做了个 AI 功能，成本是不是只有 API 费用？
很多产品经理看一眼API账单，就觉得AI成本控制得不错。其实API费只是最小的一块——标注、人工兜底、知识库维护加起来，通常是API费的3到5倍。Klarna裁掉700人又招回400人的教训就在眼前：把四项成本算清楚，再决定要不要做AI。
我见过不少产品经理，大部分人只在心里默认"成本 = API 费"。看一眼账单上的 API 费，就觉得"成本控制得还可以"。其实呢，API 费只是整个成本里最小的那一部分。
数据标注要投一笔、人工审核要专人看守、知识库要不断维护、流程要不断调整、坏案例要人工兜底……这些加起来，远远超过了 API 费。
接下来我把 AI 功能的成本拆成四项，告诉你每一项到底要花多少钱、怎么避坑。
成本一：API 调用费——你唯一能看见的成本
最简单的算法是：每天会话数 × 平均单条 Token 数 × 单位价格
比如：
日均 1000 会话
平均每条对话 400 个 Token（输入200，输出200）
使用 Claude，输入 0.3 元/百万 Token，输出 1.2 元/百万 Token
那么：1000 × (200 × 0.3/100 万 + 200 × 1.2/100 万) ≈ 30 块/天，月成本 900 块
但这只是理想情况。实际上，你的输出 Token 往往比预期多（因为 Prompt 不够精准），所以真实成本通常是预估的 1.5-2 倍。
坑一：输出 Token 比输入贵 4 倍
以
这就意味着，你看似省钱的操作，其实不一定省。比如你想"缩短 Prompt"来省输入 Token，结果反而让模型输出变长了（因为 Prompt 不够清楚），那整体成本反而增加了。
坑二：缓存优化能降成本 95%
如果你有一套固定的 Prompt（比如同一套系统提示词、同一个知识库前缀），在 Claude 或 Gemini 上可以用缓存技术，成本能降 95%。从每天 100 块的成本降到 5 块。但大多数团队根本不知道这个东西，白白浪费了钱。
算一下：
1 万汉字 ≈ 1 万～1.5 万 Token。生僻字、冷门词费 Token；常见字、高频词组省 Token。
一个 AI 客服系统，日均 10 万条咨询，每条 200 Token，月成本近 5000 元（按 8 元/百万 Token 计）。如果是知识库问答，消耗是一般对话的 3-5 倍。
成本二：数据标注成本——一次性投入但金额不小
这个成本很"一次性"。初期需要投，后续维护成本比较低。
怎么算？
取决于你的功能复杂度：
简单分类或标签：一条 1-3 块钱，10000 条差不多 1-3 万块
专业领域的数据标注（医疗、法律、财务）：一条 10-20 块，10000 条得 10-20 万块
复杂的多标签标注：一条 20-50 块
一个通用的知识库类功能，初期标注成本通常在 5-10 万块。这笔钱后续还会花，但频率降低了。可能一个季度新增 1000 条数据，又得花 1-3 万块重新标注。
OpenAI 2023 年底做过一个 Linux 内核源码理解的研究项目。他们标注了上千条内核代码片段，每条标注包括功能描述、依赖关系、潜在风险点。标注团队全是内核开发者，时薪 50-100 美元。整个项目的标注成本超过 50 万美元。
这说明什么？
专业领域的数据标注，成本可能远超你的 API 费。
成本三：人工兜底成本——真正的大头
一个 AI 功能上线以后，远不是"挂上去就完事"。你还得：
质检和审核。AI 生成的结果有 3-8% 的错误率是正常的。但这些错误你得抓出来，否则用户投诉就完了。
流程编排和优化。AI 的输出不总是一次性完美的，需要加规则、加判断、加降级方案。
人工兜底。总有些 AI 拿不准的情况，需要转给人工。
根据合力亿捷的调研，日均 200-500 会话的 Agent，需要 0.3-0.5 个等效人力来运营。
合力亿捷给了一个 ROI 三笔账框架：
替代人工量：自主解决率 × 人工处理时长
效率增益：响应速度提升、时长覆盖扩展、人工释放效应
质量风险：错误回复率 3-8% 为正常，超过 10% 说明知识库或流程有问题
我们模拟一个数据：
月 Agent 会话数 6000
自主解决率 75%
人工单次处理 6 分钟
月替代人工工时 450 小时 ≈ 2.5 人
月替代人工成本 1.8 万 + 月效率增益 4500 元 − 月运营人力成本 4000 元 = 1.85 万÷（月系统成本 0.8 万 + 月运营人力成本 0.4 万）= 1.54
即每投 1 元产出 1.54 元。
案例：Klarna 的失败
瑞典支付公司 Klarna，2023 年下半年大举推 AI 客服，计划用 AI 替代 700 个人工客服。看起来特别划算对吧？700 个人，平均月工资 4000 块（考虑瑞典人力成本可能更高），一个月省 280 万块。
但一年后呢？他们发现，虽然 AI 确实能自主解决 80% 的简单问题，但剩下 20% 的复杂问题需要人工，而且人工还得帮 AI 擦屁股。最后他们不得不招回 400 人来处理 AI 的错误、做质检、优化流程。
最讽刺的是，他们算错的关键成本项是人工兜底。
初期估算的时候，他们以为"人工兜底就是接个转移，不用多少人"。实际上呢？每个人工处理一条咨询需要 10 分钟（包括理解上文、修正 AI 的理解、重新回复），这 20% 的工作量其实需要接近原来 50% 的人力。加上质检、知识库维护、系统优化，他们需要的总人数其实是原来的 60%，而不是 0%。
成本四：维护迭代成本——看不到尽头的投入
AI 功能不是一次性的。用户的需求在变，业务规则在变，模型也在升级。你得不断地：
更新知识库（内容增删改）
调整 Prompt 和规则
升级模型（从旧模型换新模型）
处理新的业务流程变化
做性能优化和成本优化
根据阿里云的数据，一个企业级的知识库 RAG 系统，初期开发 5-15 万块,但后续每个月的维护和优化成本也得几千到万把块钱。
字节跳动内部用 AI 做内容审核，他们的成本结构就健康得多。
为什么？因为他们从一开始就把成本预期算对了。日均审核 100 万条内容，他们清楚地知道：
AI 自主审核能解决 70% 的明显违规
剩下 30% 需要人工复审，一个人每天 8 小时最多审核 500 条
所以他们需要 100 万 × 30% ÷ 500 ÷ 8 ÷ 21 ≈ 180 个人
再加上 50 个人做知识库维护、规则优化、模型升级
总共需要 230 个人
如果自己全手工做这 100 万条，需要 100 万 ÷ 500 ÷ 8 ÷ 21 ≈ 1200 个人。
所以字节的 AI 方案，省下了 1000 个人，虽然成本不是"节省 100%"，但也省了 80%。而且是从一开始就知道自己能省 80%，而不是算错了以为能省 100%，最后幻灭。
小团队的生存法则
如果你是小团队，怎么办？我的建议是：不要一开始就做全自动化，要做"渐进式人工兜底"。
比如你的 AI 客服功能：
第一阶段：先做简单问题的自动回复（FAQ、订单状态等），自主解决率 60%，剩下 40% 转人工。这个阶段你只需要现有客服团队的 40% 继续处理转移过来的问题。成本几乎没增加，就多了 API 费。
第二阶段：等 AI 积累了一些数据和案例以后，开始做中等复杂度的问题。自主解决率上升到 75%，人工工作量降到 25%。这时候你可以裁员 15%。
第三阶段：继续优化，可能能达到 80%。
这样的好处是：你不会被成本结构变化打得措手不及。小团队最怕的就是"AI 很便宜啊才几千块一个月"，然后一年以后发现月成本 10 万块，根本负担不起。
总结
算 AI 成本就像算医保。有人只看"医保报销比例"（API 费），觉得"才占 20% 啊，特别便宜"。但真正决定医疗成本的，是"自付额"（人工成本）和"医保外"（维护成本）。
一个看似"成本只有几千块"的 AI 功能，实际的全成本通常是 API 费的 3-5 倍。如果你一开始没算对，后面就得为这个低估的成本预期买单。
Klarna 花了 700 个人和巨大的信誉成本，才学会了这一课。你可以不用这么惨，从现在开始就把成本算清楚：
API 费（最小的一块）
数据标注成本（一次性大投入，或滚动小投入）
人工兜底成本（需要专人长期看守）
维护迭代成本（永无止尽的成本坑）
把这四项加起来，才是 AI 功能的真实成本。
本文来自微信公众号“人人都是产品经理”（ID：woshipm），作者：AI产品经理老猫，36氪经授权发布。
