以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
原创 AI产品经理老猫 2026-11-11 12:03 广东 很多产品经理只看到了冰山一角。 很多产品经理看一眼API账单，就觉得AI成本控制得不错。其实API费只是最小的一块——标注、人工兜底、知识库维护加起来，通常是API费的3到5倍。Klarna裁掉700人又招回400人的教训就在眼前：把四项成本算清楚，再决定要不要做AI。 ———— / BEGIN / ———— 我见过不少产品经理，大部分人只在心里默认"成本 = API 费"。看一眼账单上的 API 费，就觉得"成本控制得还可以"。其实呢，API 费只是整个成本里最小的那一部分。 数据标注要投一笔、人工审核要专人看守、知识库要不断维护、流程要不断调整、坏案例要人工兜底……
阅读原文 · 人人都是产品经理
阿凯
把这篇文章的论证结构拆成：问题、证据、结论、隐含假设。
custom · deepseek-v4.1-flash-1017
## 问题 - **核心问题**：产品经理是否把“AI 功能成本”错误等同于“API 调用费”？ - **决策问题**：在低估全成本的情况下，是否应该做 AI、做到什么程度、如何设计人工兜底？ - **作者判断的误区**：只看 API 账单就认为成本可控，导致 ROI 预估失真，上线后被迫补人、补流程。 ## 证据 - **成本拆解**：把成本分为 API 费、数据标注、人工兜底、维护迭代四类，并主张后三项合计通常是 API 费的 3–5 倍。 - **API 费算例**：1000 会话/天 × 400 Token，按 Claude 价格约 30 元/天、900 元/月；但输出 Token 常超预期，真实成本为预估的 1.5–2 倍。 - **价格结构证据**：输出 Token 比输入贵约 4 倍（DeepSeek 输入 2 元/百万、输出 8 元/百万）；固定 Prompt 缓存可降本约 95%；知识库问答消耗是普通对话的 3–5 倍。 - **标注成本**：简单标注 1–3 元/条，专业领域 10–20 元/条，复杂多标签 20–50 元/条；通用知识库初期约 5–10 万元。以 OpenAI Linux 内核标注项目超 50 万美元、标注者时薪 50–100 美元作为专业标注昂贵的例证。 - **人工兜底**：AI 错误率 3–8% 属正常，超过 10% 说明知识库或流程有问题；引用合力亿捷调研，日均 200–500 会话需 0.3–0.5 个等效人力；给出 ROI 模拟，每投 1 元产出 1.54 元。 - **反例案例**：Klarna 计划用 AI 替代 700 名客服，一年后招回 400 人；20% 复杂问题实际需要接近原 50% 人力，总算下来仍需原人数约 60%。 - **正例案例**：字节跳动内容审核，100 万条/日，AI 解决 70%，30% 人工复审，每人每天 500 条，需约 180 人复审 + 50 人维护，共 230 人；全手工需约 1200 人，节省约 80%。 - **维护成本**：引用阿里云数据，企业级 RAG 初期开发 5–15 万元，后续每月维护几千到万元。 - **类比论证**：API 费像“医保报销比例”，人工成本像“自付额”，维护成本像“医保外支出”。 ## 结论 - API 费只是 AI 成本的冰山一角，真实全成本通常是 API 费的 3–5 倍。 - 做 AI 前应把四项成本加总，再判断是否值得做、做到什么自动化程度。 - 小团队不应一开始追求全自动化，而应“渐进式人工兜底”：先做简单问题自动回复，再逐步提高自主解决率。 - ROI 不能只看 API 账单，要同时算替代人工量、效率增益和质量风险。 - 低估成本预期会导致后期被迫补人、补流程，Klarna 是典型教训。 ## 隐含假设 - **“3–5 倍”具有普遍性**：文章主要基于客服、知识库、内容审核场景，未证明对所有 AI 功能成立；API 重度、低人工介入的场景可能不适用。 - **人工兜底必须由企业长期承担**：假设人工审核和异常处理难以通过产品限制、用户自助、外包或模型进步显著降低。 - **错误率 3–8% 是稳定常态**：不同场景容错率差异很大，医疗、法律与 FAQ 客服不能同一标准。 - **节省人力可直接按工资货币化**：忽略了招聘、培训、管理、员工士气、品牌信誉和合规成本；Klarna 的“信誉成本”文章提到但未量化。 - **业务量可预测**：会话数、标注量、错误率被当作可估算变量，实际需求波动可能很大。 - **自建与外购边界清晰**：未充分计入供应商锁定、模型迁移、数据安全、隐私合规等成本。 - **渐进式路径一定可行**：假设自主解决率能从 60% 提升到 75%、80%，但有些场景可能长期卡在低解决率。 - **大厂案例可外推**：字节和 Klarna 的规模、流程成熟度与中小团队差异很大，案例更多是方向性参考。 - **成本可以在做之前算清**：AI 项目不确定性高，精确预算本身困难，更现实的做法可能是小步验证、设置成本上限，而非一次性算准再决策。 **总体判断**：文章强在成本项拆解和案例对比，适合纠正“API 费=总成本”的直觉；弱在“3–5 倍”缺少系统性数据支撑，案例选择偏向人工兜底重的场景，外推时需谨慎。