API费只是零头：AI功能真正烧钱的四项成本

不少产品经理扫一眼API账单，就认定AI成本已经控住了。可API费在总盘子里只占最小一块，标注、人工兜底、知识库维护几项加到一起，往往达到API费的3到5倍。Klarna先裁700人、后来又招回400人的教训还摆在那儿：四项成本先算明白，再决定上不上AI。

我接触过的产品经理里，多数人心里默认「成本 = API 费」，账单上那个数看着还行，就觉得「控制得还可以」。其实API费只是整个成本中最小的那一块。

数据标注得投钱，人工审核得安排专人盯，知识库需要持续维护，流程要反复调整，坏案例还得靠人兜底……这些开销加总，远远超过API费。

下面把AI功能的成本拆成四项，逐项说清每项到底花多少钱、坑在哪里。

成本一：API 调用费——你唯一能看见的成本

算法本身最简单：每天会话数 × 平均单条 Token 数 × 单位价格

比如：

按日均 1000 会话、平均每条对话 400 个 Token（输入200，输出200）、使用 Claude 计算，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

不过这是理想状态。真实情况里，输出 Token 常比预期多，原因是 Prompt 不够精准，所以实际花销一般是预估的 1.5-2 倍。

坑一：输出 Token 比输入贵 4 倍

拿 DeepSeek 来说，输入 2 元每百万 Token，输出 8 元。道理不复杂：输入能并行处理，输出只能一个一个生成，价格自然高。

也就是说，看着省钱的操作未必真省。比如想靠「缩短 Prompt」省输入 Token，Prompt 一不清楚，模型输出反而变长，整体成本不降反升。

坑二：缓存优化能降成本 95%

如果 Prompt 是固定的，比如同一套系统提示词、同一个知识库前缀，在 Claude 或 Gemini 上用缓存技术能把成本压低 95%，每天 100 块降到 5 块。可多数团队压根不知道有这回事，钱就这么白花了。

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）。若是知识库问答，消耗能到一般对话的 3-5 倍。

成本二：数据标注成本——一次性投入但金额不小

这笔钱带有很强的「一次性」色彩：初期投入之后，后续维护开销相对较低。

怎么算？

具体花多少，看功能复杂度：

简单分类或标签，一条 1-3 块钱，10000 条差不多 1-3 万块；医疗、法律、财务这类专业领域的数据标注，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。

通用型知识库功能，起步阶段的标注开销一般在 5-10 万块；这笔投入后面还得继续掏，只是没那么频繁了。比方说一个季度又冒出 1000 条新数据，那就得再投 1-3 万块重新标一遍。

OpenAI 在 2023 年底做过一个研究项目，方向是理解 Linux 内核源码。上千条内核代码片段被逐条标注，每条都涵盖功能描述、依赖关系、潜在风险点。干这活的全是内核开发者，时薪 50-100 美元。算下来，整个项目的标注花费超过 50 万美元。这能说明什么？

专业领域的数据标注，花掉的钱很可能比 API 费高出不少。

成本三：人工兜底成本——真正的大头

AI 功能上线，绝不是“挂上去就完事”。质检和审核就得跟上：AI 生成的结果出现 3-8% 的错误率属于正常范围，可这些错必须揪出来，不然用户一投诉就麻烦了。流程编排和优化同样少不了，AI 的输出未必一次到位，得补规则、补判断、补降级方案。还有些情况 AI 拿不准，只能转给人工兜底。

合力亿捷的调研显示，日均 200-500 会话的 Agent，运营上需要 0.3-0.5 个等效人力。

合力亿捷给出了一个 ROI 三笔账的框架：第一笔是替代人工量，算法是自主解决率乘以人工处理时长；第二笔是效率增益，来自响应速度提升、时长覆盖扩展和人工释放效应；第三笔是质量风险，错误回复率 3-8% 算正常，一旦超过 10%，就说明知识库或流程出了毛病。

我们拿一组数据来模拟：月 Agent 会话数 6000，自主解决率 75%，人工单次处理 6 分钟，那么月替代人工工时为 450 小时，约等于 2.5 人。

再算钱：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。也就是说，每投 1 元能产出 1.54 元。

案例：Klarna 的失败

瑞典支付公司 Klarna 在 2023 年下半年猛推 AI 客服，打算用 AI 顶掉 700 个人工客服。账面上很划算：700 个人，按平均月工资 4000 块算（瑞典的人力成本恐怕还更高），一个月就能省下 280 万块。

可一年之后，情况变了。他们发现 AI 确实能自主搞定 80% 的简单问题，但剩下 20% 的复杂问题还得人工上，而且人工还得替 AI 收拾烂摊子。最终 Klarna 不得不重新招回 400 人，专门处理 AI 的错误、做质检、优化流程。

最讽刺的地方在于，他们恰恰把人工兜底这项关键成本算错了。

初期估算时，他们觉得"人工兜底就是接个转移，不用多少人"。可真做起来，每条咨询人工处理要花 10 分钟，包括读懂上文、纠正 AI 的理解、再重新回复。这 20% 的工作量，实际需要接近原来 50% 的人力。再加上质检、知识库维护、系统优化，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 功能并非一锤子买卖。用户需求在变，业务规则在变，模型也在升级，你得持续做下面这些事：

更新知识库，内容增删改

调整 Prompt 和规则

把旧模型换成新模型

应对新的业务流程变化

做性能和成本上的优化

阿里云的数据显示，企业级知识库 RAG 系统初期开发要 5-15 万块，后续每个月的维护和优化还得再掏几千到万把块钱。

字节跳动内部拿 AI 做内容审核，成本结构就健康得多。

原因在哪？他们一开始就把成本预期算对了。日均审核 100 万条内容，他们心里清楚：

AI 自主审核能搞定 70% 的明显违规

剩下 30% 得人工复审，一个人每天 8 小时最多审 500 条

于是需要 100 万 × 30% ÷ 500 ÷ 8 ÷ 21 ≈ 180 个人

另外再配 50 个人做知识库维护、规则优化、模型升级

合计 230 个人

要是这 100 万条全靠手工，则需要 100 万 ÷ 500 ÷ 8 ÷ 21 ≈ 1200 个人。

两相比较，字节的 AI 方案省下 1000 个人。成本没降 100%，但省了 80%。更关键的是，他们一开始就知道能省 80%，而不是误以为能省 100%，到头来落空。

小团队的生存法则

小团队该怎么办？我的建议是：别一上来就追求全自动化，先做"渐进式人工兜底"。