做AI助手、代理工具或面向消费者服务的创业团队，往往在产品还没跑通的时候就被一个问题困住：到底该让用户按月付固定费用，还是等用户真正用出结果、完成交易再抽一笔。这个选择看起来只是定价策略，实际上牵动的是现金流节奏、成本能否覆盖、以及风险落在谁头上。更麻烦的是，很多团队只盯着营收数字，忘了每一次模型调用、每一次人工客服介入都在同步消耗成本。当收入模型和成本结构对不上，账面上的增长可能正在加速亏损。
这篇文章面向的是正在搭建AI产品、手里资源有限的早期团队。我们不讨论抽象的商业哲学，而是从"用户价值在哪个时点真正发生"这个角度，把订阅、交易抽佣和广告这几条路径拆开，对照它们各自要求的成本覆盖条件、风险承担方式，以及如何用小规模测试把收入质量比出来。
先搞清楚：用户的可计费价值在什么时候发生
所有收入模型的分歧，归根到底是一个时点问题——用户是在"获得访问权"时产生价值，还是在"拿到结果"时产生价值。
订阅制假设用户持续需要这个工具，价值来自长期可用性。用户按月付费，无论当月用了多少次都付同样的钱。这种模式对团队最大的好处是收入可预测。Stripe在其定价模型资料中指出，订阅给了客户一张简单的账单，也让创业公司能对部分收入做出更有把握的预测。但它的隐藏前提是：用户每个月都觉得这钱花得值。一旦某个月没怎么用，续费动机就会松动。
交易抽佣（或者更广义的按结果计费）则把计费时点推到用户真正拿到价值的那一刻。用户完成一笔交易、生成一个可用成果、促成一次转化，团队才收钱。这对用户心理门槛更低——没结果不花钱。但代价是收入波动大，而且团队必须把成本也压到每一次交易里才算得清。
广告模式把计费对象从用户转移到了第三方，用户免费使用，团队靠流量和注意力变现。对AI产品而言，这条路有个结构性难题：模型调用是实打实的成本事件，而广告收入通常远低于一次高质量推理的成本，除非规模极大。有资料提到，部分AI陪伴类应用在付费广告被平台禁止的情况下，不得不把联盟营销和创作者获客当成变现引擎而非单纯的营销手段——这从侧面说明，纯广告路径对AI产品并不轻松。
行业正在往哪走：数据能说明什么，不能说明什么
有一组较新的数据值得参考，但要注意它的边界。据startupwired援引Orb对80家AI代理公司的研究，2026年有95%的公司采用混合定价，比2025年的92.4%有所上升；91.3%采用按用量计费，71.3%仍保留订阅；在用订阅的公司里，94.7%同时叠加了用量收费。另一份来自Open Future Forum、针对148位AI创始人的调查显示，43%提到按用量计费，24%提到按结果计费，24%提到固定订阅，20%提到按席位收费——由于采用"任意提及"统计法，这些比例相加会超过100%。
这些数字说明一个趋势：成熟一些的AI公司很少只用单一模型，而是倾向订阅打底、用量叠加的混合结构。Stripe的资料也印证了这一点，认为成熟AI业务通常会收敛到混合模式，因为它能同时平衡经常性收入、客户预算的舒适度和对重度使用的按比例变现。
但必须坦白：这些数据反映的是当前的流行做法，不等于每条路都已被验证成功。调查里的公司有存活偏差，采用某种模型不代表那种模型让它赚到了钱。对早期团队来说，更务实的态度是把这些数据当成"别人在试什么"的参考，而不是"照着做就能成"的保证。
把成本算进每一笔收入：三个绕不开的问题
收入模型选得对不对，最终要靠单位经济来检验。以下三个问题，建议在选定模型前就逐一回答。
模型和客服成本谁来覆盖
AI产品和传统SaaS最大的不同，是边际成本不接近零。每一次推理都在烧GPU算力，用得越多成本越高。RevenueCat的资料里提到一个具体例子：Runway ML采用积分制，其每月12美元的套餐只覆盖大约50秒的AI视频生成，这等于直接告诉用户——每一次生成都是一次成本事件，不是免费赠品。
如果你用固定订阅，就必须算清楚：重度用户会不会把你吃穿？假设订阅定价每月99元，而一个重度用户每月产生的推理成本就有150元，那每多一个这样的用户，你就多亏51元。这不是增长，是失血。应对办法通常是设使用上限、分层定价，或者在订阅之上叠加超量计费。
客服成本同样容易被低估。RevenueCat提到，Perplexity把优先客服放进了每月229欧元的Max套餐里——当AI可能出错或变慢时，快速的人工兜底本身就成了可以收费的产品。这反过来提醒早期团队：客服不是免费的附赠，它要么被算进成本，要么被设计成一个付费层级。
交易失败或退款由谁承担
这是交易抽佣模式特有的风险，很多团队直到踩坑才意识到。按结果收费意味着：如果结果达到了但用户不认，或者交易中途失败、事后退款，这笔成本（包括已经发生的推理成本）往往由你自己吞下。
举个测算示例。假设你做的是AI选品代理，用户每成交一单你抽5%。某笔订单金额1000元，你抽50元，但为了生成这个推荐你花了8元推理成本。如果这单后来退款，你不仅拿不到50元抽佣，那8元成本也打了水漂。当退款率升到一定水平，看起来漂亮的抽佣收入会被侵蚀得很厉害。所以用抽佣模式前，必须先摸清所在场景的失败率和退款率，并把它写进单位经济的测算里。
收入质量怎么衡量
营收数字本身会骗人。startupwired的资料提到，相比只看ARR（年度经常性收入），毛利率、单客收入、每个成功任务的成本、净收入留存和客户回本周期这些指标，更能揭示一家AI创业公司的真实状况。
对早期团队，建议至少盯住两个指标：每个成功任务的成本，以及客户回本周期。前者告诉你交付一次价值到底花多少钱，后者告诉你获客投入多久能收回来。订阅模式通常回本周期清晰但单客天花板低；抽佣模式单客收入可能高但波动大、回本不确定。没有哪个天然更好，关键是和你的成本结构匹配。
用小规模测试比出收入质量，而不是拍脑袋
与其在会议室里争论哪种模型更好，不如用小成本跑一轮对照测试。下面是一个可操作的步骤框架，适合资源有限的团队。
第一步，锁定一个窄场景。不要一上来就全量切换，选一类典型用户、一个高频任务做试点。DEV社区的一篇对比给了个很直观的场景：一家电商每月处理约5万次客服咨询，在这个量级下，每月500美元无限次的订阅会优于每次0.01美元的按量计费（刚好也是500美元）；但如果节假日咨询量冲到10万次，订阅就更划算。这说明同一个产品，在不同使用量下最优模型会反转——所以测试必须贴着真实使用量来做。
第二步，用两组相近用户分别跑不同模型。一组给订阅报价，一组给抽佣或按量报价，观察的不只是转化率，还有留存和单位成本。注意样本要尽量可比，否则结论不可靠。
第三步，把每组的完整账算出来。收入减去推理成本、客服成本、支付通道费、退款损失，看谁的净贡献更高、更稳定。有一份资料提醒得很到位：省下的时间只有在能被计费或变现时才算钱。同理，收上来的营收只有在覆盖了全部交付成本后，才算真正的收入。
第四步，小步调整后再放大。测试跑出方向后，先在稍大范围验证，确认成本结构不会随规模恶化，再全量推开。
需要提醒的是，不同资源基础的团队，测试策略应有区别。现金紧张、团队很小的，优先验证单位经济能不能转正，哪怕牺牲增长速度；有一定资金缓冲的，可以用混合模式——订阅打底保现金流，用量或抽佣捕捉重度价值——但务必把那个"叠加的计费维度"控制在一个用户能一眼看懂的指标上，Stripe特别强调过，混合模式一旦变成多种费率的复杂矩阵，用户就会算不清、不敢用。
几个值得记住的判断
订阅适合用户持续、稳定、高频使用，且你能通过分层和上限控制住重度用户成本的场景；它的软肋是用户用得少时续费动机弱。抽佣或按结果收费适合价值在"拿到结果"那一刻清晰可量化、单次价值较高的场景；它的软肋是收入波动、退款和失败风险要你自己扛。广告对多数AI产品是条难走的路，除非规模极大或作为次要补充。
最务实的早期策略，往往不是二选一，而是先用一个能算清账的简单模型跑通单位经济，等数据证明某个维度确实值钱，再谨慎叠加。记住：能预测的营收不等于能留下的利润，中间隔着实打实的算力、客服和退款成本。
【软盟资讯观察】
从趋势判断看，近一年的数据确实显示AI创业公司在向"订阅打底、用量叠加"的混合结构收敛，纯单一模型越来越少。这背后的逻辑是清晰的：AI的边际成本不接近零，固定订阅扛不住重度用户，纯用量又让客户预算失控，混合是两头妥协的产物。但要冷静看待的是，调查数据反映的是"大家在试什么"，而非"这么做必然成功"，其中存在明显的存活偏差，早期团队不宜把流行做法直接当成验证过的成功路径。
从机会与风险看，交易抽佣这类按结果计费的模式对用户心理门槛低、想象空间大，是值得尝试的方向；但它把失败成本和退款风险转移到了创业者身上，若所在场景的失败率或退款率偏高，漂亮的抽佣数字会被快速侵蚀。真正的护城河不在选了哪种收费方式，而在能否把每个成功任务的成本压到足够低。
冷思考一点：很多团队的根本问题不是模型选错，而是从没把交付成本算进收入。营收增长若伴随单位经济恶化，规模越大亏得越多。建议在扩张前，先用窄场景、小样本把净贡献算清楚——先活下来，再谈增长。