解读

面试官想验证三件事：

1. 能否把“拉新-促活-付费”拆解成可量化的数据指标，而不是拍脑袋给数字；
2. 是否理解AI产品特有的成本结构（训练成本一次性、推理成本随量线性、数据回流价值递增）；
3. 能否在合规红线（中国《价格法》《个人信息保护法》《互联网信息服务算法推荐管理规定》）内做价格歧视和动态调价。
   回答必须体现“模型-算力-数据”三角约束，并给出可落地的A/B实验方案。

知识点

1. 成本曲线：GPU推理成本≈0.02–0.06元/千token（A10/A100），随卡价波动；数据标注回流成本≈0.3–1.2元/条，边际递减。
2. 价格锚点：国内竞品月活免费额度集中在50–200次/月或10万token/月；企业版折扣阈值在20万token/日以上。
3. 法规：必须明码标价，禁止“大数据杀熟”价格歧视；免费额度若涉及个人生物识别数据，需单独征得“明示同意”。
4. 指标：免费→付费转化率=付费新增/活跃漏斗；LTV/CAC≥3；边际毛利率=（收入-增量算力成本）/收入≥40%。
5. 实验：采用“阶梯式价格+贝叶斯调价”双循环，灰度发布不超过10%用户，72小时回收置信度≥95%再全量。

答案

我将分五步落地：
第一步，成本倒推。用近7天峰值QPS×P99延迟×单卡QPS上限，算出每千token可变成本0.04元；再叠20%云资源波动准备金，确定“盈亏平衡价”0.048元/千token。
第二步，用户分群。用聚类模型把注册30天内行为切成四档：尝鲜型（≤20次/月）、轻量型（21–100次）、成长型（101–500次）、企业型（>500次）。
第三步，免费额度设计。尝鲜型给100次/月，轻量型给200次/月，成长型给500次/月，企业型不给免费转直销。额度用尽后，先弹“1元购300次”一次性礼包（毛利率55%），再进入阶梯计费：0–10万token 0.06元/千token，10–100万token 0.05元，>100万token 0.04元，越用越便宜，形成“用量反漏斗”。
第四步，超额计费动态调价。凌晨低峰时段自动降价10%，引导对延迟不敏感的训练类任务；节假日高峰上浮15%，防止SLA下跌。调价范围提前在官网公示，符合《价格法》明码标价要求。
第五步，数据闭环与迭代。每次计费策略调整同步埋点，核心看“额度使用率≥85%且付费转化率提升>2%”双达标；若边际毛利率低于40%，触发熔断回滚。全程用火山引擎或阿里云灰度平台，确保72小时可逆。

通过以上设计，可在3个月内把免费→付费转化率从4.2%提到7.5%，同时边际毛利率稳定在45%以上。

拓展思考

1. 如果未来推出“包年订阅”，可用“期权式”思维：把免费额度折算成token券，允许用户转赠，形成二级市场，提升生态粘性。
2. 对高价值行业（金融、医疗），可引入“隐私计算+免费额度”组合，先用TEE或联邦学习跑脱敏数据，降低客户合规顾虑，再引导超额付费。
3. 当模型压缩技术（如4-bit量化）把单卡QPS提升2倍时，需重新跑成本模型，第一时间把红利拆成“降价50%”或“额度翻倍”两条A/B路，防止竞品抢先。