4、定价策略：成本核算、定价模型、分层定价、动态定价

聊到大模型应用的定价，很多人第一反应是「参考 OpenAI」。嗯，这确实是个思路，但说实话，直接抄作业往往死得最快。

我见过太多团队，模型调得不错，产品体验也还行，结果一上线就亏钱。为什么？定价没想清楚。今天咱们就掰开揉碎，把定价这件事聊透。

4.1 成本核算：先算清楚你兜里有多少子弹

定价的第一步，不是看竞品卖多少钱，而是算清楚你自己的成本。我习惯把成本拆成三块：

• 推理成本：每次调用模型，GPU 都在烧钱。以 GPT-4 级别的模型为例，单次推理成本大约在 0.01-0.05 元/次（取决于上下文长度）。
• 训练/微调成本：如果你做了领域微调，这部分成本要分摊到每个用户头上。我建议按 6-12 个月摊销。
• 基础设施成本：服务器、带宽、存储、运维人力。别小看这块，我见过一个项目，推理成本只占 30%，基础设施反而占了 50%。

单次推理成本 = GPU 时租价格 × 平均推理时间 / 3600
月总成本 = 日均调用量 × 30 × 单次推理成本 + 基础设施月费 + 人力分摊
盈亏平衡点 = 月总成本 / 月付费用户数

我曾经帮一个客户做成本核算，他们一直觉得定价 99 元/月很合理。结果一算，每个用户每月要消耗 200 元的推理成本——卖得越多亏得越多。后来我们把模型从 175B 换成了 13B，成本直接降了 80%。

4.2 定价模型：三种主流玩法

成本算清楚了，接下来就是定价模型的选择。我个人总结下来，主流的有三种：

你想想看，为什么 OpenAI 既有 API 按量计费，又有 ChatGPT Plus 订阅制？说白了，就是不想放过任何一类用户。

我建议初期先用按量计费试水，跑通 PMF 后再切订阅制。为什么？因为按量计费的数据最真实——用户愿意花多少钱，一目了然。

4.3 分层定价：让用户自己选

分层定价的核心逻辑很简单：不同用户，愿意为不同价值买单。

我习惯把用户分成三层：

• 免费层：每天 10 次调用，带水印，有延迟。目的是拉新和培养使用习惯。
• 专业层：无限调用，无水印，优先排队。定价 99-199 元/月。这是利润核心。
• 企业层：私有化部署，SLA 保障，专属模型微调。定价按年签，5 万起步。

分层定价还有一个隐藏好处：帮你筛选用户。免费用户往往是最挑剔的，付费用户反而更理性。我曾经把免费层的响应速度从 1 秒降到 3 秒，免费用户骂声一片，但付费用户根本没注意到——因为他们走的是独立通道。

4.4 动态定价：让价格跟着供需走

动态定价听起来高大上，其实说白了就是「闲时便宜，忙时贵」。这个思路在云计算领域已经玩得很成熟了，但大模型应用里用得还不多。

我建议在以下场景尝试动态定价：

• 时段差异：晚上 10 点到早上 8 点，推理成本低，可以打 7 折。
• 用量阶梯：月调用量超过 1 万次后，单价自动降低 20%。
• 实时供需：GPU 资源紧张时，高优先级请求加价 50%。

def get_price(user_id, request_time, usage_count):
    base_price = 0.01  # 基础单价
    # 时段折扣
    if 22 <= request_time.hour < 8:
        base_price *= 0.7
    # 用量阶梯
    if usage_count > 10000:
        base_price *= 0.8
    # 资源紧张加价
    if gpu_usage_rate > 0.8:
        base_price *= 1.5
    return base_price

嗯，这里要注意：动态定价不能太复杂。我曾经见过一个团队，搞了 7 个维度的动态定价，结果用户根本算不清自己该付多少钱，投诉率飙升。后来简化成「时段 + 用量」两个维度，用户接受度反而高了。

4.5 定价的终极心法

说了这么多，最后分享三个我踩过坑之后总结的原则：

1. 定价不是定死，而是定范围：留出 20% 的议价空间给大客户。我见过太多团队把价格定死，结果大客户一来，连个折扣都给不出。
2. 涨价要「加量加价」：不要直接涨价，而是增加新功能后提价。用户对「多花钱多办事」的接受度远高于「同样东西更贵了」。
3. 永远留一个「后悔药」：给用户 7 天无理由退款。虽然会有 5% 的退款率，但换来的是 95% 用户的信任。我亲测有效。

好了，定价策略就聊到这儿。下一章咱们聊聊渠道策略——产品做出来了，怎么让用户知道？