卖模型能力不是一门好生意：哪怕你现在是 SOTA

模型跑分第一，不等于能赚到钱。

真正难的，是让客户愿意持续付费，还要让每一次调用都不把利润吃光。

硅谷 101 最近做过一期访谈，嘉宾叶奇意，圈内叫 Kiwi。

她的经历很特别：2016 年在依图做产品经理，见过上一代 AI 公司怎样从技术走向市场；后来加入创新工场 AI 工程院，参与过 2019 年中文版 GPT-2 的尝试；再后来进入美团龙珠，长期观察 AI 项目、技术团队和资本市场之间的真实距离。

把这些经历串起来，会发现一个很扎心的结论：

卖模型能力，本身不是一门轻松的生意。哪怕你的模型今天拿了 SOTA，也可能赚不到钱。

跑分第一，客户未必愿意买单

模型排行榜很适合传播。

一张榜单，几个漂亮数字，媒体就能写出一堆“行业领先”。可客户掏钱时，关注点完全不同：

• 能不能接入现有系统？
• 输出是否稳定？
• 出错以后谁负责？
• 调用价格能不能接受？
• 数据会不会泄露？
• 业务人员会不会用？
• 出现问题后，多久能解决？

一个模型在公开评测中领先，放进企业流程后，可能连最基础的格式要求都做不好。

比如，客户需要模型每天处理几万张发票。模型回答得再聪明，只要偶尔漏掉金额、改错税号，财务团队就不敢上线。

客户买的不是“聪明”。

客户买的是一套稳定、便宜、可追责的结果。

模型能力很容易被压价

模型公司的第一道难题，是能力难以长期独占。

你训练出一个新模型，领先窗口可能只有几个月。开源社区会追上来，云厂商会补齐能力，大厂会把类似功能塞进自己的产品里。

价格战也会很快出现：

• 你按百万 Token 收费，别人直接降价一半；
• 你提供高质量推理，客户发现开源模型也够用；
• 你投入大量算力训练，竞争对手用蒸馏和量化把成本压下来；
• 你还在讲参数规模，客户已经开始问每次调用到底多少钱。

技术领先当然重要。

可技术优势如果不能转化成客户迁移成本，就很难变成商业护城河。

最贵的不是训练，而是持续服务

很多团队在估算模型生意时，只盯着训练成本。

几亿元算力投入，听起来吓人。真正持续烧钱的地方，往往藏在后面：

• 推理服务器要长期运行；
• 高峰期要准备冗余容量；
• 客户需要专属部署；
• 数据清洗和标注不会自动完成；
• 每个行业都要单独调提示词、做评测；
• 出现幻觉、延迟、格式错误时，需要人工排查；
• 企业客户还会要求权限管理、审计日志和合规支持。

模型卖出去以后，事情才刚开始。

你可能以为自己在卖 API，实际上接下来的工作更像一家重服务的软件公司。

客户不会因为你发布了新版本，就自动接受结果变差。一个模型升级后，如果客服回复风格变了、合同抽取字段乱了，客户第一反应不是夸你迭代快，而是要求回滚。

真正赚钱的，不是“模型接口”

模型接口很容易变成基础设施。

基础设施的特点是：客户需要它，但会不断压价。只要产品之间差异不够大，采购部门就会问一句：

“换一家，能不能便宜一点？”

真正有利润的部分，通常在模型之外：

1. 进入具体业务流程

不要只说“我们有一个强大的语言模型”。

要说清楚它替客户完成什么工作：

• 每天自动整理销售会议纪要；
• 从合同里抽取付款节点和违约条款；
• 给客服工单分类并生成处理建议；
• 帮研发团队定位线上报错；
• 把几十页投研材料压缩成一页决策摘要。

越靠近业务结果，越容易收费。

2. 掌握客户数据和反馈闭环

模型本身可以被复制，客户真实业务里的数据、规则和反馈很难复制。

如果你的系统能持续收集“哪些答案被采纳、哪些结果被修改、哪些场景最容易出错”，模型就会越用越贴合客户。

这才是比较靠谱的壁垒。

3. 提供完整交付，而不是一个 API 地址

企业客户通常不想研究接口文档。

他们想要的是：接入有人负责，权限有人配置，问题有人处理，结果有人验收。

所以，模型公司需要补齐一整套能力：

• 工作流编排；
• 知识库检索；
• 权限和审计；
• 质量评测；
• 成本监控；
• 灰度发布和版本回滚。

模型只是其中一层。

AI 创业团队常见的三个误区

误区一：把技术领先当成商业成立

拿到 SOTA 是技术成果，不是商业合同。

你需要继续回答：这个优势能维持多久？客户为什么不等开源模型？客户为什么不直接找云厂商？

如果这些问题答不上来，跑分越高，团队越容易陷入自我陶醉。

误区二：只计算训练成本，不计算推理成本

模型训练成功，不代表每次回答都赚钱。

建议团队在立项时直接算一笔账：

单次收入
- 输入与输出 Token 成本
- GPU 折旧
- 网络与存储成本
- 客服和实施成本
- 失败重试成本
= 单次真实毛利

别被“调用量增长”骗了。

调用量越大，亏损可能越快。

误区三：为了大客户无限定制

大客户确实有预算，也能提供漂亮案例。

问题是，一个客户提出一套特殊需求，团队往往会顺手做成产品功能。做着做着，系统里堆满了只服务于某一家客户的逻辑。

结果是：研发越来越慢，维护越来越贵，其他客户也用不上。

接项目之前，先问一句：

这个需求能不能沉淀成通用能力？

如果答案是否定的，就要单独报价，别把定制服务伪装成产品研发。

一套实用的模型项目判断框架

你可以用下面五个问题，快速筛掉一批看起来很酷、实际很危险的项目：

1. 客户买的是模型，还是结果？
   如果客户只在意模型参数和榜单，价格会很快被压低。

2. 模型出错时，损失由谁承担？
   医疗、金融、法务等场景，责任成本可能远高于调用收入。

3. 客户更换供应商的难度有多大？
   没有数据、流程和系统绑定，客户随时可以迁移。

4. 规模扩大后，毛利会变好还是变差？
   如果每增加一个客户，就增加大量人工服务，这不是标准化生意。

5. 开源模型进步后，你还剩下什么？
   如果答案只有“我们的模型更强”，风险已经很明显了。

更稳的打法：别急着卖模型，先卖一件具体的事

刚开始做 AI 产品时，别把宣传语写成“行业领先的大模型平台”。这句话听起来很大，客户却不知道你到底解决什么问题。

可以换成更具体的表达：

• “帮跨境电商每天自动处理 5000 条售后工单”；
• “让法务在 10 分钟内完成一批合同风险初筛”；
• “把销售会议内容自动变成 CRM 可执行任务”；
• “让研发团队少花两小时排查重复故障”。

具体到岗位、流程和结果，客户才有机会感知价值。

模型能力是底座。

真正的产品，是把底座接到一个愿意持续付费的工作场景里。

避坑清单

• 不要只拿公开榜单当销售材料；
• 不要忽略高峰期推理成本；
• 不要把一次性项目收入当成长期收入；
• 不要为了签下大客户，承诺无限定制；
• 不要让客户承担所有试错成本；
• 不要把“调用量增长”直接等同于“利润增长”；
• 不要等产品成熟后才做真实业务测试。

AI 行业最容易让人误判的地方，是技术进步太快。

今天的领先模型，明天可能变成标准配置。真正能留下来的团队，往往不是最会讲参数的那批人，而是最早看懂客户工作流程、成本结构和付费理由的人。

卖模型能力，可以是一门生意。可单卖模型能力，通常不是一门好生意。