Consumer AI 的贏家公式：不是模型最強，是 ARPU 跑贏推論成本

重點摘要

a16z 的 Andrew Chen 這週在 X 上丟了一個我覺得很值得認真想的框架。他說 consumer AI 的贏家不是包裝最聰明模型的那個人，而是 ARPU 能可靠跑贏推論成本的那個。

這句話聽起來像廢話，但你把數字攤開看就知道問題有多大。目前 consumer AI app 的月 ARPU 大概在 $2-5 之間，但一個 AI 功能密集的 app，每個用戶每月的 token 成本可能是 $20-50。差距大概是 10 倍。

這不是「模型再強一點就能解決」的問題。這是商業模式層級的結構性挑戰。

ARPU 跑不贏 token 成本，什麼模型都救不了你

Consumer AI 的核心經濟學問題很簡單：每一次用戶觸發 LLM，都有一筆直接的變動成本。根據 The Marketing Hub 的分析，典型的 AI SaaS 訂閱定價大約 $20/月，一般用戶每月消耗約 200,000 tokens。但重度用戶的消耗量可能是平均值的 5-10 倍，把 LLM 成本推到 $2-3/用戶/月甚至更高。

這就是 Chen 說的「鯨魚動態」(whale dynamics)。在傳統 SaaS 裡，你的最活躍用戶是你最有價值的用戶。在 AI app 裡，你最活躍的用戶可能是你最貴的用戶。如果你的 power user 產生的成本超過他們付的錢，你的商業模式就有根本性的問題。

過去大部分訂閱制產品的邊際成本幾乎是零。AI 改變了這個假設。每多一個 API call，就多一筆帳單。

高 ARPU 類別 vs 低 ARPU 類別：兩條完全不同的路

Chen 的框架裡最有洞察的部分是這個分類。

高 ARPU 類別包括個人理財、健康管理、生產力工具、遊戲。這些類別天生有付費意願，用戶願意為結果買單。你可以在這些領域用最好的模型、做最多的迭代、投入最好的 UX，因為 ARPU 撐得住。特別是那些 agent 能大幅改善結果的方向，像是理財規劃、健康追蹤、自動化工作流，付費轉換率和 LTV 都高很多。

低 ARPU 類別就慘了。內容創作工具、通訊 app、社群平台，這些類別的用戶付費意願低，廣告收入也不夠覆蓋 AI 推論成本。結果就是被迫用更便宜的模型、提供更差的體驗、然後留存率更低、然後更沒錢投入模型。惡性循環。

推論成本在降，但降得夠快嗎？

好消息是推論成本確實在快速下降。根據 Epoch AI 的追蹤數據，LLM 推論成本自 GPT-3 問世以來已經下降了超過 1,000 倍。2024 年 1 月之後，降價速度更是加速，中位數從每年 50 倍提升到每年 200 倍。

具體數字：GPT-3.5 在 2022 年每百萬 output tokens 大約 $12，到了 2024 年 GPT-4 Turbo 和 Gemini Flash 已經把這個數字壓到 $2 以下。GPT-4o 的 output token 成本在 16 個月內降了 83%，input token 成本降了 90%。

a16z 自己的研究也用了一個很傳神的詞：LLMflation，形容 LLM 推論成本的通縮速度。

但 Chen 的判斷是：還不夠。他預估大約還需要 18-24 個月，才能讓殘餘廣告收入（remnant ads）包裹 AI 功能並讓經濟模型成立。也就是說，到 2027 年左右，consumer AI 才會迎來真正的「巨大爆發」。

小模型和 on-device 推論能解套嗎？

Chen 也提到了另一條路：小模型和本地推論。如果推論可以在手機上跑，變動成本就趨近於零，ARPU vs 推論成本的問題就消失了。

但他自己也承認這條路有侷限。本地推論能處理一些 use case，但跟雲端 frontier model 的能力差距還是很大。你不可能在手機上跑一個 Claude Opus 等級的模型做複雜的多步驟推理。

RevenueCAT 2026 年的報告也指出，產業正在往混合定價模式 (hybrid monetization) 移動。不再是純訂閱制，而是讓重度用戶自選更高的消費層級，讓他們的付費覆蓋自己產生的 token 成本，而不是被其他用戶補貼。

這個趨勢的底層邏輯很清楚：AI app 必須讓定價結構反映真實的使用成本。

回到我們自己，怎麼用這個框架

我自己看完 Chen 的分析，覺得最實用的 takeaway 是一個很具體的動作：算一下你的產品每月每用戶的推論成本。

如果你在做 consumer AI，把這個數字跟你的 ARPU 放在一起看。如果推論成本超過 ARPU，你需要立刻做三件事其中一件：調整模型選擇（用更便宜的模型處理低複雜度任務）、調整定價策略（引入 usage-based 元素）、或者調整產品方向（往高 ARPU 類別靠）。

說實話，我覺得台灣的 consumer AI 團隊特別容易踩到低 ARPU 的坑。因為台灣市場的付費意願本來就比美國低，如果你做的又是免費社群或內容工具，推論成本吃掉你的問題會比美國團隊更嚴重。

反過來說，如果你鎖定的是高 ARPU 類別，像是金融科技、健康管理、B2B 生產力工具，台灣市場的規模可能不夠大，但你有機會從第一天就把 unit economics 做對，然後往海外擴張。

Chen 在 2027 年看到 consumer AI 的大爆發。在那之前的 18 個月，是讓你的 ARPU 和推論成本曲線交叉的關鍵窗口。

資料來源