AI 改变了 SaaS 成本结构，固定订阅难以为继；五种新定价模型与三大原则助企业避免“用得越多亏得越狠”的陷阱。
AI 让定价重新变难：从“稳赚不赔”到“用得越多亏得越狠”
当年 SaaS 软件有多赚钱？你写好代码、部署上线，用户越多赚得越多，边际成本几乎为零——开发成本一次性投入，服务器费用摊薄到忽略不计。
可如今 AI 一来，整个游戏规则彻底变了。
你卖得越好、用户用得越猛，你亏得越快。
这不是夸张，这是无数 AI 创业公司正在踩的坑。曾经风光无限的 Replit 就是活生生的例子：去年 2 月还有 36% 的毛利率，到了 4 月直接跌到 -14%，每多一个用户，就多一分亏损。
这背后，是 AI 行业一个残酷的新现实：你的成本，和用户使用量死死绑定。用得越多，成本越高；卖得越好，亏得越狠。如果你正在做 AI 产品，这篇文章就是为你写的——它拆解了五种新型定价模型、三大核心原则，还提供了一套决策框架，帮你从“成本陷阱”里爬出来，甚至把高成本变成护城河。
作者是谁？她为什么有资格讲 AI 定价？
本文作者是 Anh Tho Chuong（安托·庄），她是开源计费平台 Lago 的联合创始人。这家公司由 Y Combinator 背书，专门为 SaaS 和 AI 公司提供灵活的账单、计费和订阅管理解决方案。
换句话说，她不是在“纸上谈兵”，而是每天都在帮几十家 AI 初创公司处理真实世界的计费难题——哪些客户在狂烧成本？哪些定价模式正在亏钱？哪些模型反而跑出了正向循环？她坐在 AI 定价风暴的前线，亲眼看着一批又一批团队因为“错误的定价”而走向财务悬崖。
这篇文章，就是她用血泪教训换来的实战手册。
别当“AI 版 MoviePass”：烧钱换增长的陷阱正在重演
很多人以为 MoviePass 的失败是因为它“太傻”——每月收用户 9.95 美元，却要付影院 10 美元一张票，等于每张票倒贴。但今天，无数 AI 公司正在重蹈覆辙，只是披上了高科技的外衣。
你以为你是在做创新产品，其实你是在做“AI 版 MoviePass”：用户付你固定月费，你却要按 token 付给 OpenAI、Anthropic 或 Claude。
Token 是什么？简单说，就是 AI 模型处理的文字单位。OpenAI 一千万 token 约等于 75 万字。
如果你的用户每天用你的产品生成报告、写代码、分析数据，那 token 消耗量会像雪崩一样增长。
而你收入是固定的，成本却是线性甚至指数级上涨的。
结果？用户越活跃，你越接近破产。
Replit 就是典型案例——它让用户按月付费，但后台每生成一行代码都要向 LLM 付费。当重度用户激增，成本直接压垮了利润。
这根本不是增长，这是用钱买命。
传统 SaaS 定价已死？不，但必须进化
过去十年，SaaS 靠“按席位订阅”（seat-based subscription）打天下：一个人一个账号，每月 20 美元，用多少都一样。
为什么？
因为软件边际成本为零。
但现在 AI 改变了成本结构。
好消息是：席位制还没死，只是要加“安全阀”。
看看 Miro（在线白板协作工具）怎么做——它依然按用户收费，但加入了一个关键设计：AI 功能需要消耗“AI 积分”（AI credits）。普通用户每月给 100 点积分，用完了要么等下月重置，要么升级套餐。
这样既保留了熟悉的订阅模式，又控制了高成本 AI 功能的滥用。
关键是：Miro 的核心价值是“协作”，AI 只是增强。如果 AI 本身是你的核心产品，那纯席位制就危险了——因为 AI 越强，用户越少人就能完成工作，反而导致你“席位变少”。
这叫“生产力悖论”：你做得太好，客户反而不需要那么多人用你的产品了。
用量计费：最公平也最危险的双刃剑
用量计费（usage-based pricing）听起来最合理：你用多少，付多少。
AWS、GCP、OpenAI 自己都这么干。但问题在于：用户讨厌不确定性。
谁愿意月底突然收到一张天价账单？所以直接照搬 B2B 基础设施的模式到 B2C 或中小 B 端，几乎必死。
但如果你的用户是开发者、工程师或技术决策者，他们理解成本结构，那用量计费反而是优势。比如 Cursor（AI 代码编辑器）的做法就很聪明：它提供基础套餐，包含每月固定额度的 AI 生成量（比如 500 次代码补全），用超了再按量付费。
这样既保障了核心体验不中断（对开发者来说，中断=灾难），又防止了“无限使用”导致的成本失控。关键点在于：你要让用户“看得见”用量。比如在界面上实时显示“本月已用 80% AI 配额”，这比月底发账单友好一百倍。
混合定价才是未来：订阅 + 用量 + 分层功能
单一模型已经不够用了。聪明的 AI 公司正在玩“混合定价”：基础功能按席位收月费，高成本 AI 功能按用量或积分消耗，同时把不同能力拆成不同层级。
比如，免费版只能用基础模型（如 GPT-3.5），付费版才能用 GPT-4o；团队版包含协作功能，但 AI 会议纪要额外收费。
这种设计背后是精细化的成本核算：你知道每个功能模块的 token 消耗成本，然后反推定价。
更高级的做法是“成本转嫁+价值包装”——比如告诉客户：“升级到 Pro 套餐，每月多付 10 美元，但 AI 生成速度提升 3 倍，节省你团队 5 小时/周”。用户不是在为 token 买单，而是在为“时间节省”和“效率提升”买单。这才是定价的艺术。
工程师必须懂定价：这不是 CFO 一个人的事
在 AI 时代，定价不再是财务或销售团队的专属领域。你的工程师、产品经理、甚至客服，都必须理解成本结构。
为什么？因为产品设计直接决定成本。
比如，一个“无限重试”按钮，看似提升体验，实则可能让恶意用户刷爆 token；一个“实时语音转写”功能，可能比文本生成贵十倍。
如果你的工程团队不懂这些，他们可能会做出“用户体验极好但成本失控”的功能。
Lago 观察到，成功的 AI 团队会让工程师参与定价讨论——比如：“如果我们把输出长度限制在 500 字，成本降 40%，用户是否还能接受？”这种跨职能协作，才是抗住成本压力的关键。AI 产品不是“做出来就行”，而是“做出来还能赚钱才行”。
三种必须掌握的定价原则
第一，成本透明化：你必须精确知道每个用户、每次调用、每个功能的 LLM 成本。不能估算，要实测。
第二，价值对齐：价格要和用户感知价值挂钩，而不是和你的成本挂钩。用户不关心你用了多少 token，只关心“这功能值不值这个价”。
第三，弹性控制：提供清晰的用量边界和升级路径，让用户有掌控感。突然的账单爆炸会摧毁信任，而“用超了还能继续用，只是要多付点”则能留住客户。
这三条原则，缺一不可。
如何选择适合你的定价模型？
别照搬别人。先问自己三个问题：你的用户是谁？他们怎么用你的产品？你的成本主要来自哪里？
如果是开发者工具（如代码生成），用“订阅+用量超额”；
如果是团队协作（如 AI 会议纪要），用“席位+AI 积分”；
如果是内容生成（如营销文案），考虑“按生成次数包”或“按字数计费”。
关键是：把高成本功能和低频但高价值场景绑定。比如，AI 生成视频很贵，但客户只在重要活动时用，那就可以卖“年度 10 次高端视频生成包”，而不是按分钟计费。定价的本质，是把成本包装成用户愿意支付的价值。
结语：AI 定价不是成本问题，是价值重构
AI 没有杀死 SaaS，它只是逼我们重新思考“价值”和“成本”的关系。过去我们卖软件，现在我们卖智能服务。服务是有成本的，而且随使用而变。但这也意味着机会——谁能把成本结构转化为用户体验的一部分，谁就能建立真正的护城河。
别再幻想“边际成本为零”的黄金时代了。