AI 商业建模：先写决策，再搭六张表

做 AI 生意，很多人第一步就去挑模型。这个顺序恰恰错了。商业模式的胜负手，是每交付一份价值背后的可变成本，而不是选了哪个模型。

一、先写决策，再决定表怎么搭

建模的起点是一句话：这份模型要支撑哪一个决定。表格可以晚一点再打开。要不要投 300 万美元自建推理集群？明年招 12 个销售还是 4 个？按席位收费还是按任务收费？目标不同，模型的结构就不同。

为了“看看未来三年长什么样”而做的模型，往往什么也支撑不了。它没有可以被推翻的变量，也没有触发行动的门槛。先把决策写在第一行，再写公式，能省掉后面两周的返工。全文金额统一用美元，只有 2.2 节按国内厂商价目用人民币。

决策写定后再搭骨架。一份能用的模型通常有六张表：假设表、获客与留存表、用量与成本表、人员与费用表、月度损益与现金表，再加一张只对外展示的汇总表。假设表里的数字全部手动填写。其余五张表不许出现任何常数，凡是手敲进去的数，都要回到假设表。

这条规矩看着死板，几周后才见好处。有人问“流失从 2.5% 提到 4% 会怎样”，你改一个单元格就能回答，不用满表去找散落各处的 0.025。

六张表里，真正左右结果的只有少数几个数。跑几十次之后你会发现，三年后的现金余额几乎只由五个数决定：每月新增的付费单位、单位流失率、每个单位每月的调用量、单次调用的全部成本、每名销售每月能签下的量。

定价排第六。它重要，但在合理区间内调价，对结果的影响比不上流失率从 2.5% 变成 4%。其余几十个假设，比如服务器折旧年限、差旅费率、办公场地，加在一起的影响，往往还不如前五项里的任何一项。调研精力就按这个顺序分配。

1.1 定价单位和口径决定整张表

定价虽然排在五个主导变量之后，却决定整张表的结构。而定价首先要选单位：按席位、按任务，还是按结果。三种单位，对应三份完全不同的模型。

按席位收费时，收入和用量无关。用量一涨，毛利就被吃掉，所以用量上涨是头号风险。按任务收费时，毛利率比较稳，但收入会随客户内部流程波动，预测误差从成本端挪到了收入端。按结果收费，比如每成功处理一张工单收一次钱，就要多建一张归因表，还要预留争议和退款的准备金。

同一批用户，换一种定价单位，月收入就可能差两成多。一个席位每月用 420 次，按每次 0.18 美元算是 75.6 美元，比 60 美元的席位价高 26%。可一旦某个客户只用 120 次，就只剩 21.6 美元。收入波动越大，现金缓冲就要留得越厚。

先定单位再建表，比建完再改单位省一周。

单位选定后，还要把“单位”这个词定义清楚，否则三张表永远对不上。席位、账户、活跃用户、客户主体（logo）是四个不同的数。混着用，流失和收入会在不知不觉中错位。

一个客户可能买了 8 个席位，每月实际登录的只有 5 个，续约却是按这一个 logo 去谈。收入常按席位记，流失却常按 logo 报。一个持 8 席位的客户走了，logo 流失记 1 次，席位流失记 8 次，两个口径能差一个数量级。

更容易被忽略的，是“活跃席位”和“已付费席位”之差。推理成本按活跃席位算，前面那 420 次用的就是活跃口径。收入则按已付费席位算。中间那几个没人用、却还在付费的席位，是毛利里最干净的一块。但客户一盘点席位，最先砍掉的也是它们。

建模第一天，就把这四个词分别钉到某张表的某一列。之后写任何比率，都注明分子分母用的是哪个口径。日后对不上账时，这能省掉整整一周的排查。

二、把一份客服 AI 的账从头算一遍

设产品按席位收费，每席位每月 60 美元，含 800 次任务额度。第一年实际用量平均每席位每月 420 次。

单次任务输入 3500 token、输出 600 token。模型报价是输入 3 美元/百万 token、输出 15 美元/百万 token。

单次模型成本 = 3500 ÷ 100 万 × 3 + 600 ÷ 100 万 × 15 = 0.0105 + 0.009 = 0.0195 美元。

再把检索、向量库、日志留存、失败重试和离线评估重跑折进去，乘以 1.35，得到 0.0263 美元。每席位月推理成本 = 420 × 0.0263 = 11.05 美元。

加上分摊的托管与支持 6 美元，单席位月毛利 = 60 减 17.05 = 42.95 美元，毛利率 71.6%。

71.6% 只是一张静止的照片。真实产品在 12 个月里会做三件事：往上下文里塞更多历史对话，把单步调用改成多步代理，再给输出加一轮自检。

于是输入从 3500 token 涨到 6200，输出从 600 涨到 900，月均调用从 420 涨到 620。

重算一遍：6200 ÷ 100 万 × 3 + 900 ÷ 100 万 × 15 = 0.0186 + 0.0135 = 0.0321，乘 1.35 得 0.0433。月推理成本 = 620 × 0.0433 = 26.85 美元。加上 6 美元后，毛利率掉到 45.3%。

产品做得越好，这条曲线走得越快。上游降价能缓解成本压力，但缓存、批处理和调用路径优化也要单独建模。假如每 token 报价一年内降 40%，成本回到 16.1 美元，毛利率 63.2%。

用量变化与单价下降要分别建模，不要合并成一个“成本每年降 20%”的常数。

2.1 提示缓存能把毛利率扳回约 14 个点

这笔账还有一处能往回扳。上一步把单次输入 6200 token 当成了固定成本。但其中一大块，是每次调用都重复送进去的系统提示、工具定义和检索回来的固定文档。

这部分在一次会话里不变，符合上游的提示缓存条件。命中缓存的输入 token，通常只按新鲜价的一成收费。

假设 6200 个输入 token 里，有 3800 属于可缓存的稳定前缀。命中后，这段成本从 3800 ÷ 100 万 × 3 = 0.0114 降到 0.00114。单次输入成本从 0.0186 降到 0.0083。加上输出再乘 1.35，月推理成本从 26.85 美元降到约 18.3 美元，毛利率回到 60% 上下。

可以离线跑的任务，比如夜里重跑评估、批量摘要，走批处理接口常常再打五折。但批处理有延迟，不能放进实时流程。关键在于，缓存收益取决于前缀稳不稳定。一旦你频繁改提示词，或者检索内容每次都变，命中率就会掉。这时这行收益就得从模型里划掉，别把它当成永久假设写死。

2.2 换成 DeepSeek 的人民币价目再算一遍

换成国内厂商的价目，缓存这一行的分量更重。DeepSeek 官方价目页（2026 年 10 月查询）显示，deepseek-v4-pro 高峰时段每百万输入 token 未命中缓存 9 元，命中只要 0.30 元，输出 27 元。北京时间工作日 9:00-12:00 和 14:00-18:00 之外是空闲时段，全部价格减半。

拿上面那次调用按高峰价算一遍：6200 进、900 出，其中 3800 可缓存。未命中的 2400 token 是 0.0216 元，命中的 3800 token 是 0.0011 元，输出 0.0243 元。合计约 0.047 元，乘 1.35 后约 0.063 元。一个月 620 次，约 39 元。

命中价只有新鲜价的三十分之一。所以在这家厂商这里，前缀稳不稳，比模型选哪一档更影响毛利。空闲时段减半，则给离线任务一个现成的去处。夜里重跑评估、做批量摘要，成本直接砍一半，但白天的实时流程享受不到。

建模时把这两项各列一行：一行是缓存命中率，一行是空闲时段用量占比。后者有上限，因为客服的高峰正好落在高峰时段。

2.3 单位经济：留存、回收期与获客成本

成本算清之后，接着看单位经济。留存改变的是整条曲线的形状，比一个折扣系数复杂得多。沿用 42.95 美元的月毛利。月流失 2.5% 时，平均存续 40 个月，单席位毛利总额约 1718 美元。月流失 4.5% 时，存续 22 个月，总额 954 美元。

假如单席位获客成本是 1200 美元，前者的 LTV/CAC 为 1.43，后者为 0.80。同一个产品，一个勉强能投，一个每卖一份亏一份。有意思的是，两边的回收期都是 28 个月（1200 ÷ 42.95）。可见回收期看不出流失的差别。

只算回收期不算总额，或者只算总额不算回收期，都会漏掉一半信息。

数据还少的早期，回收期比 LTV/CAC 更早暴露问题。LTV/CAC 要往后推算 30 到 40 个月。一家成立 18 个月的公司根本没有 40 个月的数据，那个分子是猜的。

回收期只用已经发生的现金：这批客户花了多少钱拿到，到今天收回了多少毛利。把每个季度新签的客户各画一条回收曲线。如果第四季度的曲线比第一季度更平，扩张就在变贵，不管 LTV/CAC 算出来多好看。董事会里最资深的人，通常先问这条曲线。

也正因为数据少，早期公司别急着给 LTV 打折现。教科书会让你把未来每月的毛利按某个折现率换算成今天的钱，再算 LTV。可对一家只有十几个月数据的公司，这一步弊大于利。折现率选 8% 还是 20%，对 LTV 的影响往往比你辛苦调研的流失率还大。这等于用一个更没把握的数，去修一个稍有把握的数。

更诚实的做法，是把时间价值直接交给回收期。回收期越短，现金越早回到手里再投出去。时间价值自然体现在“早一个季度回本”里，不必单独写折现率。

真要给董事会看折现后的数，就把折现率当成敏感性表里的一行，让人看到它的摆动有多宽。把一个值钉死塞进 LTV，只会制造假的精确。

有了这套算法，就能判断什么样的负单位经济值得赌。前面把 LTV/CAC 低于 1 当成“每卖一份亏一份”。多数时候这判断成立。但有两种情形，明知为负仍值得投，条件必须写进模型。

第一种是留存曲线在变平。如果第 12 个月之后，月流失从 4% 收敛到 1.5%，总额的尾巴会比直线外推长得多。今天算出的 0.8，是被早期高流失拖低的。模型里要单列一条“成熟客户流失”假设，用最老那批客户的真实数据去支撑，不能拿全体平均来顶替。

第二种是获客成本在稳步下降。品牌起来后，自助注册的比例上升，混合 CAC 会自己往下走。这时该建的是一条 CAC 随累计客户数下降的曲线。

两种情形有个共同点：赌注都押在一个看得见、可以被推翻的数上，也就是成熟流失或自助占比。“规模上去就好了”这种没有触发条件的信念，不算赌注。凡是给不出这样一个可跟踪指标的“战略性亏损”，在模型里就该按字面意思当亏损处理。

上面反复出现的 CAC，其实不该当成一个数。前面用 1200 美元的单席位获客成本算 LTV/CAC。可这个数一旦把自助注册和销售带来的客户平均在一起，就会盖住真正的问题。

自助渠道的 CAC 可能只有 200 美元。销售带来的客户背着销售工资、售前投入和更长的成交周期，单席位 CAC 轻松冲到 2500 美元。

混合出来的 1200 看着健康。但扩张期的新增几乎总是来自销售那一端，因为自助渠道会先饱和。你真实的边际，是拿 1718 美元的总额去除 2500，只有 0.69，每多卖一份亏一份。

把获客表按渠道拆开，各算各的回收期和总额，再看你打算加的下一笔预算落在哪个渠道。用混合 CAC 做投放决策，等于用一个已经不代表新增客户的历史平均，去指导新增支出。

渠道之外，客户还要按进入时间拆。用按月分组的客户表，不要用“平均客户”。把每个月新签的客户各占一行，横向铺开 36 个月，记录这组客户的存活席位、月毛利和累计回收额。

“平均客户”会掩盖两件事。第一，早期客户的留存通常好于后期客户。早期客户是被产品吸引来的，后期客户是被销售推来的。第二，涨价只影响新客户，混进平均值里就看不出来。这张表还能直接算出净收入留存：第 13 个月这组客户的收入除以第 1 个月的收入，不需要任何假设。

用平均值建的模型，会在客户结构变化时悄悄失真。而结构变化，恰恰是扩张期一定会发生的事。

三、五个主导变量：敏感性分析与情景设计

哪个变量最要命，靠单变量敏感性分析看出来。固定其他假设，把五个主导变量各自拉到合理区间的两端，记录第 36 个月现金余额的变化。以一家第 36 个月约有 2 万席位的公司为例：

这张表决定接下来两周把调研预算花在哪。排第一的变量，值得去翻真实的客户数据。排第五的，可以先用行业经验值顶着。

几个变量一起动时，就要设情景。情景不该叫乐观、中性、悲观，因为这三个标签把互不相关的变量绑在了一起。现实中，流失偏高时，用量往往也偏低：用户不爱用，所以走了，成本反而低于基准。

更好用的做法，是给情景起一个讲因果的名字。比如“用量涨、留存好、上游不降价”，“留存好但用量平，为保续约被迫降价”，“大客户续约，中小客户成批流失”。每个情景只许改 2 到 3 个假设，并在旁边写清它们为什么会同时发生。

说不出因果的组合，只是一组随机数。

情景里最该单独拉出来的变量是每 token 的价格，因为它变得比任何业务假设都快。同等能力推理成本的历史走势就是一条陡峭的下坡。

实际建模时，可以把它分三档：维持现价、一年后降一半、一年后降到十分之一。再看毛利率和回收期在三档下各落在哪里。如果只有在最乐观的那一档里生意才成立，这份模型就该在上董事会之前先被自己否掉。

3.1 容易被高估或漏记的成本项

免费额度要记成成本。免费层和试用额度用的是同一批算力。把它们记进市场费用，毛利率会好看，但这部分推理成本会在规模扩大时突然出现在毛利里。

合理的做法，是在成本表里单列一行“未付费用量”，按免费用户数 × 月均调用 × 单次成本计算，并单独跟踪它占推理总支出的比例。

一个常见的临界点：免费用量超过推理总量的 45% 时，增长越快，烧钱越快。这时任何“先做规模再谈变现”的说法，都需要一个具体的转化率来支撑。

另一项常被藏进研发的成本，是评估与回归测试。每次换模型、改提示词、上线新功能，都要在一批标注好的样本上重跑评估，确认质量没有变差。团队习惯把这笔算力算进研发费用。但它随调用规模增长：评估集越大、发布越频繁，这项开销就越像可变成本。

举个例子。一个团队每周发布一次，评估集有 2000 条，每条平均调用 4 次。一个月光评估就是 3.2 万次调用。按前面 0.026 美元的全成本算，约 830 美元。单看不多，可它随席位数和发布频率一起涨。藏在研发里，会让毛利率看起来比真实高出一两个点。

把它单列一行，用“发布频率 × 评估集大小 × 单次成本”来算。这样既能在毛利里看见它，也能在有人提议“把评估集扩到一万条”时，马上看到代价。

有漏记的，也有被高估的。模型里最常被高估的有三项。第一是扩张收入。净收入留存 130% 常被当成默认值填进去。它必须拆成涨价、加席位、加模块三项分别验证，哪一项拿不出历史数据，就不该保留。第二是新销售的爬坡。新销售通常要 4 到 6 个月才达到满产，模型却常常从入职第一个月就按满产算。第三是降价传导的速度。上游报价下调，不等于你的成本马上下调。换模型要重跑评估、改提示词、处理质量回退，中间隔着 1 到 2 个季度。

还有一类成本披着折扣的外衣。承诺算力折扣既是一份选择权，也是一份负债。上游给的年度承诺价，常常只有按量付费的三到四折，诱惑很大。签之前先算两个数。

第一个是承诺量与预测用量之比。如果实际用量只有承诺量的 70%，有效单价 = 折后价 ÷ 0.7，折扣当场缩水三成。第二个是最坏情况下的沉没现金。一份 240 万美元的年度承诺，如果只用掉 60%，就等于为没用上的部分付了 96 万美元。

模型里要把承诺记成固定成本，不要并进单次调用的可变成本。否则用量下滑时，毛利率会虚高，而虚高的方向正好和真实处境相反。

四、自建、损益与现金勾稽

开头那个 300 万美元自建推理集群的决定，不能用“自建单位成本更低”一句话拍板。要把它放进现金表和用量表，和按量付费逐月对比。

自建是一次性的资本开支，再加上折旧、电费、运维和闲置。集群按峰值配置，日常利用率能到 60% 就算不错，剩下的产能每天都在白白烧钱。按量付费则完全可变，没有闲置，但单价高，用量小时你也没有议价权。

自建什么时候更便宜，取决于两件事。第一，稳定用量能不能把集群用到 70% 以上。用不满，闲置会把单位成本摊高，自建反而可能比按量付费贵。第二，用量有多确定。自建把可变成本变成了固定成本，相当于赌未来 24 个月用量不会大跌。一旦某个大客户流失，按量付费的账单会跟着降，自建的折旧却一分不少。

把这两条写成假设：稳定利用率和用量下滑的概率。让敏感性表告诉你，利用率低于多少时自建就不再更便宜。理想满载下的单位成本，只能用来说服自己。

不管自建还是外购，损益表和现金表都会在同一个月给出相反的信号。年付合同在签约当月收到全款，现金表上是一个漂亮的高峰。损益表却按月确认收入，那个月平平无奇。反过来，预留算力的年度承诺付款，在损益上按月摊销，在现金上却是一次性支出。

只做损益不做现金，某个季度会突然发现账上钱不够。只做现金不做损益，会看错单位经济到底成不成立。两张表都要有，而且要能互相勾稽，也就是对得上：期初现金加净现金流，等于期末现金。这条校验行必须每月为零。最容易破坏它的是循环引用，要主动拆掉。

模型里一旦出现“按收入的某个百分比计提”的项目，就容易形成循环引用。比如支付通道手续费、按 ARR 提成的销售奖金、现金余额产生的利息。现金取决于净利，净利里的某一项又取决于现金或收入，收入再反过来影响现金。

表格软件会报循环错误，或者悄悄算出一个不稳定的值。有两个干净的拆法。一是把这类项目统一推迟一个月，用上月余额算本月的利息和提成。按月看误差可以忽略，逻辑却变成单向。二是把利息、手续费这些次要项单独放进一张小表，手动算两三轮直到数值稳定，再把结果贴回主表。

不管用哪种，主表里“期初现金 + 净现金流 = 期末现金”这条校验行，都必须继续每月为零。

现金表要贴近现实，招聘计划就要挂在收入上，不要挂在日历上。人员表里常见的写法是“3 月招 2 人、6 月招 3 人”。改成规则会更贴近现实：每新增 40 万美元年化经常性收入，就招 1 名交付人员；每 3 名销售，配 1 名售前。

这样在悲观情景里，人数会自动收缩，现金曲线才有参考价值。按日历写的招聘计划，会让悲观情景显得比真实处境更惨。没有哪家公司在收入不及预期时还照原计划招人，模型却默认会，于是算出一个谁都不信的现金耗尽日期。

同理，融资要在现金表里画成台阶。现金表最容易画错的地方，是把一轮融资摊成平滑的收入。融资是一次性的现金台阶：钱在交割那个月一次到账，之后是漫长的消耗，直到下一轮，或者公司能靠自己的收入活下去。

把它画成斜坡，会掩盖最要命的那个数：两轮之间现金的最低点，也就是跑道的谷底。合理的做法，是在现金表上标出每一轮的交割月和金额，再从谷底往回推。要在钱见底前六个月启动下一轮，那么收入、留存、毛利率这些里程碑，就必须在谷底之前达到下一轮投资人要看的水平。等钱快花光再想，就晚了。

把融资画成台阶，你才看得见那条真正约束节奏的线：现金什么时候低到融不到下一轮。在现金归零之前很久，就会碰到这条线。

4.1 交叉验证、台账与预测对差

关键数字要能用互不依赖的路径推出来，同一个数用三个口径各算一遍。月推理支出至少有三个来源：云账单金额；调用日志条数 × 单次成本；活跃席位 × 月均调用 × 单次成本。

三者相差超过 15%，就说明某个假设错了，多半是漏掉了重试、离线评估或后台批处理。收入同样可以用合同金额、已开发票和产品里的席位数三路核对。建模阶段花半天做这件事，比上线后被一张账单打脸便宜得多。

除了交叉验证，每个数字都要有出处。在假设表右侧加三列：来源、可信度、下次复核时间。来源要写清楚，是产品数据库的真实查询、销售负责人的口头估计，还是竞品的公开材料。可信度只分高、中、低三档。

好处出现在别人质疑你的时候。你能马上说出：“月均调用 420 来自 6 月份 3800 个活跃席位的实际统计，可信度高；销售人均产能 45 来自负责人估计，可信度低，9 月复核。”没有台账的模型，被问两轮就会失去可信度。

台账记录假设从哪来，另一张表记录假设错得有多离谱：把预测和实际放进同一张表，逐行对比差距。模型真正开始有用，是在有了第一份“上月预测对本月实际”的对照之后。把每个主导变量的预测值和实际值并排放，第三列写差异百分比，第四列写一句原因。

头三个月这张表通常很难看。新增席位可能连着偏高 20%，说明销售产能假设太乐观。单次调用成本可能偏低，说明重试和离线评估还没算进去。

有价值的是偏差的方向是否固定。如果新增席位连续三个月都高于实际，运气解释不了，该下调的是假设本身。多数团队跳过这一步，因为它会不断暴露上一版的错。可正是这种暴露，让第四个月的预测比第一个月可信。

连着跳过三次对照，模型就退回成一份没人再信的静态文档。

五、面对董事会：呈现、边界与重建

面对董事会，不要从模型结构讲起。第一页放结论和一句话理由：“按当前假设，现金能撑到 2027 年 8 月；决定这个日期的是流失率和销售产能。”第二页放敏感性表，让大家自己看哪个变量最要命。第三页才是三个情景的现金曲线。

完整的月度明细放附录，被追问时再打开。主动指出最弱的假设，比等别人发现要好。你自己说出“净收入留存 130% 这一项我只有 9 个月数据支撑”，换来的是讨论。被别人问出来，换来的是对整份模型的怀疑。有三类追问，值得提前算好。

极限问题：“一分钱不融，什么时候必须裁员，裁多少？”准备一条只用现有现金、靠自身收入活下去的路径。替代问题：“这笔钱投销售而不是研发，回报差多少？”准备两条并排的现金曲线。归因问题：“上季度毛利率掉了 6 个点，是价格、用量还是单价？”准备一张分解图，把变化拆成三项，各自给出数值。这三张图提前做好，会议就不会变成“回去再算一下”。

会上也要讲清模型回答不了的事。模型算不出能力的跳跃：上游发布一个便宜十倍、又更强的版本，会同时改写你的成本假设和竞争格局，这不在任何敏感性区间里。它也算不出监管变化，算不出大客户把采购流程拖长半年，算不出团队执行力的差别。

模型的价值，是把能量化的部分算清楚，好让讨论集中到不能量化的那几件事上。一份声称覆盖了所有风险的模型，通常只是把风险藏进了更深的公式里。

模型本身也有寿命，到了某个点就该停止打补丁。出现下面任何一条，就重建：定价单位变了，比如从席位改成任务；产品从单一模块变成三个成本结构不同的模块；或者你已经没法在 10 分钟内向新同事讲清某个公式为什么这么写。打补丁的代价是看不见的。每多一层补丁，敏感性分析就少一分可信。

重建一份六张表的模型，大约要三个工作日，比维护一份没人敢改的模型便宜。

5.1 关于这份模型的几个追问

做到多细才算够？ 五个主导变量都能单独调整，就够了。把成本拆到 20 个二级科目，不会让预测更准，只会让每次更新多花一倍时间。

没有历史数据的早期公司怎么建？ 用能直接观测的量代替财务数字：一次任务消耗多少 token，一名销售一天能做几场演示，一个客户从试用到付费要经过几步。这些量在十几个用户身上就能测出来，比直接猜 ARR 增长曲线可靠。

多久复核一次假设本身？ 实际值每月对比一次（见上文），假设本身每季度复核一次。

投资人版和内部版该不该是同一份？ 数字必须是同一份，呈现方式可以不同。内部版保留全部明细和台账，对外版只给汇总和情景。两版数字一旦对不上，被发现的代价远大于多花的那点时间。