本质差异：AI 产品有真实的边际成本
传统 SaaS 的成本结构是「高固定成本、近零边际成本」：研发写一次代码，服务一万个用户和服务一百万个用户，多出来的服务器钱可以忽略，所以毛利率普遍 70%-80%。
AI 产品打破了这个假设。每一次推理都在消耗算力，用户越活跃、用得越深，成本越高。这让 AI 产品更像「卖货的」而不是「卖软件的」——每笔收入背后都有一笔对应的变动成本。所以分析 AI 产品的成本，核心动作是把成本拆成「随调用量变化的推理成本」和「相对固定的研发/人力成本」，然后盯住单位经济：单次调用的成本、单用户月均成本、这个成本占收入的比例。
行业里一个粗略的参考：重度依赖 API 调用的 AI 应用，推理成本通常占收入的 20%-40%（做得差的能到 60% 以上）；自研模型或深度优化过的产品能压到 10%-20%。作为对比，传统 SaaS 的云服务成本一般只占收入 5%-10%。这就是 AI 产品毛利率普遍比 SaaS 低一档的原因。
三大块成本的占比量级
以一个中等规模、模型走 API 的 AI 应用公司为例（年收入几千万到几亿这个量级），大致的成本画像：
算力/推理成本是第一大变动成本。C 端免费用户多的产品，算力能吃掉总成本的 30%-50%；纯付费的 B 端产品会低不少，20%-30% 比较常见。注意这里有个不对称：免费用户的算力是成本中心，付费用户的算力是交付成本，分析时要分开。
人力仍然是最大的固定成本，通常占总成本 40%-60%，和一般软件公司差不多，但结构不同：算法和平台工程师占比更高，单人头成本更高。一个误区是以为 AI 公司人力成本会低——恰恰相反，模型能力越强，对能把能力产品化的工程和算法人才需求越贵。
数据成本占比通常最小但最刚性：采购授权语料、标注、评测集建设，一般占总成本 5%-15%。它不像算力那样随规模线性涨，但省不得——数据质量直接决定产品上限，砍数据预算省小钱亏大钱。
成本随规模的曲线：不一定降
很多人会引用「推理成本每年降 90%」来证明成本不是问题，这个判断要小心。降的是「同等能力」的成本，但产品会用上「更强但更贵」的模型——这就是 AI 行业的杰文斯悖论：推理越便宜，用法越奢侈（更长上下文、多轮 agent、thinking 模式），总算力账单反而可能涨。一个产品的单次会话成本，2023 年和 2025 年比可能不降反升，因为会话从单轮问答变成了多轮工具调用。
所以 PM 做成本分析时，盯的不是「模型单价」，而是「完成一次任务的总 token 消耗 × 单价」。任务链设计（agent 要不要反思三轮、要不要每次都带全量上下文）对成本的影响，经常比换便宜模型更大。
降本的主要路径
按见效速度排：第一是模型路由，简单问题走小模型、便宜模型，复杂问题才上大模型，成熟的做法能砍掉 30%-50% 推理成本，用户几乎无感。第二是缓存，高频相似问题的结果缓存（语义缓存），问答类场景命中率能做到 20%-40%。第三是工程优化：压缩 prompt（很多产品的 system prompt 冗长到浪费一半 token）、结构化输出减少重试、流式截断。第四才是自研或微调小模型替代大模型 API，这是重投入，适合单点高频场景，不适合铺得广的产品。
自研 vs API 的决策框架很简单：单一任务、调用量巨大、对延迟或数据不出域有硬要求，选自研/私有化部署；场景多、迭代快、量没到规模，老实调 API。很多公司的最优解是混合：核心高频场景私有化，长尾场景走 API。
PM 在成本上的职责
成本不是财务和 infra 的事。PM 至少要干三件事：把「单次任务成本」做成和转化率、留存并列的日常看板指标；在设计功能时做成本评估——加一个「自动深度思考」默认开关，可能让算力账单翻倍，这种决策必须有数字支撑；参与定价，确保毛利率底线（一般付费业务毛利不低于 60% 才健康，低于 40% 要么涨价要么砍功能）。