我记得2023年那会儿，整个行业都在比谁的模型参数多、谁的榜单排名高。到了2025年，我身边做投资的朋友聊的话题全变了——他们张口闭口都是“ARR多少”“续费率能不能撑住”“单位经济模型跑通了没”。这个转变挺有意思的，我把它叫做从技术竞赛到价值兑现的转轨期。
1.1 阶段演进：概念验证、早期采用、行业渗透与规模化复制
我观察下来，这一轮AI商业化大致走了四个阶段。最早是概念验证期，那阵子我接触的客户都在做小范围试点，预算不多，更多是“试试看”。这个阶段企业关心的是“AI到底能不能干这件事”，而不是“能干得多好”。很多项目组就两三个人，拿开源模型微调一下，跑个demo给老板看，任务就算完成了。
到了早期采用阶段，情况变了。我认识的好几个CIO开始把AI写进年度预算，虽然占比不大，但至少是正式立项了。这个阶段的特点是“单点突破”——客服机器人先上，代码助手先跑，合同审查先试。企业愿意为明确的效率提升买单，但要求看到可量化的指标。
行业渗透阶段是我感受最深的。2024年下半年开始，金融、制造、医疗这些行业不再满足于边缘场景，开始往核心业务里扎。我见过一家银行把AI用在了信贷审批的辅助决策上，这在前两年是不可想象的。规模化复制是最近才冒出来的苗头，一些头部企业已经跑出了可复用的模板，开始往分支机构或者海外市场推。这个过程还在早期，但方向已经比较清晰了。
1.2 驱动因素：大模型能力跃迁、推理成本下降、企业数字化预算迁移
说实话，大模型能力的提升速度超出了我最初的预期。2023年的时候，我让模型帮我写个周报都磕磕绊绊的，现在它能读完整份年报然后给出结构化摘要。这种能力跃迁直接打开了商业化的空间——以前只能做玩具，现在真能干活了。
推理成本下降是我认为最被低估的变量。两年前跑一次推理的成本，现在可能只有当时的十分之一甚至更低。这意味着什么？意味着原来算不过账的场景，现在能算了。我有个做AI客服的朋友，他们单次对话成本从三毛降到了三分，毛利率瞬间好看了很多。
企业数字化预算的迁移也很有意思。我接触过的一些企业，原来打算买传统CRM或者ERP的预算，现在有一部分挪到了AI项目上。不是说传统软件不重要了，而是老板们觉得AI的ROI叙事更性感。这种预算迁移在中小企业里尤其明显，他们船小好调头，决策链条短，试错成本低。
1.3 市场格局：基础模型厂商、云平台、垂直应用商与行业集成商的分层竞争
这个市场现在分层挺清楚的。基础模型厂商就像发电厂，提供最底层的算力和智能。我数得出来的头部玩家就那么几家，他们的竞争焦点是模型能力、上下文长度、多模态这些硬指标。
云平台的角色很微妙。他们既卖算力，又卖模型服务，还自己做应用。我有时候觉得他们像既当裁判又当运动员，但不得不承认，云平台的渠道优势和客户关系是实打实的。很多企业采购AI服务，第一反应就是找自己已经在用的云厂商。
垂直应用商是我最看好的一层。他们懂行业、懂场景、懂客户的真实痛点。我见过一家做法律文书AI的公司，团队里一半是律师一半是工程师，做出来的产品真的能帮律所省掉大量重复劳动。这种深度行业理解，基础模型厂商短期内很难替代。
行业集成商扮演的是“最后一公里”的角色。他们把模型能力、行业知识和客户的具体流程缝合在一起。这个活儿又苦又累，但价值很实在。我认识一个集成商老板，他跟我说他们的核心竞争力不是技术，是“知道客户的坑在哪里”。
1.4 进展评估：付费客户数、收入增速、续费率、单位经济模型与投资回报
评估AI商业化进展，我现在主要看几个硬指标。付费客户数是第一个，但我不太看重绝对值，更看重增速和结构。如果一家公司只有几个大客户撑着，风险其实挺高的。
收入增速是个有意思的指标。2024年很多AI公司的收入增速确实快，但基数低。我比较警惕那种“从100万涨到1000万”的故事，因为绝对增量有限，说明还没跨过规模化的门槛。
续费率是我最看重的指标，没有之一。我见过太多公司第一年签单很猛，第二年续约率不到五成。这说明产品没有真正嵌入客户的工作流，属于“可有可无”的范畴。真正健康的AI产品，续费率应该在85%以上。
单位经济模型这个事儿，说实话很多公司还没跑通。我算过一些账，把推理成本、交付成本、获客成本全算进去，有些项目其实是亏的。靠融资撑着可以，但长期不可持续。投资回报这块，企业客户现在越来越精明了，他们会算“省了多少人”、“提了多少效”、“多赚了多少钱”，算不过来就不买单。
1.5 核心挑战：幻觉与可靠性、数据合规、算力成本、组织适配与价值度量
幻觉问题是我最头疼的。模型有时候说得头头是道，但全是编的。在金融、医疗这些容错率极低的行业，这个问题不解决，商业化就是空中楼阁。我看到一些团队在做RAG、做事实校验，效果有提升，但离彻底解决还有距离。
数据合规是另一个坎。我接触的很多企业，数据是他们的命根子，不愿意放到公有云上。私有化部署又贵又麻烦，客户和厂商都难受。跨境数据流动就更复杂了，涉及的法律法规能写一本书。
算力成本虽然在降，但需求涨得更快。我有个客户做视频生成的，每个月光推理费用就七位数，他跟我说“赚的钱都交给英伟达了”。这种成本结构下，规模化复制能不能带来边际改善，还需要观察。
组织适配是我觉得最被低估的挑战。技术再好，如果企业的流程、考核、文化不跟着变，AI就是个摆设。我见过一家公司买了最先进的AI工具，结果员工嫌麻烦不用，最后项目不了了之。价值度量也是个大问题，很多AI的价值是“润物细无声”的，比如员工体验好了、决策质量高了，这些怎么用财务数字衡量？我目前也没有特别好的答案。
写了这么多，我的整体感受是：AI商业化正在从“讲故事”进入“算账”阶段。能活下来的公司，一定是那些把技术、场景、成本、组织这四个轮子都转起来的。这个过程不会一帆风顺，但方向已经不可逆了。
我跑过不少AI项目现场，有一个感受越来越强：商业化落地不是把模型接进系统就完事了。它更像一场外科手术，得切开企业的旧流程，找到能下刀的位置，还要保证病人不喊疼。2024年到2025年，我见过靠AI赚到钱的公司，也见过花了几百万买教训的团队。差距不在模型参数上，在场景选择、组织配合和算账能力上。
这一章我想把看到的案例摊开来讲。有些是我亲自参与的，有些是跟一线操盘手喝酒聊出来的。视角会来回换——CFO关心回报，CTO头疼集成，一线员工怕被替代，供应商琢磨复制。同一件事，不同角色看到的东西完全不一样。
2.1 To B 标杆场景：金融风控与投研、智能制造、医疗辅助、法律文书、智能客服
金融行业是我见过对AI最挑剔、也最愿意付钱的领域。一家股份制银行的风控负责人跟我吐槽，他们上线AI信贷辅助系统之前，审批员每天要看两百多份材料，眼睛都花了。模型接进去之后，系统先把明显异常的申请筛出来，人工只处理灰名单。审批效率提了三成左右，坏账率没升。他原话是“我不指望AI替我拍板，它能把垃圾申请挡在外面就值回票价”。投研场景更热闹，我认识一个券商研究员，他用大模型读招股书和财报，原本三小时的材料初筛压到二十分钟。他团队里有人担心AI会取代初级分析师，他倒觉得“AI把脏活干了，人才能去想真正的逻辑”。 制造和医疗的落地节奏慢一些，价值却更扎实。苏州一家精密制造企业把大模型用在设备日志分析上，老师傅的经验被抽成提示词，新员工跟着AI提示排查故障。工厂厂长跟我算过账，停机时间每减少一个小时，省下的钱够付一整年的模型调用费。医疗这边我了解有限，但有个做病历质控的团队让我印象深刻。他们的AI不直接诊断，只检查病历里的矛盾项和缺项。科室主任说“AI当个挑刺的住院总，比人盯得细”。法律文书场景则更标准化，合同审查、条款比对、风险提示，律所愿意为“省律师时间”买单，付费逻辑很直接。 智能客服是To B里渗透最快的场景，也是竞争最惨烈的。我见过一家电商服务商，他们把客服AI从“答问题”升级到“办业务”，退换货、改地址、催物流都能自己跑。客服主管给我看过后台数据，夜间无人值守时AI独立解决率到了六成。这个数字背后是大量标注、流程梳理和权限打通，不是买个API就能搞定的事。供应商那边也有苦水，客户总是拿“人工客服一个月几千块”来压价，可交付成本里有一大半是行业知识工程。这个矛盾到现在也没完全解开。
2.2 To C 标杆场景：AI助手、内容创作、教育陪练、情感陪伴、个人效率工具
C端市场我作为用户感受更直接。AI助手类产品现在分两派，一派是手机厂商预装的系统级助手，一派是独立App。我自己用得最多的是会议纪要整理和日程提取，这个需求足够刚，付费意愿也有。有个做独立AI助手的朋友告诉我，他们的用户里真正掏钱的不到百分之三，但每个付费用户带来的年收入能覆盖十几个免费用户的推理成本。这个账算得过来，只是规模扩张需要时间。 内容创作工具是我见过卷得最厉害的赛道。写文案、做图、剪视频，几乎每个月都有新公司冒出来。我试过七八款产品，留下来的只有两款。一款胜在模板丰富，另一款胜在能记住我的写作风格。教育陪练和情感陪伴有点类似，都是靠“陪伴感”收钱。我侄女用AI练英语口语，她说“跟AI说话不怕丢脸”。情感陪伴产品我没怎么深度用过，但看过一些用户访谈，有人真的每天跟AI聊半小时。这个领域争议大，付费意愿却真实存在。 个人效率工具是最分散、也最容易跑出小生意的方向。我认识一个独立开发者，做了个AI排版工具，只服务公众号作者，一年收入几百万元。他的秘诀不是模型多强，是把公众号排版的坑全踩了一遍，把提示词、模板、导出格式做成了傻瓜式流程。这种小切口产品在C端活得挺滋润，大厂看不上，小团队正好吃透。C端商业化的难点在获客成本，用户忠诚度低，今天用你的，明天可能就换了。我看到的解法有两个：要么把数据沉淀做深，让用户迁移成本变高；要么把价格压到用户懒得换。
2.3 典型落地案例拆解：从单点提效到流程重构，再到业务增长
我拆一个自己跟过的零售客服案例。这家公司最早只买了AI问答接口，放在官网角落，解决常见问题。那会儿叫单点提效，省了几个客服的重复劳动，价值能算清楚。客服总监不满足，她发现用户问得最多的是“我的订单到哪了”“能不能改地址”。这些需求涉及订单系统、物流系统、支付系统，光靠问答接口接不住。她拉着IT部门做了流程重构，把AI变成调度中枢，能查订单、能改地址、能发工单。这一步让AI独立解决率从两成跳到五成以上。 流程重构之后，真正的增长点才冒出来。AI在对话里发现，很多用户改地址是因为下单时填错了区域，而填错的原因是新客不熟悉配送范围。客服总监把这个洞察推到运营部门，运营调整了下单页面的区域提示，改地址的请求量降了四成。这个案例里，AI没有直接带来新收入，它带来的是一连串流程优化，最终节省的成本和减少的客诉又反哺了复购。我后来复盘，觉得关键转折点是“客服总监把AI当成了业务改进的探针，不是省人的工具”。 另一个案例来自工业设备维护。一家风电场用AI分析振动数据，提前预警轴承故障。最早只是单点预警，准确率一般。他们做了两件事，把维修工单系统接进来，再把历史维修记录喂给模型做闭环。半年后预警准确率大幅提升，非计划停机减少了很多。风电场场长跟我说，省下的发电损失和维修费够养一个AI团队。这个案例的启示在于，数据闭环不是技术问题，是组织愿不愿意把维修记录、工单结果、现场反馈全打通。打通了，AI越用越准；打不通，永远是个高级报警器。
2.4 企业采购与部署模式：公有云API、私有化部署、混合云与端侧协同
企业买AI的方式，我观察到很像买水电。公有云API最像接自来水，开箱即用，按量付费。初创公司和中小团队偏爱这种模式，便宜、灵活、不用养运维。我有个做法律AI的客户，早期全部用公有云API，一个月成本几千块。他们最担心的是数据隐私，所以把合同里的敏感信息先做脱敏再送进模型。这个做法在轻量场景够用，重场景就不行了。 私有化部署是大企业的首选。我接触过一家保险公司，他们连测试环境都不让数据出内网。私有化部署的代价很大，GPU采购、机房改造、模型微调、后续运维，一套下来七位数起步。CTO跟我抱怨“买卡比买模型还贵”。可他们算的是合规账和长期账，数据不出门，业务才敢放心用。混合云是折中方案，核心数据私有化，非敏感任务走公有云。我见过一家银行把客服对话放在私有云，把营销文案生成放在公有云，两边各取所需。这种模式对架构能力要求高，但接受度在上升。 端侧协同是最近才热起来的方向。手机、车机、工控设备上跑小模型，处理隐私敏感或低延迟任务，复杂任务再传到云端。我试过几款端侧AI笔记应用，断网也能总结和分类，体验很流畅。做端侧芯片的朋友告诉我，现在旗舰手机跑7B模型勉强可以，再大就吃力。端侧AI的商业化路径还在摸索，我判断未来两三年会在个人助理、车载语音、工业巡检这些场景先跑出来。对厂商来说，端侧能降低推理成本、缓解隐私顾虑，还能做离线卖点。对客户来说，部署模式没有绝对好坏，只有合不合适。
2.5 落地成败关键：刚需场景选择、数据闭环、人机协同、交付服务化与ROI验证
我见过太多项目死在场景选择上。有个制造业客户想做“AI优化全厂排产”，听起来很性感，做了半年没上线。问题在于排产涉及几十个变量、多个部门利益、大量历史异常，模型根本学不明白。后来他们换了个小切口，只做“注塑机参数推荐”，三个月就跑通了。刚需场景有个简单判断标准：不做AI的时候，这件事是不是已经让人很痛苦？如果是，成功概率高很多。如果只是“有了AI会更酷”，趁早收手。 数据闭环和人机协同是两条腿。我见过一个医疗AI项目，模型能力不错，医生却不用。原因很实在，AI给出的建议没有解释，医生不敢采纳。项目组后来加了证据引用和置信度展示，还允许医生一键反馈“对”或“错”。三个月后使用率翻了几倍。人机协同的设计哲学是“AI不抢方向盘，只当副驾驶”。交付服务化是我特别想强调的，很多AI公司卖完产品就撤，客户用不起来，续费自然低。我认识一家做AI客服的创业公司，他们每个客户配一个“AI运营”角色，帮客户调提示词、看bad case、做月度复盘。这家公司续费率超过九成，虽然交付成本高，客户生命周期价值更高。 ROI验证这件事，我劝过好几个创始人别自嗨。企业客户越来越精，他们会算三笔账：省了多少人、提了多少效、多赚了多少钱。省人账最容易算，也最容易引起员工抵触。提效账需要流程配合，多赚账最难，需要业务部门认领。我见过一个成功案例，AI销售助手帮销售多约到了两成客户，销售总监主动推动全团队使用。这个案例里，ROI不是财务部算出来的，是业务部门自己算出来的。落地成败的终极标准，可能不是技术多先进，是客户内部的某个人，愿不愿意为这个AI项目站出来说话。
我参加过一场AI创业者的闭门饭局，桌上八个人，七个在聊技术，只有一个在聊怎么收钱。散场后我加了那个人的微信，问他为什么只聊钱。他说得很直白：“技术再牛，收不到钱就是自嗨。”这句话我记到现在。过去两年，我见过收入结构单一却活得滋润的小团队，也见过融资几亿却找不到变现路径的明星公司。商业化这件事，说到底就是回答三个问题：向谁收钱、按什么收、收多少。
这一章我想把AI赚钱的门道掰开揉碎。视角会在CEO、财务、销售、客户之间来回跳。同一套定价策略，CFO看到的是毛利，销售看到的是成单难度，客户看到的是值不值。把这些视角叠在一起，变现路径的全貌才清晰。
3.1 主流盈利模式：API按量计费、订阅制、SaaS+AI、私有化项目、广告与交易佣金
API按量计费是大模型厂商最直接的收钱方式。我接触过一家做文档解析的AI公司，他们按处理页数收费，一页几分钱。客户用多少付多少，门槛极低，转化很快。这种模式的好处是透明，坏处是客户会拼命优化用量，恨不得把每页成本压到最低。他们的CEO跟我吐槽：“客户比我们还懂省钱，有时候一个季度用量翻倍，收入只涨了三成。”按量计费的命门在于，你得持续证明每一次调用都产生了价值，否则客户第一个念头就是换更便宜的模型。 订阅制在C端和轻量B端更常见。我有个做AI写作助手的朋友，个人版每月三十九，团队版每月一百九十九。他给我看过数据，个人版续费率四成左右，团队版续费率超过七成。差别在于团队版绑定了协作流程，一旦用起来，换工具的成本很高。订阅制的核心不是功能多，是让用户养成习惯。习惯养成了，续费就是默认动作。SaaS+AI是这两年最热的模式，传统SaaS加个AI功能就敢涨价。我见过一家CRM公司，加了个AI销售预测模块，客单价涨了百分之四十，客户流失率反而降了。原因是预测准确率确实帮销售省了时间，销售总监愿意为这个买单。 私有化项目是客单价最高、交付最重的模式。我参与过一个政务大模型项目，合同金额八位数，交付周期九个月。这种项目收入确认慢、回款周期长、定制化程度高，做一单能吃一年，但很难规模化复制。有个做私有化的创始人跟我说，他们公司最怕的不是技术难题，是客户换了领导，项目方向跟着变。广告和交易佣金是C端AI产品的隐性收入。我见过一个AI穿搭助手，用户拍照上传衣服，AI推荐搭配并附上购买链接。他们不向用户收费，靠电商佣金赚钱。这个模式的天花板取决于用户规模和转化率，做起来不容易，一旦跑通，边际成本极低。
3.2 变现路径设计：模型能力产品化、产品行业方案化、项目平台化、平台生态化
变现路径不是拍脑袋想出来的，是一步步长出来的。我观察到的规律是四个阶段：模型能力产品化、产品行业方案化、项目平台化、平台生态化。每个阶段的门槛和天花板完全不同。模型能力产品化是最基础的一步，把API包装成开发者能用的工具。我见过一个做语音识别的团队，最早只提供API，文档写得稀烂，开发者用一次就跑了。后来他们花三个月重写文档、加示例代码、做调试工具，收入翻了五倍。产品化的核心是降低使用门槛，让开发者十分钟内跑通第一个demo。 产品行业方案化是第二跳。通用产品卖不动的时候，往行业里扎。我认识一个做AI合同审查的团队，通用版卖不动，转型做房地产合同专项，把行业术语、常见风险点、判例全喂进去。转型后客单价涨了三倍，销售周期反而缩短了。行业方案化的关键在于，你得比客户更懂他们的业务。项目平台化是第三跳，把定制项目沉淀成可复用的模块。我见过一个做金融风控的AI公司，第一个客户做了十个月，第二个客户只用了四个月，第三个客户两个月就上线了。他们把风控流程拆成二十几个模块，新客户来了像搭积木一样组合。平台生态化是终极形态，但目前真正做到的公司极少。生态化的前提是你的平台有足够多的用户和开发者，能自己长出应用。我判断未来两三年，国内能走到这一步的AI平台不会超过五家。
3.3 定价与成本：Token定价、价值定价、推理成本控制、毛利结构与规模效应
定价是商业化里最容易被低估的环节。我见过太多公司把价格定在“老板拍脑袋”的水平。Token定价是大模型最主流的计价方式，按输入输出分别收费。有个做AI客服的CEO跟我算过账，他们每通对话的Token成本大概两毛钱，向客户收八毛，毛利率七成五。听起来不错，但推理成本波动很大，高峰期调用贵，闲时便宜。他们后来做了错峰调度，把非紧急任务放到闲时跑，推理成本降了两成。Token定价的陷阱在于，客户会把你的价格和OpenAI比，你很难说服客户为同样的Token付更多钱。 价值定价是更高级的玩法，按效果收费。我见过一个AI销售线索评分产品，不按调用次数收费，按“有效线索”数量收费。有效线索的定义是销售跟进后确认有购买意向。这个模式客户接受度很高，因为风险和供应商共担。价值定价的难点在于效果归因，怎么证明这个线索是AI带来的，不是运气好。有个做AI招聘筛选的团队，他们按“入职满三个月”收费，客户觉得公平，他们自己也有动力优化模型。推理成本控制是毛利结构的命门。我见过一个公司毛利率从六成掉到三成，原因不是降价，是模型升级后推理成本涨了一倍。他们后来做了模型蒸馏，用小模型处理简单任务，大模型只接复杂请求，推理成本又降回去了。规模效应在AI行业不像传统软件那么明显，因为每次调用都有成本。我认识一个做AI翻译的团队，用户量涨了十倍，毛利率只从五成涨到六成，多出来的利润全被推理成本吃掉了。
3.4 渠道与生态：云市场、ISV合作、开发者社区、企业直销与出海路径
渠道这件事，我踩过坑也见过别人踩坑。云市场是很多AI公司最早尝试的渠道，上架AWS、阿里云、腾讯云的市场，指望平台带量。我有个朋友做AI图像处理，上架云市场一年，收入不到十万。他后来总结：“云市场像一个大卖场，你的摊位在角落里，没人带路根本找不到。”云市场适合标准化程度高、决策门槛低的产品，复杂方案还是得靠直销。ISV合作是另一条路，找行业软件商集成你的AI能力。我见过一个做语音转写的公司，和三家医疗信息化厂商合作，产品嵌进电子病历系统，收入翻了好几倍。ISV合作的关键是分润比例要合理，集成成本要低，否则ISV没有动力推。 开发者社区是我特别看好的渠道，虽然见效慢。有个做AI编程助手的团队，早期把核心功能免费开放给开发者，社区里攒了两万多个活跃用户。后来推出付费团队版，转化率超过百分之十五。社区渠道的价值不在直接收入，在口碑和反馈。企业直销是客单价最高的渠道，也是最难的。我见过一个AI公司，销售团队二十人，人均年成单三百万，但人均成本五十万。直销的挑战在于，AI方案的销售需要懂技术、懂行业、懂算账，这种人很难招也很难留。出海是这两年热起来的方向，我认识几个做AI工具的小团队，在国内卷不动，转做出海，收入反而不错。有个做AI视频剪辑的，主攻东南亚市场，避开欧美红海，一年做到千万级收入。出海的门槛在本地化，语言、支付、合规、客服，每一项都得重新搭。
3.5 未来趋势：Agent经济、多模态商业化、端侧AI、结果付费与AI交易市场
未来三到五年，我判断AI商业化会往几个方向跑。Agent经济是我最关注的，AI从“回答问题”变成“完成任务”。我试过几个Agent产品，有的能自动订机票、改日程、发邮件。Agent一旦靠谱，商业模式就变了，从按调用收费变成按任务收费。有个做Agent的创业者跟我说，他们的目标是把一个行政助理的活全包了，向企业收“半个助理的工资”。这个账客户算得过来，他们也有利润空间。多模态商业化还在早期，图片、视频、音频的生成和编辑成本比文本高很多，付费意愿也更强。我见过一个做AI广告图的团队，按张收费，一张五十块，客户是电商卖家，觉得比请设计师便宜太多。 端侧AI的商业化路径我还在观察。手机厂商预装、芯片厂商分成、应用内购买，几种模式都在试。我认识一个做端侧语音助手的团队，他们不直接向用户收费，把方案卖给车厂，按车辆数量收授权费。这个模式很稳，但门槛极高，得搞定车厂的采购流程。结果付费是我最期待的方向，企业客户越来越不接受“为可能性付费”，他们要看到结果。有个做AI营销的团队，按“新增有效客户”收费，单个客户收费两百，客户觉得划算，他们也有动力优化转化率。结果付费的难点在归因和防作弊，但方向是对的。AI交易市场是个更远的想象，模型、数据、Agent、提示词都能交易。我参加过几次AI项目的撮合会，买卖双方信息极不对称，撮合效率很低。如果有人能做一个可信的AI能力交易平台，价值会很大。这个方向我暂时没看到跑出来的玩家，但值得持续关注。
