【经管大课堂·AI经管实践】一分钱的Token：AI推理服务的价格战与留存率考验

案例背景

2026年双11期间，多家云服务商与模型厂商把AI推理服务的价格压到最低1分钱的量级，部分平台在半小时内售出逾2万亿Token。极低的价格换来了惊人的调用量，也把一个此前被回避的问题推到台前：AI服务是否已经进入类似日用消费品的定价逻辑？据每日经济新闻报道，活动期间的调用峰值屡创新高，但业内更关心的是活动之后——当价格回归常态，还有多少用户会留下来。

从需求侧看，1分钱确实降低了尝试门槛，让很多从未使用过AI的中小商家第一次把模型接入了客服、选品与文案环节。但低价带来的「第一次」能否变成「每一天」，取决于产品是否真正嵌入业务流程，而不是取决于折扣力度。补贴带来的规模并不等于价值。厂商在活动结束后普遍面对同一个问题：用户的留存与复购。据报道，行业内的共识正在形成——用户留存已经成为比获客更难的硬仗，复购率与日活、月活之比，正在取代单纯的调用量成为新的考核指标。价格战可以把曲线在短期内拉得很漂亮，却无法回答一个根本问题：用户究竟是在使用AI，还是在薅补贴。这一问并非苛责，历史上网约车的补贴大战与社区团购的价格战，最终都要回到同一个问题：补贴退潮之后，用户是否还愿意为真实价值付费。

核心分析

一、边际成本定价与伯特兰德式价格竞争

推理服务的边际成本主要包括GPU折旧、电力与带宽。随着模型压缩、批处理调度与自研芯片的推进，单位token成本确实在快速下降，这为降价提供了空间。但价格战往往把价格压到边际成本之下，用亏损换取份额。这在经济学上是典型的伯特兰德式竞争：同质化产品、可观察的价格、有限的产能差异，最终把利润压向零。差别在于，AI推理的产能即算力在阶段内仍是稀缺的，价格战的实际约束不是成本，而是供给。一旦补贴退坡、算力吃紧，价格就会迅速反弹，用户的预期也会随之落空。更关键的是，当主流模型在常见任务上的差距不断缩小，价格就成了客户唯一能直接比较的变量，这恰恰是价格战最容易失控的条件。而当供给阶段性紧张时，低价反而会吸引超出承载能力的请求，导致响应变慢、服务质量下降，进一步伤害留存。

二、补贴换规模的可持续性：LTV与CAC的赛跑

单位经济模型的核心是客户生命周期价值（LTV）必须大于获客成本（CAC）。1分钱的活动价把获客成本前置、把收入后置，实际上是在用未来的留存为当下的规模买单。若留存率不足，LTV无法覆盖补贴与算力成本，规模越大亏损越大。反之，若高频场景（如客服、编程、文档处理）形成使用习惯，留存带来的复购可以摊薄前期补贴。因此，价格战的胜负不取决于活动期间的成交额，而取决于活动后90天的留存曲线。留存是唯一能把补贴转化为资产的变量，其余都只是流量。存量用户的复购与增购，才是补贴真正沉淀下来的资产；而一次性被低价吸引来的用户，往往在价格回归的第一周就流失。

三、杰文斯悖论与需求价格弹性

杰文斯悖论指出，效率提升会降低单位成本，反而增加总消耗。AI推理成本下降确实激发了更多调用，token总量呈指数增长。但总量的增长能否转化为收入，取决于定价机制：若按token计费且价格持续下行，收入增长可能慢于用量增长；若转向按结果、按席位或按价值计费，才能分享效率红利。单纯的价格战会把行业锁在「用量暴涨、收入微增」的陷阱里。这也提示，衡量AI服务健康度的指标不应只是调用量，而应是单位算力所创造的收入与毛利。进一步说，如果价格下降的速度快于用量增长的速度，行业的总收入甚至可能不升反降，出现「越忙越不赚钱」的悖论。

管理启示

对AI服务商而言，补贴应当有明确的「验证目标」：不是冲成交额，而是验证特定场景的留存与付费意愿。建议把补贴投向高频、刚需、可嵌入工作流的场景，用小规模对照实验测算留存与LTV，再决定是否放量。没有验证目标的补贴，本质上是在为竞争对手培育市场。具体而言，可以设置分层补贴：新用户首月低价用于体验，重度用户按用量阶梯返利，企业客户则以服务承诺换取长约，这样既能拉新，也能把补贴精准投向留存概率最高的群体。

定价机制应从「按token」向「按价值」迁移，把价格与客户获得的效率提升挂钩，避免陷入同质化价格战。同时通过模型路由、缓存、蒸馏与批处理持续压低单位成本，为价格竞争留出缓冲空间。成本领先与价值定价并不矛盾，能够同时掌握两者，才是真正的定价权。此外，把计费单位从token改为「任务」或「席位」，能显著降低客户对单价的敏感度，也更贴近客户感知到的价值。对采购方而言，低价窗口是试用与迁移的好时机，但要评估供应商的持续经营能力与数据可迁移性，避免被低价锁定后承担高昂的迁移成本；签约时可争取价格保护条款与用量弹性，把短期红利转化为长期成本的确定性。

对行业整体而言，健康的价格竞争应当建立在成本下降之上，而不是建立在资本补贴之上；前者可持续，后者只是把亏损从资产负债表转移到下一轮融资。真正决定长期格局的，不是谁在双11卖出更多Token，而是谁能在价格回归常态后，依然被用户每天打开。对创业公司而言，与其在价格上追随巨头，不如在垂直场景里把单位经济做正，把有限的资本用在能够形成复购的地方。

其他思考

1. 当推理价格趋近于零时，AI能力的差异化会体现在模型本身，还是体现在数据、工作流与交付服务上？
2. 补贴换来的调用量中，有多少是真实需求，多少是套利与压测？企业应如何设计机制把二者区分开？
3. 若行业长期停留在「用量暴涨、利润微薄」的状态，资本开支的回报由谁承担，是否会重演基础设施行业的产能过剩？

关键词：AI推理、价格战、单位经济模型、用户留存、杰文斯悖论
来源：每日经济新闻 | 整理：经管大课堂