无需埋点、按客户计量 AI 毛利——把垂直 SaaS 的账单系统接入真实的 token/GPU 成本真相。

1. DoiT 刚刚证明,零埋点、内核级的 AI 成本归因能在企业级规模跑通,这为小型创业公司把同样的核心计量技术,改造用于 SaaS 租户毛利场景,大大降低了技术风险。
2. DoiT 自己的调查显示,85% 的企业高管无法在无重大阻碍的情况下算清 AI ROI,说明这种痛点足够普遍,能从 DoiT 专注的内部费用分摊,延伸到外部客户毛利问题上。
3. 一家成熟的 FinOps 厂商选择收购归因创业公司而不是自建能力,证实企业买家现在就愿意为这个品类掏钱,即便谁能定义制胜产品形态还没有答案。
4. 报道把归因失灵直接归因于共享 GPU 池和智能体负载——这恰恰是垂直 SaaS 公司在单一多租户后端嵌入第三方 AI 智能体后,必然会遇到的情况。

催化因素。 DoiT 收购 Attribute、推出零埋点内核级计量技术的同一周,企业界就承认只有 15% 能算清 AI ROI——这证明底层归因技术和买家紧迫感已经同时到位;而 DoiT 专注内部费用分摊,把外部按客户算毛利的问题留给了专注切口的新进入者。

一个轻量代理或 sidecar 挂在模型调用层(LLM 网关、API 网关或网络抓包点),把每个请求指纹式地追溯回发起它的终端客户租户或会话, 客户团队不用改一行代码。它汇总公司用到的每一家推理服务商的 token 数、GPU 秒数估算和向量存储查询成本, 再把按租户实时更新的毛利台账,持续推送进公司的账单系统(Stripe Billing、Orb、Metronome)和 BI 系统。 预置的毛利护栏规则,让产品或财务负责人能在某个客户细分陷入结构性亏损之前就发出告警、限流, 或提醒账户升级到更高档位,把成本数据和定价动作真正连成一个闭环。

差异化。 DoiT/Attribute 卖给的是中央 IT 和 FinOps 团队,用来在内部部门间分摊 AI 支出;这款产品卖给的则是垂直 SaaS 公司, 它们需要按外部客户看毛利,并直接接入自己的账单和定价系统——这是横向 FinOps 平台生来就不擅长服务的更窄切口。 因为产品接入的是按用量计费引擎,而不是内部分摊看板,它能在定价或续约决策的那一刻捕获价值,而不只是每月一次的成本报告周期。

待完成任务

flowchart LR
  Customer[End customer request] --> Proxy[Metering proxy]
  Proxy --> Providers[Multi-provider LLM and GPU calls]
  Providers --> Ledger[Per-tenant margin ledger]
  Ledger --> Billing[Usage-based billing engine]
  Ledger --> Alerts[Margin guardrail alerts]
  Billing --> Finance[Finance and product decision]
  Alerts --> Finance

高管要点

• DoiT 的 Attribute 发布和 Portkey 后来被收购,说明 AI 成本归因和网关控制已经是战略级预算项目,但真正空缺的切口是外部客户毛利,而不是内部费用分摊。
• 支撑技术栈今天已经就绪:网关和可观测性工具已经能捕获用户和会话元数据及成本,账单平台也能对实时用量计价;缺的那一层,是财务级的租户盈利能力和账单行动。
• 买家的紧迫感有据可依:Menlo 称 2025 年企业生成式 AI 支出达到 $37B,FinOps Foundation 称 98% 的从业者现在都在管理 AI 支出,CloudZero 也仍然发现广泛存在的 AI ROI 和归因盲区。
• 竞争是碎片化的,还没有定局。横向 FinOps 平台、AI 网关和账单厂商各占工作流的一部分,只要新进入者能证明发票级准确性、零代码部署和直达账单系统的结果,就有机会胜出。

市场定义

相关市场,是把多服务商 AI COGS 归因到外部 SaaS 租户、并把这份成本真相接入账单、定价和毛利控制工作流的软件。

用户与买方

日常操作者通常是 AI 产品或平台负责人,加上一位试图按租户、功能或套餐搞清楚毛利的财务或 RevOps 负责人。经济决策者通常是 CFO 或财务副总裁,一旦 AI COGS 开始影响续约、打包或董事会叙事,就会与 AI 或产品负责人联手决策。

购买触发点

• 季度复盘、续约或董事会对话中发现,团队能看到 AI 总支出,却还是说不清按客户或产品档位的毛利,更来不及采取行动。 [9][2]
• 公司正在推出或修订按用量 AI 定价包,需要在上线自助式或中端市场套餐之前,拿到准确的按租户成本真相。 [43][55][67]
• AI 流量扩展到多家模型服务商和检索或向量层,把原本一张干净的账单,变成了多个财务和产品都对不上账的隐藏成本面。 [23][104][107][120]

支付意愿

付费意愿是可信的,因为 AI 支出已经很大且仍在持续增长,FinOps 团队现在明确管理 AI 支出,领先的 AI 厂商也已经在采购外部实时账单基础设施来落地用量透明。这家创业公司不是在让买家为一个理论上的品类掏钱,而是在帮他们补上 AI COGS 和营收决策之间一个已知的控制缺口。 [3][6][56][67][41]

品类动态

增长信号 2024 至 2025 年,企业生成式 AI 支出同比增长 3.2 倍

验证信号

• DoiT 收购 Attribute 并推出零埋点 tokenomics,而不是等着自己内部搭建同等能力,验证了买家对 AI 支出归因的紧迫需求。
• FinOps Foundation 报告称,98% 的从业者现在都在管理 AI 支出,证实 AI 经济模型已经成为标准的预算和运营议题。
• OpenAI 和 Replicate 都依赖 Metronome 做实时用量、积分和账单工作流,证明成熟的 AI 公司已经在采购外部计量基础设施。
• Palo Alto Networks 有意收购 Portkey,说明 AI 网关是战略控制点,而不是可有可无的开发者工具。

监管与技术约束

• 服务商定价在输入、输出、缓存输入、区域加价和合作云变体之间高度异构,所以毛利台账必须持续统一不断变化的计价单位,而不能假设只有一种 token 价格。
• 向量和检索层增加了独立的存储、读取、写入和索引压缩成本面,除了原始模型 token 之外,还会实质性影响按租户 COGS。
• 共享基础设施的成本分摊需要考虑工作负载、闲置和管理开销,而不能只累加直接观测到的 API 调用或 token 数。
• 提示词、回复和租户元数据日志可能触发留存、最小化、安全和审计义务,在受监管或跨境部署中尤其如此。

三个相邻技术栈正在朝这个问题汇聚:内部 FinOps 和云单位经济平台、AI 网关和可观测性厂商,以及按用量计费平台。空缺的是那道财务级的租户毛利台账——它要卡在请求遥测和面向外部客户(而非内部成本中心)的账单行动之间。

为什么现有厂商不会默认胜出

• 云 FinOps 平台. CloudZero、Finout 及相邻的 FinOps 工具,能把基础设施成本翻译成单位经济模型,但它们的重心在内部优化和报表,而不是面向外部 SaaS 租户的内联毛利行动。
• AI 网关与可观测性厂商. Helicone、Portkey、Langfuse 已经能在请求层捕获模型用量、元数据和调用链,但都还没有成为财务真正拥有的盈利能力与账单决策系统。
• 账单平台. Orb、Metronome 和 Stripe 在计价、积分、发票和套餐变更上表现出色,但它们都假设底层的 AI 成本和租户归因数据已经由别人处理好了。
• 模型与云服务商. OpenAI、Anthropic、Google 和 Azure 暴露了定价和部分留存控制,但原生看板都是各服务商独立的,回答不了跨服务商的客户毛利问题。
• 内部脚本与表格. 手工对账仍然常见,因为这是最快的临时解法,但一旦服务商、token 类型或向量与检索成本在技术栈里扩散开来,它就会崩溃。

AI Margin Metering 是一套财务级租户 COGS 台账,面向刚上线内嵌 AI copilot、现在急需在续约或调价前守住毛利的 B 轮到 D 轮垂直 SaaS 公司。研究发现,这不是通用的 AI 可观测性问题:网关、FinOps 工具和账单系统早就存在, 但没有一个真正拥有 SaaS 厂商营收流程里"按外部客户算毛利"这个决策环节。最初的切口,是一个以对账为先的代理或网关层—— 无需改动 SDK,就能把 token、GPU 和向量成本归因到每个租户,再在定价或续约事件发生前,把这份台账推进 Stripe Billing、Orb 或 Metronome。研究支持约 $0.4B 的 TAM、$120.0M 的近期 SAM 和第 3 年 $3.6M 的 SOM, 但这些估算都假设公司能把一个狭窄的、靠触发事件驱动的销售动作,转化成可复制的渠道协同分销。第一个客户会买账, 是因为财务已经发现某个 AI 账户在赔钱,或者公司正准备上线按用量 AI 定价包,却没法用表格证明单位经济模型站得住脚。 产品节奏很关键:MVP 应该先证明发票对账和一个账单集成能跑通,再去做自动限流或更广的定价控制,因为财务不信任和 合规异议才是主要的采用风险。如果这家公司能成为 CFO 和 AI 产品负责人从"看到 AI 总支出"到"拿到可信答案—— 哪个租户、功能或套餐真正赚钱,该采取什么定价动作"最快的路径,它就赢了。最大的证伪风险不是市场需求本身, 而是买家愿不愿意为一个独立的毛利控制层单独掏钱,还是宁愿硬拗现有的 FinOps、网关或账单厂商;以及零 SDK 的租户归因,能不能在异步智能体工作流里站得住。

问题

• 垂直 SaaS 团队把 AI 接入多家服务商后,只有手工把服务商账单和内部日志对上账,才能看到按租户的 AI COGS,亏损账户就这样一直撑到季度结账或续约才被发现。
• 定价团队推出 AI 用量档位时,拿不到 token、GPU 和向量检索这些成本的发票级真实数据,定价、限流和打包决策只能靠估算。

解决方案

• 植入一个代理或网关侧台账,把请求指纹式追溯回发起它的租户,把跨服务商的 token、GPU 和向量成本统一口径,再拿去对照服务商的实际账单。
• 把按租户的 COGS 推进客户的账单和 BI 系统,一开始只做只读对账,等财务信任这份数据后再开启告警、档位建议和护栏功能。

为什么我们会赢

• 这款产品卡在网关/可观测性和账单之间的空白地带:比 CloudZero、Finout 更贴近请求层,又比 Helicone、Portkey、Langfuse 更贴近财务行动。
• 每一次部署,都在积累可复用的对账逻辑——覆盖各服务商的计价单位和账单集成,这既造成迁移摩擦,也沉淀出一套「哪些定价动作真能改善毛利」的数据资产。

里程碑

flowchart LR
  Wedge[Renewal or pricing trigger] --> MVP[Reconciliation first tenant ledger]
  MVP --> Proof[Invoice grade trust plus billing sync]
  Proof --> Expansion[Margin guardrails across more workflows]

创始团队

实验路线图

风险评估

必须成立的条件

• 前 20 场 ICP 访谈中,至少 8 场必须揭示出与 AI 毛利不确定性挂钩的真实续约、董事会或定价触发事件。
• 前 3 个试点必须在首个工作流上,把按租户 AI COGS 与服务商发票的差异控制在 5% 以内。
• 一个账单集成上线后,前 4 个付费试点中至少要有 2 个转化为年度生产合同。
• Stripe Billing、Orb、Metronome 中至少要有一个,能覆盖滩头市场早期大多数实现价值所需的集成。
• 潜在客户必须持续更青睐一个专属的毛利控制层,而不是硬拗现有的 FinOps、网关或账单工具。

待尽调问题

• 有什么证据表明,零 SDK 的租户身份识别在异步任务和多步智能体场景下依然站得住?
• CFO、AI 产品、RevOps 还是平台工程,哪条预算线会最先签字?
• 现在有多少定价或续约项目,是因为按租户 AI COGS 不清楚而卡住的?
• 发票差异到多大,财务就会拒绝把台账用于定价或续约?
• DoiT、CloudZero、Portkey 或某个账单厂商,能多快用相邻功能补上这个缺口?

模型合理性

• 收入引擎. 基准收入的来源,是付费账户数从第 1 年末的 3 个增长到 Q4Y3 的 24 个,同时退出年化 ARPU 随着用量费用和第二工作流的加入升至约 $124K。
• 必须做对的事. 公司必须把试点转生产的转化周期维持在约一个季度,并证明至少一条可复制的合作伙伴引荐路径,因为销售周期是对收入和现金跑道影响最大的敏感因素。
• 模型失效的情形. 如果买家迟迟不愿意为独立预算买单,且毛利率停滞在约 66%,下行情形会让现金在种子轮验证点到来前就跌破零。
• 下一轮融资的验证标准. 种子轮的故事是:第 2 年末前拥有 6-10 个生产客户、至少 3 个已扩展的工作流,并证明至少一条账单或网关渠道能持续带来合格销售管道。

情景

敏感性

flowchart LR
  TargetAccounts[Trigger-based target accounts] --> PaidPilots[Paid pilots]
  BillingPartners[Billing and gateway partners] --> PaidPilots
  PaidPilots --> ProductionLogos[Annual production logos]
  ProductionLogos --> Expansion[Second workflow expansion]
  Expansion --> Revenue[Revenue]
  Revenue --> GrossProfit[Gross profit]
  GrossProfit --> Cash[Cash and runway]

警示项: CustomersEop 既包含付费试点也包含生产合同,所以只算经常性收入的生产客户数,在整个第 1 年都会落后于账户总数这个 headline 数字。 · 基准情形下,现金在 Q3Y3 触底至约 $0.25M,所以试点转化一旦推迟两个季度,很可能被迫放慢招聘或提前启动种子轮。 · 退出 ARPU 高于研究测算的 $60K 初始 ACV,因为模型假设了按用量费用和第二工作流扩展;只有单一工作流的账户,收入会低于预期。 · 第 2 年烧钱依然沉重,而直销和合作伙伴渠道都还在验证阶段,所以独立预算归属仍是最主要的商业风险。 · 现金按 EBITDA 建模;实施预付款、递延收入时点或安全审查相关的资本支出,都可能让实际现金回收出现明显偏差。

• 现有厂商下探抢滩. DoiT/Attribute 或某个横向 FinOps 平台,可能把自己的内部费用分摊产品扩展到覆盖按外部客户的毛利计量。 缓解措施: 靠账单系统原生集成和垂直场景专属的毛利护栏取胜——这些是横向分摊工具天生难以抢先做出来的。
• 服务商 API 碎片化. 每新增一家 LLM 服务商、智能体框架或 GPU 编排层,用量数据的暴露方式就会变,适配器可能得不停维护。 缓解措施: 构建与服务商无关的插件化计量内核,优先适配滩头市场实际用到的 3-4 家服务商。
• 归因准确性争议. 如果按租户的成本估算出错,客户就会不信任这份毛利台账,拒绝拿它来做定价或续约决策。 缓解措施: 在入驻阶段就发布对照实际服务商账单的对账报告,让客户在计量逻辑真正驱动账单前先自行审计。