AI 产品的单位交付成本，不能简单等同于一次模型调用的价格。真正需要核算的是：为了向一个客户、订单或任务交付可被验收的结果，系统和人工总共消耗了什么资源。对依赖大模型或 AI 智能体的一人公司而言，这个指标直接影响产品试错、报价、服务边界和现金流。

先建立完整成本口径

可以用下面的公式建立基础账：

单位交付成本 = 模型与工具调用成本 + 数据处理成本 + 基础设施成本 + 人工复核成本 + 售后与异常处理成本

其中，模型成本只是起点。一次任务可能包含多轮推理、长上下文、外部工具调用、失败重试和多模态处理；同时还可能产生向量数据库、存储、监控、评测与安全方面的支出。若产品需要人工校验、修改结果或向客户解释异常，这部分时间也必须计入，而不能被视为创始人的“免费劳动”。

核算时应以“交付结果”为单位，而不是以接口请求为单位。例如，客户购买的是一份报告、一次资料处理或一个业务流程的完成结果，那么就应记录完成该结果所需的调用次数、工具使用、人工介入、返工和售后时间。只有这样，才能判断成本上升究竟来自模型价格，还是来自产品流程设计。

用实际记录校正报价

早期试错阶段，建议分别记录研发试验、真实交付和维护支持。研发测试要关注一次测试是否触发多次调用；真实交付要关注每个客户或订单的平均消耗；维护阶段则要记录监控、评测、人工兜底和异常处理是否持续发生。

报价不宜只采用“模型成本加固定比例”的方式。若产品允许无限调用，成本很难预测；可根据真实业务记录，改为按任务次数、文档数量、项目阶段或服务额度设定边界。对于复杂或高风险任务，保留人工复核虽然提高显性成本，却可能减少错误交付、客户返工和声誉风险。

在需求尚未稳定时，可变成本通常比提前购买专用设备或承担长期资源承诺更容易调整。只有当订单量、资源利用率和单位成本改善都能够被实际记录验证后，才适合评估更重的基础设施投入。AI 产品真正要优化的，不是孤立的调用单价，而是每一次可交付业务结果所对应的完整经济模型。