发布LLM产品：定价、利润率与反护城河陷阱

2023年和2024年，一批LLM驱动的初创公司相继成立。它们为GPT-4或Claude套上一个用户界面，服务特定使用场景，并收取订阅费。许多公司获得了增长势头，也有许多公司倒下。

它们倒下并不是因为产品糟糕，而是因为产品没有护城河。任何人都可以使用相同的底层模型构建相同的东西。客户转向收费更低的厂商。基础模型提供商降低自家价格或推出竞争功能时，创始人只能眼看利润率不断缩水。

到2026年，教训已经更加清晰。构建LLM驱动产品与构建传统SaaS产品并不相同。经济模式不同，竞争动态不同，护城河也不同。不理解这些差异的团队，最终会成为“那些消失的AI初创公司”案例。

本文介绍2026年发布LLM产品的真实情况——定价、利润率、战略模式，以及哪些护城河经得起考验、哪些经不起。

LLM产品有何不同

LLM驱动产品与传统SaaS有几个不同之处：

可变成本随使用量增长。 每次用户交互都有单次调用成本（推理）。传统软件服务第10,000个用户基本不增加成本，而第10,000次LLM调用与第一次调用的成本相同。

利润率更低。 在许多情况下，推理成本占收入的10–40%。扣除托管、计算和其他基础设施后，AI产品的毛利率通常为50–75%，而非纯SaaS的80–90%。

基础模型是商品。 GPT、Claude、Gemini人人都能使用。你的竞争对手使用相同模型。任何来自模型本身的能力都无法形成差异化。

基础模型会变化。 新版本、弃用和价格变更每季度都会发生。你的产品依赖于不受自己控制的基础设施。

质量难以形成防御。 巧妙的提示很容易被逆向分析，独特的微调可以复制，工作流创新也能被模仿。

客户期望变化很快。 今天令人惊叹的能力，6个月后就是基本要求。门槛上升得很快。

定价压力。 基础模型提供商自己也会推出与客户竞争的产品。Salesforce + OpenAI；Microsoft + OpenAI；以及拥有巨大分发能力的竞争对手。

这些并非理论，而是2026年构建产品的日常现实。

成本结构

典型LLM产品的成本结构：

可变成本（按用户/使用量）：

• 推理（LLM API或托管）。
• 嵌入（用于RAG）。
• 向量数据库或存储。
• 其他随使用量扩展的基础设施。

固定成本：

• 团队薪酬。
• 办公/运营。
• 软件许可（CRM、工具）。
• 基础托管。
• 市场营销/销售。

可变成本正是不同之处。如果每位活跃用户每天的可变成本为€0.05，而你每月收费€20，则贡献额为€19.50 - days_active × €0.05。重度用户会显著侵蚀这一数字。

一个真实示例。某公司以每位用户每月€20提供AI写作工具：

• 平均用户：每天5个会话 × 每月20天 = 每月100个会话。
• 平均每个会话：5次LLM调用 × 平均2K token。
• token总量：每位用户每月1M token（输入 + 输出）。
• 按Claude Sonnet定价（输入€3/M，输出€15/M）计算：每位用户每月约€7–12。
• 毛利率：约50–65%。

对于重度用户（会话数多10–20倍）：

• 每月10–20M token。
• 推理成本：每月€70–200。
• 每位重度用户都会带来亏损。

没有基于使用量的控制，重度用户就可能无利可图。传统SaaS不会以同等量级面临这个问题。

定价模式

定价问题比传统SaaS更难。可选方案包括：

固定按用户收费。 简单，也是默认做法。但重度用户可能无利可图；轻度用户在补贴他们。

按席位收费并设置用量上限。 每个席位每月包含N次操作/调用/token。重度用户支付超额费用或达到限制。

纯按用量收费。 按调用、token或操作收费。成本与收入对齐，利润率可预测。但不确定的账单可能影响采用。

分级定价。 免费版、专业版（有限制）、企业版（定制）。这是标准SaaS模式针对用量限制的调整。

混合定价。 基础按席位收费，高级功能按使用量收费。兼顾可预测性与成本对齐。

按成果收费。 按成果付费（成交、完成工单、生成一份内容）。价值高，但难以落实运营。随着AI承担更多可衡量工作，这种模式越来越常见。

每种模式都有取舍。“正确”的模式取决于：

• 你与客户对可预测性的需求。
• 使用量的差异程度。
• 利润率结构。
• 竞争格局。

大多数成功的LLM产品采用分级或混合定价。重度用户达到限制或支付超额费用；轻度用户则获得合理价值。

单位经济问题

一个实用的思考框架是：你按什么单位收费，这个单位的成本是多少？

对于聊天助手：

• 单位：一次“对话”。
• 成本：根据长度不同，每次对话€0.10–1.00。
• 收入：？

如果每位用户每月收费€20，而用户每月进行100次对话，则每次对话的平均收入为€0.20。利润很薄，甚至亏损。

如果每位用户每月收费€30，上限为200次对话，而大多数用户只进行50次，则利润空间充足。

要做的练习是：估算每单位成本，设定每单位收入，并确保在整个用户分布中都有合理利润。

重度用户通常是亏损来源。请明确决定：要补贴他们、迫使他们转到企业版，还是限制用量？

保护利润率

以下策略可以保护利润率：

1. 按功能划分模型档位

基础版提供运行成本低的功能。昂贵功能（推理模型、长上下文、大量输出）放到高级版。

使用Claude Haiku同等模型的免费版用户，推理成本可能只有每月€0.10。使用Claude Opus同等模型的高级版用户，则可能花费每月€5–20。应据此划分档位。

2. 成本优化（另一篇文章已有介绍）

缓存、路由、输出控制。生产级成本优化通常可以节省60–90%。对许多产品而言，这就是盈利与亏损的分界线。

3. 用量透明

向用户展示其用量，以此隐性引导他们优化自己的使用行为。

这不是惩罚，而是让双方都掌握信息。用户喜欢看到自己用了多少。重度用户会自行节制或升级。

4. 智能缓存

用户专属或组织专属缓存可以大幅降低高级用户的成本。这样他们可以继续更多地使用你的产品，而不会受到用量限制的惩罚。

5. 托管/自托管混合

对于大型企业客户，提供自托管或自带云方案，将推理成本转移给客户。他们获得隐私和控制权，你则减轻成本。

6. 高价值场景按成果收费

有些工作流会产生可衡量成果（成交、解决工单）。按成果定价以不同于按token的方式捕获价值，利润率可能高得多。

护城河问题

更难的问题是：什么能让你的产品具备防御力？

下面列出真正的“护城河”与伪护城河：

真正的护城河

专有数据。 你拥有竞争对手难以获得的数据。客户专属数据是典型例子。产品从每位客户的数据中学到的越多，客户就越难切换。

分发渠道。 你已经嵌入竞争对手无法进入的工作流或平台。Microsoft Copilot通过Office拥有巨大的分发护城河。

信任。 受监管行业和敏感垂直领域的客户信任你。切换成本很高（安全审查、合规审查、培训）。

集成。 你与客户的许多工具集成，并替代或增强它们。每项集成都构成切换成本。

工作流专业化。 你针对需要深厚领域知识的工作流进行了专门构建。通用AI工具若没有同等投入，就无法复制。

网络效应。 用户能从其他用户那里受益（社区、共享内容、对比基准）。这在个人生产力AI中较少见，但在某些类别中确实存在。

品牌与切换成本。 对企业销售而言，采购者的职业声誉与选择绑定。切换对他们有风险；一旦选定，你就拥有可防御的位置。

垂直整合。 你拥有有意义的基础设施（自有模型、自有推理、自有数据管道），难以复制。

伪护城河

某个特定提示或工作流。 很容易被逆向分析，客户也可以自己构建。

某个特定模型选择。 竞争对手同样可以使用。

一个巧妙的用户界面。 一个季度内就能复制。

迭代速度。 在一段时间窗口内确实有效，但竞争对手会赶上，单凭这一点无法持久。

营销或品牌。 在AI时代很容易被取代；声誉建立和崩塌都很快。

大多数AI封装产品依赖的正是这些伪护城河。这也解释了它们的高死亡率。

战略模式

以下模式能够打造具有防御力的LLM产品：

模式1：工作流 + AI，而不是“AI工具”

不要构建“做X的AI”，而要构建一个将AI纳入更大系统的工作流。

例如：不是“用于法律合同的AI摘要工具”，而是“内置AI的合同管理平台”。

平台价值（存储、组织、协作、历史记录、合规）才是护城河；AI是一项功能。

纯AI工具会商品化，带有AI功能的平台更有韧性。

模式2：客户数据飞轮

每位客户的使用都会产生数据，改善其体验（也可能改善其他人的体验）。切换意味着失去累积的个性化。

例如：AI销售助手会学习每位用户的表达风格、客户账户和行为模式。使用6个月后，切换到竞争对手意味着从头开始。

从第一天起就构建这个飞轮。让产品随着使用时间增长而变得更好。

模式3：深耕垂直领域

选择一个垂直领域并深入构建，如医疗、法律、金融、房地产。

垂直领域知识就是你的护城河。通用AI工具无法在领域专精度上竞争。专业竞争对手可以，但每个垂直领域本身就是一个市场，能够容纳少数几家专业厂商。

模式4：嵌入现有工作流

不要要求用户来到你的产品中，而应嵌入他们已经工作的地方——Slack、Microsoft 365、Google Workspace或他们的CRM。

通过嵌入实现分发，是真正的护城河。一旦进入他们的日常工具，要移除你就会付出高昂代价。

模式5：AI原生运营

有些企业从头到尾都是AI原生——它们不是向人销售AI，而是使用AI提供服务，如AI辅导、以成果形式交付的AI客户服务、作为商品的AI内容。

“产品”是成果，AI是运营手段。拥有类似AI但运营较差的竞争对手会落败。

模式6：多维护城河

产品在多个维度建立护城河：垂直领域 + 数据 + 集成 + 工作流。任何单一维度都不是护城河，但组合起来就很难复制。

大多数成功的AI产品正是如此。不是一道巨大的护城河，而是多道相互增强的护城河。

定价案例

以下是几个真实的匿名案例：

案例1：“竞相压价”的封装产品

一家初创公司于2023年推出用于内容写作的聊天界面。提供免费版；专业版每月€20。

第1年：收入增长。第2年：5个竞争对手推出类似产品。价格压力导致价格先降至每月€10，再降至€5。利润率受挤压，增长停滞。

第3年：ChatGPT在其消费者订阅中加入类似功能。竞争地位无法维持，公司关闭。

教训： 没有其他护城河的封装产品毫无防御能力。

案例2：垂直领域专家

一家公司专门为制药研究构建AI。深度集成研究数据库，为医学术语设计专用提示，并满足FDA工作流的合规要求。

定价：每位用户每月€1,500。利润率健康，客户流失率低，直接竞争对手难以达到同等深度。

教训： 垂直领域深度 + 合规 + 集成是真正的护城河。

案例3：嵌入式平台

在现有项目管理平台中加入一项AI功能。用户本来就在平台上管理项目；AI让它更有价值。

定价：并入现有档位，不单独为AI定价。净效果：留存率提高，ARPU提高。

教训： 现有分发渠道 + AI作为增值功能，是稳健组合。

案例4：数据飞轮

一个销售工具会随时间学习每位客户的账户、表达风格和行为模式。使用12个月后，模型已非常了解其具体业务。

定价：按席位收费，企业版定制。留存率高；切换确实会产生代价（失去12个月的个性化）。

教训： 客户专属数据是真正的护城河。

哪些地方会出问题

常见失败模式：

失败1：利润率压缩。 开始时利润率健康，随后被竞争与价格压力挤压。现在收入在增长，利润却没有。

失败2：基础模型推出竞品。 OpenAI / Anthropic推出了与你产品竞争的功能，你的差异化消失了。

失败3：重度用户经济性。 少数用户产生了不成比例的成本，成为亏损来源。要么向他们收取合理费用，要么承担损失。

失败4：质量退化。 基础模型更新改变了行为，调优过的提示失效，客户信任下降，恢复缓慢。

失败5：客户流向免费替代品。 ChatGPT或Claude能以更低价格完成你产品的大部分功能，用户因此离开。

失败6：销售周期预期。 企业期待长期价值。你的产品可能在18个月后被Microsoft Copilot取代，因此很难建立信任。

失败7：扩张时没有利润纪律。 用增长资金换增长，忽视利润率。最终资金耗尽，也没有盈利路径。

失败8：基础依赖风险。 提供商提高API价格、弃用服务或发生停机。你的业务被无法控制的因素打断。

行之有效的具体定价模式

以下模式来自已经跑通经济模型的产品：

按操作收费并设置上限。 按“完成的任务”或“成功成果”收费。在每个档位设置用量上限，重度用户支付超额费用，价值对齐清晰。

自带API密钥。 高级用户可以接入自己的OpenAI / Anthropic密钥，直接支付推理成本。你对外围产品收费，从账面上消除推理成本。

企业定制定价。 大客户协商价格。你可以将成本计入价格；小客户使用标准档位。

具有明确升级路径的免费版。 提供慷慨的免费版促进采用；付费档位具有明确价值。免费用户自助使用，并转化为付费客户。

提供折扣的年度合同。 锁定收入，使使用量预测更平滑，并降低流失率。传统SaaS模式依然有效。

定价决策框架

步骤：

1. 建立成本结构模型。 服务一个典型用户、重度用户和轻度用户，实际成本各是多少？

2. 选择计费单位。 你对什么收费？席位、操作、成果还是token？

3. 找到合适价格。 客户价值、你的成本与竞争压力在哪里取得平衡？

4. 智能划分档位。 免费版/专业版/企业版，价值递进清晰。

5. 设置限制。 重度用户从哪里开始损害利润率？执行上限或收取超额费用。

6. 为变化做好准备。 基础模型价格将会下降。你的价格可能也需要跟随下降，或者维持价格以提高利润率。请明确决定。

7. 持续测量。 客户终身价值、贡献利润率、流失率和扩张。根据学习结果调整。

关于2026年AI初创公司的说明

真实格局如下：

封装业务通常举步维艰。 单纯封装基础模型，很少能独立生存。例外的产品拥有特定的分发、品牌或集成护城河——封装层只是其实际销售内容中最小的一部分。

垂直领域专家正在蓬勃发展。 具备深厚客户知识的领域专属AI产品表现良好。

平台型企业占据主导。 Microsoft、Google、Salesforce等拥有分发能力的大型厂商，通过捆绑产品占据企业AI市场的大部分份额。

AI原生运营行得通。 使用AI提供服务（而非销售AI）的公司，其经济性往往优于将AI作为软件销售的公司。

开源前沿模型正在重塑格局。 能力强大的开源模型改变了一些细分市场的竞争动态，基础模型锁定正在减弱。

基础模型提供商正在成为平台。 OpenAI、Anthropic、Google正在模型之上构建产品层。客户面临的问题是：基于OpenAI构建，还是被OpenAI取代？

2026年成功的新公司会有意识地驾驭这些动态。做不到的公司，大多会消失。

应该优化什么

对于创始人，优先级如下：

1. 构建真正完成工作的产品。 不是“用于X的AI”，而是客户重视的可衡量成果。

2. 有意识地建立护城河。 客户数据飞轮、垂直领域深度、集成、工作流嵌入。选择一个或多个，并将其构建到产品中。

3. 做好单位经济。 确保利润率在规模化后仍然成立；定价既反映价值，也保护成本。

4. 不要依赖不断变化的基础。 分散模型提供商，构建可替换能力，为提供商变更做好准备。

5. 规模化卓越运营。 可观测性、评估、安全、质量。这些看似乏味的工作，决定了产品是长久存在还是最终消失。

6. 捍卫客户关系。 信任、集成、切换成本。客户无法轻易离开，才是护城河。

这与成功的传统企业并无不同——只是底层技术变化更快，因此紧迫性更高。

构建时就考虑护城河

2026年发布LLM产品，比2023年更难。封装产品的时代已基本结束；基础模型提供商和平台直接参与竞争。利润率低于传统SaaS，竞争范围也更广。

成功产品的护城河并不是“AI”，而是专有数据、垂直领域深度、分发渠道、集成、信任和工作流专业化。应有意识地构建、层层叠加，并主动捍卫这些优势。

经济模型需要严谨。可变成本随使用量增长。通过缓存、路由、分级和智能定价保护利润率。重度用户要么支付合理费用，要么受到上限约束。

做对这些事的团队，能以AI构建真正的企业。做不到的团队会成为案例——有趣的演示、短暂的增长势头，然后被人遗忘。

这比早期炒作所暗示的更困难。机会确实存在，但并非无处不在。从第一天起就围绕护城河构建。像利润率真的很重要那样管理它。把基础模型视为商品化基础设施，而不是差异化来源。

这样，你才能发布一个三年后依然存在的LLM产品。