率%漏斗数据，上线前是猜高
n_free每付费用户背后的免费用户数个漏斗结构高
c_free单个免费用户月成本元/月（免费额度内的推理）R01 × 免费额度中
CAC单付费用户获取成本元（市场+销售÷新增付费数）财务中
m月留存率 / churn%（churn = 1 - m）留存曲线，上线前是猜高
gm%毛利率%（=毛利÷收入）计算得出—

[!warning] 三个高不确定变量决定一切 Q（人均调用量）、r_free（转化率）、m（留存）这三个上线前全是猜的变量，对结论的影响远大于 token 单价。这正是 §5 必须做敏感性分析、而非给单点估计的根本原因——见末尾 Polanyi 默会知识与提示工程的认识论张力 的认识论拷问。

§2 计算链：从 per-query 到盈亏平衡的六步

把变量字典串成一条可在表格里逐行计算的链。每一行都是一个可被追问的判断，这是它能贴进评审 deck 的原因。

  1. per-user 月推理成本 = Q × c_q
  2. per-user 月变动成本（COGS） = Q × c_q + c_other —— 注意：还要把分摊到这个付费用户头上的免费用户成本算进真实服务成本。
  3. 付费用户分摊的免费成本 = n_free × c_free（免费额度=获客成本，见 A07 成本约束反向塑造产品）
  4. 真实 per-user 月成本 = Q × c_q + c_other + n_free × c_free
  5. per-user 月毛利 = P − (Q × c_q + c_other + n_free × c_free)；毛利率 gm% = 月毛利 ÷ P
  6. LTV = 月毛利 ÷ churn = 月毛利 ÷ (1 − m)（最简口径，未折现）；LTV/CAC 比 = LTV ÷ CAC

盈亏平衡（两个层次，别只算一个）：

  • 单位级盈亏平衡：月毛利 > 0 才是健康单位经济；若 Q × c_q + c_other + n_free × c_free ≥ P，每多一个付费用户都在亏，规模越大死得越快（这是 AI 产品独有的”负向规模效应”，SaaS 几乎不会发生）。
  • 回收级盈亏平衡（CAC 回收期）：回收月数 = CAC ÷ 月毛利。SaaS 业界经验线是 LTV/CAC ≥ 3、CAC 回收期 ≤ 12 个月——这条”3:1 + 12 月回收”法则由 David Skok（Matrix Partners）约 2010 年从 HubSpot/Salesforce/NetSuite 等成熟上市 SaaS 的稳态数据提炼并推广（来源：David Skok forEntrepreneurs SaaS metrics；经多方复述，见 The SaaS CFO / Kellblog 等）。⚠️这是稳态成熟 SaaS 的经验法则，不是 AI 早期产品的硬指标——它的原始前提是”churn 稳定、多年 LTV 窗口、回收期稳稳低于 12 月”，早期 AI 产品几乎都不满足这些前提，照搬 3:1 上 board deck 是被广泛批评的误用。

[!note] 可直接复制的表格模型（填数即用）

行公式A 方案（GPT-4o 类）B 方案（路由+缓存）
月价 P输入〔填〕〔填〕
人均月调用 Q输入〔填〕〔填〕
per-query 成本 c_q来自 R01〔填〕〔填〕
其他变动 c_other输入〔填〕〔填〕
免费分摊 n_free×c_free输入〔填〕〔填〕
真实月成本Q·c_q+c_other+n_free·c_free=计算=计算
月毛利P−真实月成本=计算=计算
毛利率月毛利/P=计算=计算
LTV月毛利/(1−m)=计算=计算
LTV/CACLTV/CAC=计算=计算
CAC 回收月数CAC/月毛利=计算=计算

把这张表打印出来贴在定价会的白板上——A vs B 两列一摆，“该不该上路由+缓存（R02 中型·模型路由 + 语义缓存 降本实验）“这个问题就从工程嘴里的”能降本 X%“变成了商业嘴里的”毛利率从 a% 升到 b%、回收期从 c 月缩到 d 月”。

§3 一个走完的算例（标注口径，数字均为示意/可替换）

为让框架可感，走一遍示意算例（所有单价为占位，真实建表时从 R01 + 官方定价填入）。

设：月价 P=150 元，人均月调用 Q=300 queries，per-query 成本 c_q=0.10 元，其他变动 c_other=5 元，每付费用户背 4 个免费用户、每免费用户月成本 2.5 元（n_free×c_free=10 元），月留存 m=0.92（churn 8%），CAC=200 元。

  • 真实月成本 = 300×0.10 + 5 + 10 = 45 元
  • 月毛利 = 150 − 45 = 105 元；毛利率 = 105/150 = 70%
  • LTV = 105 / 0.08 ≈ 1,313 元；LTV/CAC = 1,313/200 ≈ 6.6（健康）
  • CAC 回收期 = 200/105 ≈ 1.9 个月（健康）

同一张表，把 Q 从 300 改成重度用户的 1,500： 真实月成本 = 1,500×0.10 + 5 + 10 = 165 元 > 150 元——月毛利 −15 元，这个用户每月在亏。 这就是 AI unit economics 的命门：结论对人均调用量极度敏感，而 SaaS 模型里这一项几乎不影响成本。 一个被混合毛利率藏住的真相是：你的盈利可能完全建立在轻度用户补贴重度用户上，一旦重度用户占比上升（往往随产品做得越好越发生），整盘账翻负。

[!warning] 数字纪律 上面 c_q=0.10 等均为示意占位，不是任何真实模型的实际成本。真实建表必须从 R01 最小可运行·Token 成本计算器 按当期官方定价算出 c_q 再代入；token 单价 volatile，标〔以2026-06定价·待核实〕。本节示意算例的价值在结构与敏感性，不在具体数值。

§4 判断主轴：90% 的人在 unit economics 上会栽的四个点

这一节是本节点的命门。每点带 症状 → 为什么会错 → 正确做法 → 真实反例 四件套。

错位一：用 SaaS 的”边际成本≈0”直觉建 AI 的表

  • 症状：表里把 COGS 当成固定的”基础设施摊销”，认为”多一个用户成本几乎不增”，于是把毛利率当常数（“我们 80% 毛利”）。
  • 为什么会错：SaaS 的边际服务成本确实趋近 0（一份代码服务一万人和一人，成本几乎一样）；但 AI 的每一次推理都在实时烧 GPU/token，COGS 是随用量线性增长的变动成本。把变动成本当固定成本，毛利率会随用户活跃度上升而下降，而你的模型里它纹丝不动。
  • 正确做法：COGS 项必须写成 Q × c_q 的函数式，让它随 Q 浮动；毛利率是 Q 的减函数，必须画出”毛利率 vs 人均调用量”曲线，而非给单点。
  • 真实反例：a16z 在《The New Business of AI (and How It’s Different From Traditional Software)》与《Navigating the High Cost of AI Compute》中明确指出：传统 B2B SaaS 长期享受 80–90% 毛利，而 AI-first 产品因每次用户动作都触发一次”算力密集的变动成本”，毛利结构性下沉——LLM-native 公司毛利约 65%、AI-first B2B 普遍落在 50–65% 区间，且服务更多用户的边际成本”远不趋近 0、而是随用量大致线性增长”（来源：a16z 上述两文，2020/2023；〔具体百分比区间为 a16z 与后续行业分析复述·以原文为准〕）。把 SaaS 的 80% 毛利模板套上去，第一个月账单就会打脸。

错位二：盈亏平衡只算”回收期”，不算”单位级是否为正”

  • 症状：表里算了 CAC/月毛利 = 回收期，看到”8 个月回本”就拍板，没回头检查”月毛利本身是不是正的”。
  • 为什么会错：回收期公式在月毛利为负时会给出一个负数或无穷大的荒谬结果，但人眼容易忽略符号，只盯”几个月”。AI 产品里”每个付费用户都在亏”是真实存在的（重度用户、免费分摊过重、定价偏低），此时谈回收期毫无意义——规模越大亏越多。
  • 正确做法：先验单位级（月毛利>0），再算回收级（回收期）。两道闸门，顺序不能反。
  • 真实反例：早期不少 AI 套壳产品定一个低价吸量、免费额度给得很慷慨，结果在重度用户 + 免费分摊双重挤压下单位级为负——这正是 A07 成本约束反向塑造产品 讲的”免费额度=获客成本”必须进 COGS 的原因，也是 E03 一个 RAG Agent 产品的 unit economics 拆解 里多步 Agent 把 per-query 成本顶到几倍后单位经济翻负的真实形态。

错位三：LTV 用”收入”算而不是”毛利”算

  • 症状：LTV = 月收入 / churn，把整个订阅费当成”价值”。
  • 为什么会错：LTV 的本意是”这个用户一生贡献的利润”，AI 产品的服务成本动辄吃掉 30–50% 收入，用收入算 LTV 会系统性高估 LTV/CAC，让你在该刹车时踩油门。SaaS 时代很多人用收入算 LTV 还能蒙混（成本占比低），AI 时代这个偷懒会致命。
  • 正确做法：LTV = 月毛利 / churn，且毛利必须扣掉免费分摊与重试成本。严谨场景还应折现（除以贴现率），但 PM 决策用未折现的简口径即可，关键是用毛利不用收入。
  • 真实反例：用收入算，§3 算例的 LTV 会从 1,313 元虚高到 150/0.08≈1,875 元，LTV/CAC 从 6.6 虚高到 9.4——一个让你误判产品”超健康”的认识论幻觉。

错位四：给盈亏平衡点一个精确的单点数字

  • 症状：deck 上写”盈亏平衡用户数 = 12,473 人""毛利率 68.4%“，精确到小数位。
  • 为什么会错：Q/r_free/m 三个核心变量上线前全是猜的（见 §1），输入是区间，输出却写成单点，是把估计的不确定性伪装成计算的确定性——典型的认识论越权（见末尾 Polanyi 调度）。
  • 正确做法：盈亏平衡点必须给区间 + 敏感性（“在留存 88–94%、人均调用 250–400 的范围内，盈亏平衡用户数在 1.0 万–1.6 万之间”），并在表旁附 §5 的敏感性矩阵。
  • 真实反例：把单点估计当军令状，三个月后实际留存比假设低 5 个点，“已盈利”的项目突然变成”还要烧半年”——单点数字的精确感恰恰是它最危险的地方。

§5 敏感性分析：unit economics 表的灵魂，不是可选项

单点估计在 AI 产品里几乎一定错（§4 错位四），所以敏感性分析不是加分项，是这张表能不能用的前提。两种做法，PM 都要会：

（1）单因子扫描（tornado 图思维）：固定其他变量，单独让一个变量在合理区间走，看月毛利的摆幅。AI 产品里摆幅排序通常是 Q（人均调用）> m（留存）> c_q（单价）> CAC——这个排序本身就是结论：别把降本精力全压在抠 token 单价上，人均调用量和留存对盈利的杠杆更大（呼应 A07 成本约束反向塑造产品：用 rate limit/context 上限控住 Q 的尾部，比省 token 更直接保毛利）。

（2）双因子情景矩阵：选两个最不确定的变量（通常 Q × m），做一张”在不同人均调用 × 留存下，单位月毛利正负”的网格表：

月毛利（元）留存 m=0.85m=0.90m=0.94
Q=200〔填〕〔填〕〔填〕
Q=600〔填〕〔填〕〔填〕
Q=1200〔填〕〔填〕（可能转负）〔填〕

把”转正/转负”的边界用颜色标出来，一眼看到自己赌的是网格里哪一格——这比任何单点数字都诚实。

[!note] 跨域呼应：Polanyi 默会知识 × Jevons 悖论 Polanyi 默会知识与提示工程的认识论张力 在这里改变的判断是：unit economics 表里写满了数字，但 Q/r_free/m 这三个最关键的数本质是默会估计（上线前没人真知道，靠类比经验”猜”）——把它们代进公式得到的”盈亏平衡点”是显性精确性包裹着的默会不确定性。正确的认识论姿态不是追求更精确的单点，而是承认这是估计、用敏感性分析把不确定性显式化。 而 A07 成本约束反向塑造产品 调度的 Jevons 悖论 在敏感性里有一个反直觉推论：当你把 token 单价 c_q 降下去（路由+缓存），用户可能因为”反正便宜/不限量”而提高 Q，c_q↓ 被 Q↑ 部分吃掉——所以敏感性矩阵不能假设变量相互独立，降本动作本身会移动调用量。这是 SaaS 模型里不存在的耦合。

§6 对手框架回应：接受”先上线再算账”，但标出 AI 的边界

对手立场（精益创业 / “unit economics 是后期的事”派）：以 Eric Ries《精益创业》为代表的主流创业方法论主张——早期产品最该优化的是 product-market fit 和增长，过早纠结 unit economics 会拖死迭代速度；先把用户做起来，成本结构后面再优化。这个立场在传统 SaaS/消费互联网历史上被反复验证（无数公司靠”先增长后盈利”成功）。

接受的部分：完全同意。MVP 阶段为了一两个百分点的毛利去做复杂的路由+缓存工程，是典型的过早优化；早期数据噪声大，精算 unit economics 确实是认识论幻觉（这恰是 §4 错位四和 Polanyi 调度的延伸）。我不主张早期就把表算到小数位。

坚持的边界（AI 让这条经验法则部分失效）：传统 SaaS”先增长后盈利”成立的隐含前提是边际成本≈0——多服务一个用户不增成本，所以可以放心先增长。AI 产品没有这个前提：每个用户都在实时烧推理成本，“先增长”意味着”先按比例烧钱”，且 A07 成本约束反向塑造产品 指出 AI 成本是分钟级失控的（一个 prompt 循环就能烧穿预算）。所以 AI 时代的修正版是：早期不必精算 unit economics，但必须知道单位级毛利的符号（正还是负），并搭好成本熔断（见 S03 FinOps for AI·成本可观测与归因全景）。可以不知道是赚 105 还是 95，但绝不能不知道是赚还是赔——因为赔的话，增长越快死得越快。这是精益创业经验法则在变动成本结构下的失效边界。

失效场景（本节自己的边界）：当推理成本占客单价比例极低时（如低频高价 B2B 工具，per-query 成本远小于客单价），上述所有焦虑都消失——unit economics 由 CAC 和销售成本主导而非推理成本，此时本节的”COGS 随用量线性增长”判断不再是主要矛盾，强行用成本视角解释会误判（对应总览 §7 failure scenario #1）。

§7 产品 PM 视角补盲：表之外的三个”看走眼”点

工程视角的 unit economics 容易只盯成本-收入数字，但 PM 还要看见三件表里没有的事：

  1. 用户心理：免费额度是”锚”不是”成本”。 慷慨的免费额度短期拉转化，但它同时抬高了用户的心理基准线——一旦收窄会触发强烈流失（用户感觉”被剥夺”，而非”恢复正常”）。所以 n_free×c_free 这一项不能只当成本算，要当成”一旦定下就很难收回的承诺”算，定免费额度比定价更不可逆。
  2. 商业模式：seat-based vs usage-based 的根本张力。 订阅制（seat）让收入可预测但与成本脱钩（重度用户亏、轻度用户赚，靠组合平衡）；用量计费（usage）让收入与成本对齐但用户讨厌不确定账单。AI 产品的成本本质是 usage-based，定价却常被迫 seat-based（用户偏好），这个错配是 unit economics 表里最大的结构性风险来源（详见 A02 成本对象层级辨析·per-token per-query per-task per-user per-seat 的 per-seat 口径）。
  3. 合规边界：端侧分流改写 COGS 但带来质量回退。 把部分推理推到端侧（A06 端侧与云端成本重构）能把 c_q 显著压低，但端侧模型质量回退可能降低留存 m——在敏感性矩阵里，c_q↓ 和 m↓ 是反向的，净效果要在表里联算，不能只算省下来的那半边。

§8 PM 决策启示：面试 / 选型 / 复现三类落地

  • 面试桌：被问”你怎么判断一个 AI 产品赚不赚钱”，不要答”看毛利率”，答”我会建一张 per-user unit economics 表，先验单位级月毛利符号、再算 LTV/CAC 和回收期，关键是对人均调用量和留存做敏感性——因为 AI 的 COGS 是变动成本，重度用户可能让单位经济翻负”。这一段话直接把你和”只会背 CAC/LTV 名词”的人区分开。配 §3 的”Q 从 300 到 1500 翻负”算例讲 60 秒，就是一个带数字的真实判断。
  • 选型会：拿 §2 的双方案表（A=直接调大模型，B=路由+缓存），把工程的”降本 X%“翻译成”毛利率 a%→b%、回收期 c→d 月”，让降本决策从工程语言变成商业语言——这是 PM 在选型会上的不可替代价值。
  • 复现台：把 §2 表格模型做成一个 spreadsheet（或接 R01 最小可运行·Token 成本计算器 的输出），所有输入参数化，敏感性用数据表/条件格式实现——这是一个能直接贴进定价 deck 的可复用资产。

§9 与已有节点的关系（不复述其事实基础）

  • 对 m202 - 工程选型决策矩阵 的深化：m202 §2.2.2 的”成本预算”维度是定性的隐性成本判断（提醒你别只看 API 单价），本节给它一张可定量填的 unit economics 表，把”成本预算”从定性提醒升级为可算出盈亏平衡点的定量工具。m202 告诉你”选型要算隐性成本”，R03 告诉你”隐性成本怎么算成一个毛利数字”。
  • 对 E03 一个 RAG Agent 产品的 unit economics 拆解 的工具化：E03 是把这套框架用在一个具体 RAG/Agent 产品上的病理学剖解（实例），R03 是从那个实例抽出来的可复用空表模型（操作手册）。E03 回答”这个产品赚不赚钱”，R03 回答”任何产品你怎么自己建表算”。两者是实例↔模板关系。
  • 对 R01 最小可运行·Token 成本计算器 的上承：R01 产出 c_q（per-query 成本），R03 把 c_q 作为一个输入变量接进商业账——R01 是”贵不贵”，R03 是”赚不赚”。
  • 对 m209 - 推理成本控制手册 的抽象层升高：m209 停在”工程降本手段清单及其降幅”（缓存/路由/语义缓存），R03 把这些降幅接到毛利和盈亏平衡上，回答”这个降本动作值不值得做”——从工程账升到商业账。不复述 m209 的具体手段与降幅数字。
  • 对话 A07 成本约束反向塑造产品：A07 是判断主轴（产品决策是成本的影子），R03 是它在复现层的”算账证据”——免费额度、rate limit、context 上限这些 A07 讲的产品决策，在 R03 表里全是具体的成本项和敏感性杠杆。

§10 关联节点

核心（必读）

延伸（可选）

§11 修订日志

  • R0（2026-06-07，初稿）：按宪章 §4 十一段骨架与总览 §3/§4 蓝图写成。§0 框架辨析挡掉”公司毛利率/项目 ROI”两个错误框架；§1 变量字典（10 变量，标注三个高不确定变量）；§2 六步计算链 + 可复制表格模型（A/B 双方案）；§3 走完一个标注口径的示意算例（含”Q 翻 5 倍单位经济转负”的命门展示）；§4 判断主轴四点全配症状→为什么错→正确做法→真实反例四件套（SaaS 直觉/只算回收期/LTV 用收入/单点估计）；§5 敏感性分析（单因子排序 + 双因子情景矩阵）+ Polanyi×Jevons 跨域呼应（Jevons 给出”降单价被涨用量吃掉”的变量耦合反直觉推论）；§6 对手框架回应（精益创业”先上线再算账”派，接受+AI 边界+失效场景）；§7 产品 PM 补盲三点（免费额度心理锚/seat-vs-usage 张力/端侧质量回退）；§8 面试-选型-复现三类落地；§9 与 m202/E03/R01/m209/A07 显式升级对照（不复述）；§10 核心/延伸分档关联节点；双链全部来自总览确认存在的名。数字纪律：所有单价/比率（§3 算例、§5 矩阵）均显式标为示意/占位，token 单价标〔以2026-06定价·待核实〕（不硬编任何真实单价，c_q 须从 R01 当期定价算出）。
  • R1（2026-06-07，grounding 接地）：WebSearch 核实两处经验/行业事实并升级。①LTV/CAC≥3 + 12 月回收：确认由 David Skok（Matrix Partners）约 2010 年从 HubSpot/Salesforce/NetSuite 稳态数据提炼，§2 补出处并显式标注”是稳态成熟 SaaS 法则、非 AI 早期硬指标”（来源 David Skok forEntrepreneurs，The SaaS CFO / Kellblog 复述）。②AI 毛利结构性低于 SaaS：确认 a16z《The New Business of AI》《Navigating the High Cost of AI Compute》论点——传统 SaaS 80–90% 毛利、LLM-native 约 65%、AI-first B2B 50–65%，边际成本随用量近似线性而非趋近 0；§4 错位一真实反例补具体区间与出处。两处从〔待核实〕升级为已接地。遗留待核实（1 项）：token per-query 单价 c_q volatile，§3/§5 一律占位，标〔以2026-06定价·待核实〕，由 R01 当期定价支撑，不在本节硬编。待后续轮次：与 E03 落稿后对齐示意算例口径避免重复。