AI-Native 财务目录：AI 公司的定价、预测与财务架构

如果你刚接触这一切，请从这里开始

这是一份很长的文档。你不需要读完整篇才能开始使用。如果你刚接触 finance，或正在运行一家早期 AI company，下面就是「我该做什么？」的最简单答案。

本周。 设置 Stripe（或等价工具）处理 billing。把它连接到一个简单 bookkeeping tool，例如 Pilot、Bench、Puzzle、Mercury Treasury，或任何能自动化基础工作的工具。从现在开始追踪三个数字：revenue、gross margin（revenue 减去 compute cost 和其他 usage-based vendor costs）以及以月为单位的 cash runway。

本月。 建一个简单 spreadsheet，为未来 18 个月每月一行，预测同样三个数字。每个月第一个工作日更新一次。每月比较 actuals 和 forecast。差异就是你学习真实业务运作方式的地方。

本季度。 有三个月 revenue data 后，看平均 gross margin。如果低于 50%，unit economics 很可能坏了。多数 AI-native businesses 需要 60%+ gross margin 才能在规模上存活；SaaS norms 期待 75–85%。低于 50% 是调查 compute costs、vendor pricing 或 pricing model 是否匹配 cost structure 的信号。

今年。 不要雇 CFO。不要雇 accounting team。不要买 enterprise FP&A software。除非 investor 明确要求，不要做 audit。把省下的时间用于增长 revenue，因为多数 finance 工作只有在你有 meaningful revenue 可管理后才重要。

这就是第一年早期 AI company 的完整财务 prescription：收款、记账、追踪 revenue / margin / runway、每月更新 forecast、别过早建设 finance org。

初学者如何阅读这份文档

如果你是真正初学者，不要线性阅读。按这个顺序读：

1. 如果你刚接触这一切，请从这里开始：实际行动清单。
2. 初学者 10 分钟版本：定价架构、关键 finance terms、最少指标。
3. Finance terms you must know first：读懂后文所需词汇。
4. Minimum financial metrics for AI-native companies：真实最小 dashboard。
5. Appendix A: Glossary：遇到术语时查。

之后，按你当前问题阅读：定价看 Section A；revenue recognition 和 compute COGS 看 Section B；planning 和 capital allocation 看 Section C；metrics 和 KPIs 看 Section E。

这份文档放在哪里

这份文档属于 《AI-Native Company》系列。《Agent Factory 论纲》 定义架构。《AI Worker 目录》 定义构建什么。《销售目录》 和 《营销目录》 讲公司如何销售和创造 demand。财务目录定义公司如何记账、定价、预测未来，并向资助它的人报告。

如何阅读这份文档

这是一件工具，不是故事。founder 可以用它选择 pricing architecture；finance leader 可以用它搭建 metrics system；investor 可以用它判断 AI-native economics；operator 可以用它识别 margin、runway 和 revenue-recognition 风险。

初学者 10 分钟版本

AI-native finance 与传统 SaaS finance 最大不同在于：成本会随使用量扩张。在 SaaS 中，边际使用成本通常很小，所以按 seat 收费能保持 75–85% gross margin。在 AI 中，每次 query、generation、tool call、voice minute、image 或 video 都可能产生真实 compute cost。pricing、gross margin、revenue recognition 和 forecast 都必须围绕这一点重新设计。

五种基本定价架构

1. Per-Seat Pricing。 客户按 user / seat 付费。简单、熟悉、容易采购，但 heavy users 可能压缩 margin。
2. Per-Call / Usage Pricing。 客户按 API call、token、minute、document、query 等使用量付费。与成本更对齐，但账单不稳定。
3. Per-Outcome Pricing。 客户按完成的结果付费，例如 resolved ticket、processed claim、booked meeting。最贴近 AI Worker 的价值，但需要严密 attribution。
4. Value-Based Pricing。 客户按可衡量业务收益的一定比例付费。上行最大，也最难签约和确认收入。
5. Hybrid Pricing。 subscription + usage / outcome / services 的组合。多数成熟 AI companies 最终会走向 hybrid。

最重要的三个 finance questions

1. 我们每个 customer、call 或 outcome 的 gross margin 是多少？
2. compute cost 是随规模下降，还是随使用复杂度上升？
3. revenue 是可预测 recurring，还是取决于 usage / outcomes / variable consideration？

如果这三个问题答不上来，公司的 financial architecture 还不够成熟。

你必须先了解的财务术语

ARR / MRR。 Annual / Monthly Recurring Revenue。subscription businesses 的核心 revenue metric。

Gross margin。 revenue 减去直接交付成本后剩余的百分比。AI-native companies 必须把 compute costs 明确纳入 COGS。

COGS。 Cost of Goods Sold。AI 中包括 foundation-model API cost、infrastructure、supporting compute、monitoring，以及部分用于交付服务的人工成本。

CAC payback。 获取客户成本用 gross margin 偿还所需时间。

NRR / GRR。 Net / Gross Revenue Retention。NRR 包括 expansion；GRR 不包括 expansion。

Burn multiple。 net burn 除以 net new ARR。衡量用多少现金买到增长。

Runway。 当前 cash 除以 monthly net burn，以月表示。

Variable consideration。 合同中取决于未来 usage、outcomes 或 value realization 的收入部分。ASC 606 下通常不能过早确认。

AI-native company 最少要追踪的财务指标

最小 dashboard 不需要复杂。早期每月追踪：

#	指标	公式	为什么重要	目标
1	Revenue（已确认收入）	按 GAAP 规则在期间内赚取的 revenue 总和	income statement 报告的 top line	月环比增长
2	ARR	subscription contracts 的 annualized recurring revenue	标准 SaaS scale metric	取决于阶段
3	Gross margin	(Revenue − COGS) / Revenue	unit economics 是否成立	AI-native 为 50–70%，成熟 SaaS 为 75–85%
4	Compute as % of revenue	Compute COGS / Revenue	AI 特有的成本比例	scaling stage 为 20–35%
5	Cash on hand	期末 liquid cash 总额	生存指标	至少 18 个月 runway
6	Monthly burn	operating expenses − collected revenue	现金消耗速度	取决于阶段
7	Cash runway	Cash on hand / Monthly burn	现金还能支撑多久	18+ 个月
8	NRR	(Starting ARR + Expansion − Churn − Contraction) / Starting ARR	现有客户健康度	>110% 健康，>130% 强
9	CAC payback period	CAC / (Monthly recurring revenue per customer × Gross margin)	acquisition 多久回本	<18 个月
10	Burn Multiple	Net cash burned / Net new ARR added	growth phase 的 capital efficiency	AI-native <2×，成熟 SaaS <1.5×

执行摘要

AI-native finance 的核心不是「把 SaaS spreadsheet 多加一列 compute」。它要求公司在 pricing、revenue recognition、forecasting、unit economics、capital allocation 和 investor reporting 中，把 AI Worker 的运营指标纳入财务系统。财务团队不能只看 ARR 和 burn；它还必须理解 outcome rate、quality、cost per outcome、model-cost decay、escalation rate 和 attribution accuracy。

五个财务支柱是：

1. Pricing architecture：如何收费。
2. Revenue and cost mechanics：收入如何确认，成本如何计入 COGS。
3. Planning and capital allocation：如何 forecast、投资 compute / people / GTM。
4. External reporting：如何向 board、investors、auditors 报告。
5. Metrics and KPIs：如何衡量 AI Worker、customer、company 和 capital efficiency。

本页用于什么

作为选择器。 founder 或 CFO 可以用 diagnostic 和 summary table 判断当前应采用哪种 pricing / financial architecture。

作为参考。 finance team 可以用各章节审计自己的 revenue recognition、COGS、forecast、metrics 和 board reporting。

作为 planning tool。 管理层可以用 stage recommendations 建立最小 finance stack，并随公司扩张逐步增加复杂度。

如何选择财务架构

选择 architecture 的最干净方法，是看价值计量单位与成本计量单位的关系。

公司阶段 → / Pricing complexity ↓	Pre-revenue（Seed）	Early revenue（$1M–$10M ARR）	Scaling（$10M+ ARR）
Simple（per-seat 或 single architecture）	Per-Seat（1）	Per-Seat（1）、Per-Call（2）	—
Moderate（usage-based、single architecture）	Per-Call（2）	Per-Call（2）、Per-Outcome（3）	Per-Call（2）、Per-Outcome（3）
Complex（hybrid 或 value-based）	—	Hybrid（5）	Hybrid（5）、Value-Based（4）

财务诊断：八个问题

1. 成本是否随使用量显著变化？ 是 → Usage、Outcome 或 Hybrid。否 → Per-Seat 可行。
2. 买方是否理解 usage unit？ 理解 → Usage。不了解 → Seat 或 Hybrid。
3. outcome 是否可审计归因？ 可 → Per-Outcome / Value-Based。不可 → Seat / Usage。
4. deal size 是否足够大以支撑复杂合同？ >$1M → Value-Based 可考虑。否则不要。
5. gross margin 是否低于 60%？ 是 → 需要重新定价、降 compute cost 或改架构。
6. 账单是否让客户惊讶？ 是 → 增加 included quota、caps、alerts 或 hybrid subscription。
7. revenue recognition 是否清晰？ 不清晰 → 简化 pricing，或在销售前让 auditor / finance 审查。
8. forecast 是否能解释 variance？ 不能 → 需要 cohort model、usage model 和 compute-cost model。

方法总览表

#	Approach	Maturity	最适合	主要优点	主要风险
1	Per-Seat Pricing	Proven	predictable-usage SaaS	forecast 简单	price 与 cost 脱节
2	Per-Call / Usage Pricing	Proven	developer-buyer infrastructure	price 与 cost 对齐	customer bill anxiety
3	Per-Outcome Pricing	Emerging	defined-result use cases	最大化价值捕获	outcome attribution 复杂
4	Value-Based Pricing	Emerging	strategic enterprise deals	premium pricing	需要成熟 contracting
5	Hybrid Pricing	Proven	mid-market 和 enterprise scale	平衡可预测性与价值捕获	沟通复杂
6	Revenue Recognition	Proven	任何有 revenue 的公司	audit defensibility	ASC 606 对 usage / outcome 很复杂
7	Compute COGS Accounting	Proven	任何 AI-native company	margin 清晰	misclassification risk
8	Cohort Analysis with Model-Cost Decay	Emerging	$5M+ ARR companies	unit economics 真相	需要 data discipline
9	Pilot Economics & Contract Mechanics	Proven	enterprise sales motions	pilot-to-production conversion	过早把 pilot 当 production
10	Forecasting Under Falling Compute Costs	Emerging	usage-model companies	真实 margin trajectory	对 compute decay 过度乐观
11	Capital Allocation	Proven	post-Series A companies	strategic spend discipline	compute over-investment
12	Investor & Board Reporting	Proven	post-Series A companies	stakeholder alignment	vanity metrics 替代 substance

我应该运行哪个 approach？

如果你早期且不确定，默认从 Hybrid 起步：base subscription + included usage + overage。它给客户账单可预测性，也保护公司免受 heavy-user compute risk。只有在 outcome attribution 成熟后再转 Per-Outcome；只有在 executive sponsor 和 baseline measurement 都存在时才做 Value-Based。

财务成熟度曲线

早期公司只需要 runway、burn、gross margin、compute cost。中期公司需要 cohort analysis、CAC payback、NRR、pilot conversion。成熟公司需要 revenue recognition policy、audit trail、capital efficiency、investor reporting 和 full KPI hierarchy。

成熟度图例

• Proven。 SaaS / usage-based / enterprise finance 中已成熟，可直接用于 AI with modifications。
• Emerging。 AI-native companies 2026 年正在形成的新实践。
• Speculative。 依赖尚未普遍成熟的 buyer behavior、contracting 或 accounting patterns。

---

A. 定价架构

Approach 1 — Per-Seat Pricing

Per-seat 是最熟悉的 SaaS pricing：客户按用户数付费。它适合 AI 功能作为工具或 co-pilot 使用、每个 seat 的使用量大致可预测、买方希望预算稳定的场景。

优点。 简单、易采购、ARR 可预测、revenue recognition 清晰、sales comp 容易。

风险。 heavy users 可能消耗大量 compute，导致 gross margin 被压缩。若 20% users 消耗 80% compute，seat pricing 会悄悄补贴重度用户。

运营纪律。 必须追踪 compute cost per seat、seat utilization、heavy-user distribution，并设置 fair-use limits 或 overage。

Approach 2 — Per-Call / Usage Pricing

usage pricing 按 call、token、minute、document、query、workflow run 等计费。它让 revenue 更接近成本，但客户账单更波动。

优点。 与 compute cost 对齐，heavy users 多付费，初始 adoption 摩擦低。

风险。 bill shock、revenue forecast 波动、客户不确定预算。若 usage unit 与客户感知价值不一致，会感觉像收费惩罚。

运营纪律。 必须提供 usage alerts、caps、forecasting dashboard 和 committed-use discounts。

Approach 3 — Per-Outcome Pricing

per-outcome 按完成结果收费，例如 resolved ticket、processed claim、qualified lead、approved document。它把 AI Worker 当作 work producer，而不是 software access。

优点。 与客户价值高度对齐，容易解释 ROI，natural expansion 随 volume 增长。

风险。 outcome attribution 必须可审计。cost per outcome 若高于 price，margin 会反转。客户可能争议哪些 outcomes 可计费。

运营纪律。 outcome definition、telemetry、audit trail、dispute process 和 minimum commitments 必须在合同中写清。

Approach 4 — Value-Based Pricing

value-based pricing 按客户可衡量经济收益的一定比例收费，例如 cost reduction、productivity gain、revenue lift。它是最有 upside 的架构，也是最难运行的架构。

优点。 upside 最大，与客户结果高度一致，适合 strategic transformation。

风险。 baseline measurement、value attribution、audit rights 和 revenue recognition 都复杂。procurement 通常不习惯。

运营纪律。 deployment 前必须建立 baseline；合同要定义 value-share formula、ceiling/floor、audit rights、measurement period 和 dispute process。

Approach 5 — Hybrid Pricing

hybrid 通常组合 subscription + included usage + overage，或 platform fee + per-outcome，或 services / pilot fee + production usage。它是多数 AI-native companies 的现实落点。

优点。 base subscription 提供可预测 revenue；usage / outcome 捕获 upside；included quota 降低 bill shock。

风险。 pricing page、contract、billing 和 forecast 都更复杂。若设计不清，会让 sales 和 customers 都困惑。

运营纪律。 清楚定义 included usage、overage、tier upgrades、caps、commitments 和 customer success alerts。

---

B. 收入与成本机制

Approach 6 — Revenue Recognition for AI Contracts

AI contracts 的 revenue recognition 取决于 performance obligations、usage variability、outcome verification 和 variable consideration。per-seat subscription 通常最清晰；usage-based revenue 通常随 usage 发生确认；outcome-based revenue 只有在 outcome 完成且可验证后才应确认；value-based upside 往往因 variable consideration constraint 而保守确认。

实际纪律：在 sales motion scale 前，就让 finance / auditor 审查合同模板。不要让 sales 签下 finance 无法确认收入的结构。

Approach 7 — Compute COGS Accounting

compute 是 AI-native companies 最大 variable cost。COGS 应包括 foundation-model API、embedding / vector database cost、voice / image / video generation cost、supporting infrastructure、monitoring、human review labor（若是交付必需）以及 allocated customer-success time。

最常见错误是把 compute 归入 R&D 或 hosting overhead，从而虚高 gross margin。AI-native finance 必须按 customer、product、worker type 和 pricing architecture 分配 compute cost。

Approach 8 — Cohort Analysis with Model-Cost Decay

AI model prices 通常随时间下降，prompt、caching、batching 和 model routing 也会降低 cost per outcome。因此 cohort gross margin 会随时间改善。但不能把所有 margin improvement 都归功于 model-cost decay；也可能是 mix shift、pricing power 或 workflow selection。

健康 cohort model 应拆分：

• starting gross margin
• usage growth
• model price decay
• prompt / routing efficiency
• customer mix
• support / escalation burden

---

C. Planning & capital allocation

Approach 9 — Pilot Economics & Contract Mechanics

enterprise AI deals 常从 paid pilot 开始。pilot 应该有明确 scope、success metrics、timeline、data access、security terms 和 conversion mechanics。pilot 本身通常不赚钱；它的目的，是以可控风险证明 production contract。

常见健康结构：

• 30–90 天 pilot
• $25K–$100K pilot fee
• 明确 success metrics
• out-of-scope work 单独收费
• pilot 结束后 30 天内转 production 可保留 preferred pricing
• production contract 通常为 pilot 的 3–10 倍

Approach 10 — Forecasting Under Falling Compute Costs

AI forecast 不能只预测 revenue；还要预测 compute cost curve。模型价格下降可能带来 margin tailwind，但 usage complexity、premium model adoption 和 voice/video modalities 可能抵消它。

forecast 应至少包含三种 scenario：

• base case：model cost 每年下降 30%，usage 正常增长
• upside：cost 下降更快，routing / caching 提效
• downside：premium workloads 增长，cost per outcome 持平或上升

Approach 11 — Capital Allocation

AI-native capital allocation 在 compute、engineering、GTM 和 customer success 之间做 tradeoff。compute optimization 可能比 hiring sales 更能提高 gross margin；better evaluation infrastructure 可能比更多 ads 更能降低 churn；model routing 可能释放数百万美元 runway。

CFO 不能只和 sales 看 pipeline，还必须和 engineering 看 cost per outcome、latency、quality、escalation rate 和 model provider concentration。

---

D. 外部报告

Approach 12 — Investor & Board Reporting

AI-native board reporting 应分三层：

Tier 1：标准 SaaS metrics。 ARR、MRR、NRR、GRR、gross margin、CAC payback、burn、runway、pipeline、bookings。

Tier 2：AI-specific unit economics。 compute as % of revenue、cost per call / outcome、gross margin by cohort、model-cost-decay trend、usage / outcome volume、attribution accuracy。

Tier 3：operational AI health。 outcome rate、quality, escalation rate、latency、reliability、hallucination rate、evaluation-set trend、prompt-injection resistance。

只报 Tier 1 的 AI company，会让 board 看不到业务真正驱动因素。只报 Tier 3 而缺少 financial synthesis，也无法支持 fundraising。成熟 reporting 把三层因果连起来。

---

E. 指标与 KPI 框架

前四节讲 AI-native finance 做什么：定价、记账、规划、报告。本节讲 AI-native finance 衡量什么：从 operational layer（每个 AI Worker 的 performance）到 unit-economics layer（每 customer 或 per outcome profitability），再到 company-level financial layer（gross margin、ARR、runway），最后到 investor-facing layer（Burn Multiple、capital efficiency）。

指标层级

每家 AI-native company 的财务现实，都来自四层指标。每一层喂给上一层。

Layer 1 — AI Worker operational metrics。 AI 本身的 performance：outcomes produced、accuracy、escalation rates、throughput。传统 finance 很少参与这些 engineering 和 product metrics，但对 AI-native companies 来说，它们是每个财务数字的 upstream drivers。

Layer 2 — Unit economics。 per-customer 或 per-outcome profitability：contribution margin per outcome、gross margin per call、customer LTV、CAC per cohort、LTV/CAC ratio。

Layer 3 — Company-level financial metrics。 ARR、NRR、gross margin、contribution margin、cash burn、runway。这是 income statement 和 cash-flow report 视角。

Layer 4 — Investor and capital-efficiency metrics。 Burn Multiple、Magic Number、Rule of 40、ARR per employee、capital efficiency ratios。

关键 insight：只报 Layer 4 的公司，在真正驱动业务的东西上是盲飞。诊断信息在 Layer 1 和 Layer 2；战略叙事在 Layer 3；investor pitch 在 Layer 4。

AI Worker operational KPIs

六个核心指标适用于多数 Worker 类型。

1. Outcome rate。 尝试中成功产生 outcome 的比例。

Outcome rate = Successful outcomes / Total attempts

健康范围按 Worker 类型差异很大：customer support 60–85%；sales outreach 2–15%；code generation 30–70%。baseline 是 human-only rate；AI Worker 若能以更低成本持续超过 baseline，就是成功。

2. Quality。 人类或 auditor 对 AI outcome 的质量评分。

Quality = Average rated score (1–5 or 1–10 scale) across audited outcomes

outcome rate 与 quality 的差距很重要。90% outcome rate + 60% quality score，说明产出很多技术上算 outcome 的坏结果。

3. Throughput。 单位时间产生的 outcomes。

Throughput = Outcomes / Time period
Automation leverage = AI throughput / Human throughput

结构化任务的 AI Worker 常有 5–20x automation leverage；creative 或 judgment-heavy tasks 常为 2–5x。

4. Reliability。

Reliability = (Uptime %) × (1 − Error rate) × (Behavioral consistency score)

reliability 决定 AI Worker 是否能被信任进入生产环境。

5. Cost per outcome。

Cost per outcome = (Compute cost + Infrastructure cost + Allocated overhead) / Total outcomes produced

这是 finance 最重要的 Layer 1 metric，因为它直接驱动 gross margin per outcome。

6. Cost-per-outcome trend。

Cost-per-outcome trend = (Cost per outcome this period − Cost per outcome prior period) / Cost per outcome prior period

健康 AI Worker 的 cost-per-outcome 应随模型价格下降、prompt optimization、caching 和 batching 而下降。20–40% annual decay 是一个可用 starting benchmark，但必须用自身 deployment 验证。

Per-architecture financial KPIs

Per-Seat Pricing KPIs。

• seats sold、seats churned、net seats added
• seat utilization rate（健康 60–85%；低于 50% 表示 billing-without-value 风险）
• ARPU / ARPA
• compute cost per seat
• heavy / medium / light user distribution

Seat utilization rate = Active users / Paid seats
ARPU = Total revenue / Active users
Compute cost per seat = Total compute cost / Paid seats

Per-Call / Usage Pricing KPIs。

• active customers
• calls per active customer
• revenue per call
• gross margin per call（应结构性保持 60%+）
• customer concentration
• usage growth rate
• bill-shock churn rate

Calls per active customer = Total billable calls / Active customers
Gross margin per call = (Revenue per call − Cost per call) / Revenue per call
Customer concentration (top 5) = Revenue from top 5 customers / Total revenue

Per-Outcome Pricing KPIs。

• outcomes delivered per period
• outcome attribution accuracy（目标 95%+）
• outcome dispute rate（超过 3% 说明 attribution infrastructure 有问题）
• average revenue per outcome
• cost per outcome
• contribution margin per outcome
• customer outcome consumption growth rate

Contribution margin per outcome = (Revenue per outcome − Variable costs per outcome) / Revenue per outcome
Outcome attribution accuracy = Outcomes with audit-grade telemetry / Total outcomes billed

Value-Based Pricing KPIs。

• baseline measurement period results
• measured value vs. baseline
• value-share capture rate（常见 5–25%）
• audit completion rate
• variable consideration recognition rate
• customer renewal rate at contract end

Hybrid Pricing KPIs。

• subscription-vs-usage revenue split
• overage rate（健康 30–60%）
• average overage revenue per overage customer
• conversion to higher tier
• bill predictability score

各阶段指标优先级

Pre-revenue（Seed）。 top 3：cash runway、monthly burn、lead indicators（waitlist signups、design-partner conversations、beta users）。ARR、NRR、gross margin、CAC 暂时没有意义。

Early revenue（$1M–$5M ARR）。 top 5：ARR、gross margin（明确 compute-cost line）、cash runway、NRR（gross + net）、CAC payback。先 tracking，不急于 optimize。

Mid stage（$5M–$25M ARR）。 加入 Burn Multiple、contribution margin、pilot-to-production conversion、compute as % of revenue、cohort analysis、customer concentration。

Scaling（$25M+ ARR）。 Approach 12 中 Tier 1、Tier 2、Tier 3 全部重要。关键问题变成 reporting cadence：哪些 weekly、monthly、quarterly、annually review。

AI-specific operational efficiency KPIs

• Cost per token（input vs. output）：foundation-model API unit cost。
• Inference cost per query：

Inference cost per query = (Foundation-model API cost + Supporting compute cost) / Total queries served

• Cache hit rate：30% cache hit 有意义；60%+ 会改变 unit economics。
• Batch processing efficiency：batch workloads 的 cost per outcome 通常比 real-time 低 50–80%。
• Model utilization rate：self-hosted GPU utilization。低于 40% 表示 over-provisioned；持续 80%+ 需要 capacity planning。
• Prompt token efficiency：每个 input token 产生的 output value。
• Time-to-first-token / time-to-completion：影响 customer experience，也决定某些 workflows 能否替代人类。

Capital efficiency metrics beyond Burn Multiple

ARR per employee。

ARR per employee = Total ARR / Total FTEs

成熟 SaaS 目标 $200K–$400K per employee；$5M–$25M ARR 的 AI-native companies 常为 $150K–$300K。

Gross profit per employee。

Gross profit per employee = (Total ARR × Gross margin) / Total FTEs

R&D as percentage of revenue。 AI-native growth phases 常为 35–55%，高于 SaaS norms。

S&M as percentage of new ARR。 sales 和 marketing spend 除以 net new ARR，用于衡量 GTM efficiency。

Capital efficiency ratio。 current ARR / total capital raised。

Rule of 40。 annual revenue growth rate 加 EBITDA margin，是成熟 SaaS efficiency benchmark。成熟公司应超过 40%。AI-native growth phase 往往低于这个门槛，因为高增长被深度 operating losses 抵消；scale 后会逐步靠近 Rule of 40。

Rule of 40 = Annual revenue growth % + EBITDA margin %

Rule of 50/60 for fast-growing AI-native companies。 部分 AI-native investors 会对 hypergrowth companies 使用 Rule of 50 或 Rule of 60，尤其当 company growth rate 很高、gross margin 正在改善、并且 Burn Multiple 受控时。不要把它当作借口忽略 cash discipline；它只适用于真正高增长且 unit economics 正在改善的公司。

Magic Number。 net new ARR 除以前一 period sales and marketing spend，衡量 GTM spend 产生 ARR 的效率。

Burn Multiple。 net cash burned 除以 net new ARR added。AI-native companies early scale 阶段 <2.0× 通常健康，<1.0× 很强。

Capital efficiency ratio。 current ARR 除以 total capital raised。它粗略说明公司把外部资本转化为 recurring revenue 的能力。

Capital efficiency ratio = Current ARR / Total capital raised

示例：$10M ARR 的 AgentCo

AgentCo 是一家 $10M ARR、hybrid pricing 的 AI-native company，销售 customer-support AI Workers，客户按 base subscription + per-ticket overage 付费。公司有 50 名员工，已累计融资 $30M，当前 cash on hand 为 $25M。

Income statement snapshot。

Line item	Amount	% of revenue
Bookings（signed contracts）	$14M	140%
Revenue（recognized GAAP）	$10M	100%
COGS
Compute（foundation-model API）	$2.5M	25%
Hosting & infrastructure	$400K	4%
Customer-success allocation（variable）	$600K	6%
Total COGS	$3.5M	35%
Gross profit	$6.5M	65%
Operating expenses
R&D（20 engineers）	$4M	40%
Sales & Marketing	$3.5M	35%
G&A	$2M	20%
Total OpEx	$9.5M	95%
Operating loss	($3M)	(30%)
Cash burn（after working-capital benefit）	($2.5M)	(25%)
Cash on hand	$25M	—
Runway	current burn 下 10 年	—

Layer 1：AI Worker operational metrics。

Metric	Value	Healthy?
Outcome rate（tickets resolved without escalation）	78%	Yes（60–85% range）
Quality（CSAT post-resolution）	4.4 / 5	Yes
Throughput（resolutions per hour）	120	Yes（vs. human 8/hr = 15x leverage）
Reliability（uptime × consistency）	99.5% × 96% = 95.5%	Yes
Cost per outcome	$0.42	Yes（$0.20–0.80 range）
Cost-per-outcome trend（YoY）	−28%	Yes（within 20–40% target）

Layer 2：unit economics。

Metric	Value	Healthy?
ACV（Average Contract Value）	$100K	—
CAC	$50K	—
LTV（5-year, with 130% NRR）	$500K	—
LTV/CAC ratio	10x	Excellent（target > 3x）
CAC payback period	14 months	Healthy（target < 18 months）
Contribution margin per ticket resolved	16%（revenue $0.50, cost $0.42）	偏紧；compute optimization 还有空间
Contribution margin per customer（full bundle）	71%	Healthy

Layer 3：company-level financial metrics。

Metric	Value	Healthy?
ARR	$10M	—
Bookings	$14M	—（比 ARR 高 40%；healthy growth signal）
NRR	128%	Strong（target > 110%）
GRR	92%	Healthy（target > 90%）
Gross margin	65%	Healthy AI-native（target 60–70%）
Compute as % of revenue	25%	Healthy（此阶段 target < 30%）
Cash runway	current burn 下 120 months	—（Series B 后会重置）
Pilot-to-production conversion	N/A	PLG-led，不是 enterprise pilots
Cohort gross margin trend	+3 pts/quarter	Strong（model-cost decay 贡献 2 points；usage expansion 贡献 1 point）
Compute concentration	75% with one provider	Risk；需要 multi-provider strategy

Layer 4：investor and capital efficiency metrics。

Metric	Value	Healthy?
Burn Multiple（$2.5M burn / $3.5M new ARR）	0.7x	Excellent（AI-native target < 2.0x）
Magic Number（$3.5M new ARR / $3.5M S&M last year）	1.0	Healthy
ARR per employee（$10M / 50）	$200K	这个规模的 AI-native company 可接受
Gross profit per employee	$130K	可接受
R&D as % of revenue	40%	高，但适合此阶段
S&M as % of new ARR	100%	Healthy
G&A as % of revenue	20%	偏高；检查是否过早 build out G&A
Rule of 40（40% growth + (-30%) EBITDA）	10%	低于 target；growth 和 margin 都要改善
Capital efficiency ratio（$10M ARR / $30M raised）	0.33x	低于 target（1.5x）；early-stage 常见

这个 dashboard 告诉团队什么。 AgentCo operationally healthy：AI Worker 在可靠地产生 outcomes，cost-per-outcome trend 正在下降，customer-level economics 很强。company-level picture 也健康，但还有两个 watch areas：contribution margin per ticket resolved 只有 16%，说明 per-ticket pricing 偏紧；G&A at 20% 可能过早。下一季度的 focus 应是降低 cost per ticket（routing、caching、model mix），并确认 G&A spend 是否真的支持下一阶段增长。

---

F. AI Worker 参考与基准

Per-worker-type KPI cards

1. Customer Support AI Worker

关键 metrics：resolved tickets、deflection rate、CSAT、escalation rate、cost per resolved ticket、hallucination / wrong-answer rate。健康 cost range 常为 $0.20–$0.80 per resolved ticket。

2. Sales Outreach AI Worker（SDR）

关键 metrics：messages sent、reply rate、meeting-booked rate、qualified meeting rate、cost per meeting、domain deliverability、unsubscribe / complaint rate。outcome rate 通常较低，因为买方 response 是 bottleneck。

3. Code Generation AI Worker

关键 metrics：accepted suggestions、PRs generated、human review time saved、test pass rate、security findings、rework rate、cost per accepted code suggestion。

4. Document Analysis AI Worker

关键 metrics：documents processed、field extraction accuracy、audit pass rate、manual review rate、cost per document、latency。

5. Voice Agent

关键 metrics：minutes handled、containment rate、handoff rate、ASR accuracy、TTS quality、cost per minute、latency、customer satisfaction。

6. Search & Retrieval AI Worker

关键 metrics：query volume、answer accuracy、citation accuracy、retrieval precision / recall、cost per query、p95 latency。

7. Claims Processing AI Worker

关键 metrics：claims processed、straight-through-processing rate、fraud flags、human review rate、cycle-time reduction、cost per claim。

8. Meeting Summarization AI Worker

关键 metrics：meetings summarized、decision capture accuracy、action-item accuracy、user correction rate、cost per meeting。

9. Marketing Content AI Worker

关键 metrics：drafts produced、human edit time、publish rate、traffic / conversion impact、brand-voice compliance、cost per publishable asset。

10. Legal Research AI Worker

关键 metrics：research memos produced、citation accuracy、human counsel review time、privilege / confidentiality compliance、cost per memo。

11. Recruiting AI Worker

关键 metrics：candidates sourced、screening accuracy、bias audit results、interview conversion, cost per qualified candidate。

12. Financial Analysis AI Worker

关键 metrics：reports produced、variance detection accuracy、forecast support accuracy、human analyst review time、cost per report。

综合基准表

benchmarks 必须按 worker type、customer segment 和 maturity 分开看。不要把 customer support deflection rate 与 code generation acceptance rate 混为一谈。健康范围应作为 investigation triggers，而不是绝对真理。

Metric	Layer	Pre-revenue（Seed）	Early（$1–5M ARR）	Mid（$5–25M ARR）	Scaling（$25M+ ARR）
ARR	3	<$1M	$1–5M	$5–25M	$25M+
ARR growth（YoY）	3	NM	200%+	100–200%	50–120%
Gross margin	3	NM	50–70%	60–75%	65–78%
Compute as % of revenue	3	NM	25–50%	20–35%	15–30%
NRR	3	NM	105–125%	115–135%	120–140%
GRR	3	NM	85–95%	90–95%	92–96%
CAC payback period	2	NM	<24 months	<18 months	<14 months
LTV/CAC	2	NM	3–8×	5–12×	5–15×
Burn Multiple	4	NM	<2.5×	<2.0×	<1.5×
Magic Number	4	NM	0.5–1.0	0.8–1.5	0.7–1.2
ARR per employee	4	NM	$100–200K	$150–300K	$200–400K
R&D as % of revenue	4	NM	50–70%	35–55%	25–40%
S&M as % of new ARR	4	NM	100–150%	80–120%	70–100%
G&A as % of revenue	4	NM	15–25%	10–18%	8–14%
Rule of 40	4	NM	aspirational	20–30%	30%+
Capital efficiency ratio	4	NM	0.2–0.5×	0.5–1.2×	1.0–2.0×
Cash runway	3	18–24 months	18–24 months	18–24 months	18–24 months
Compute concentration（top provider）	3	NM	<90%	<80%	<70%
Pilot-to-production conversion	3	NM	40–60%	55–70%	65–80%
Cohort gross margin trend（YoY）	3	NM	flat to +5 pts	+3 to +8 pts	+3 to +6 pts
Bookings/recognized revenue ratio	3	NM	1.0–1.5×	1.0–1.4×	1.0–1.3×
Outcome attribution accuracy（if outcome-priced）	1	NM	>90%	>95%	>97%
AI Worker cost-per-outcome decay（YoY）	1	NM	20–40%	20–40%	15–35%

诊断 playbooks

若 gross margin 下降，先问：

1. cost per outcome 是否上升？
2. outcome rate 是否下降？
3. escalation rate 是否上升？
4. premium model mix 是否变化？
5. cache / batching 是否失效？
6. customer mix 是否转向更重 workload？

若 NRR 下降，先问：

1. customer outcome consumption 是否下降？
2. quality score 是否下降？
3. bill shock 是否导致 churn？
4. customer success 是否及时介入 usage anomalies？

Cohort dashboard 模板

Cohort dashboard 的目标，是把 retention、expansion、gross margin 和 model-cost decay 放在同一个视图里。只看 ARR retention 会掩盖一个常见问题：customer retained 了，但因为 usage mix 变重或 premium model mix 上升，margin 变坏了。

Logo retention by acquisition cohort。

Cohort（acquisition Q）	Customers acquired	Q+0	Q+1	Q+2	Q+3	Q+4	Q+5	Q+6	Q+7	Q+8
Q1 2024	25	100%	96%	92%	88%	88%	88%	88%	84%	84%
Q2 2024	30	100%	97%	93%	90%	90%	90%	87%	87%	—
Q3 2024	32	100%	97%	91%	91%	88%	88%	88%	—	—
Q4 2024	35	100%	94%	91%	91%	89%	86%	—	—	—

ARR retention by cohort。

Cohort	Q+0	Q+4（1 year）	Q+8（2 years）	NRR Q+8
Q1 2024	$100K	$115K	$128K	128%
Q2 2024	$125K	$138K	$145K	116%
Q3 2024	$135K	$150K	—	—
Q4 2024	$145K	$158K	—	—

Gross margin by cohort with model-cost-decay decomposition。

Cohort	Gross margin Q+0	Gross margin today	Total improvement	Behavior contribution	Model-cost-decay contribution
Q1 2024	55%	72%	+17 pts	+6 pts（usage growth, product expansion）	+11 pts（foundation-model price decay）
Q2 2024	58%	72%	+14 pts	+5 pts	+9 pts
Q3 2024	60%	71%	+11 pts	+4 pts	+7 pts
Q4 2024	62%	71%	+9 pts	+3 pts	+6 pts

这个 template 的 value 不在于漂亮的 table，而在于 decomposition。Q1 2024 cohort 的 gross margin 从 55% 升到 72%。naive interpretation 是 customers 变得更 profitable；分解后可以看到 behavior 只改善 6 points，更大的 driver 是 compute price decay 带来的 structural margin tailwind（11 points）。如果把它误读成 pricing power，strategy 会完全不同。

各阶段 investor diligence 清单

不同融资阶段有不同的 metric expectations。下面列的是 investors 实际会要的材料；提前准备能显著缩短 diligence timeline。

Series A diligence（typical raise：$5–25M）。

Investors expect：

• 最近 12 个月的 monthly revenue（MRR / ARR），并拆分 subscription / usage / outcome
• customer count by month，包含 new / churned / active flow
• 最近 4–8 个 cohorts 的 cohort retention chart（logo and revenue）
• cohort gross margin，并明确 compute breakdown
• top 10 customers，含 ACV、contract length、renewal status
• CAC by acquisition channel、blended CAC、CAC payback period
• 最近 12 个月 monthly burn rate trajectory
• founding 至今 capital efficiency（total raised vs. current ARR）
• forward 18-month forecast，并列出 explicit assumptions（revenue model、growth rate、hiring plan）
• compute cost as % of revenue，并拆分 provider
• founder team 和 current org chart

2026 年 Series A bar 大致是：$1–3M ARR、200%+ growth、dominant cohort unit economics 健康、gross margin 高于 50%、early NRR 高于 110%。

Series B diligence（typical raise：$25–75M）。

Series A diligence 之外，还要：

• full cohort gross margin trends，并包含 model-cost-decay decomposition
• pilot-to-production conversion rates（如果是 enterprise sales motion）
• per-segment unit economics（SMB / mid-market / enterprise）
• compute concentration analysis 和 multi-provider strategy
• revenue recognition policy，以及 auditor sign-off documentation
• usage and outcome contracts 的 ASC 606 audit trail
• capital allocation framework（compute / people / customer acquisition）
• engineering output metrics（features shipped、AI Worker capability improvements）
• Burn Multiple、Magic Number、Rule of 40 trajectory
• forward 24-month forecast，并对 compute price decay 做 sensitivity analysis
• detailed customer reference checks（investors 会打给 top customers）
• outcome attribution accuracy（if outcome-priced）

2026 年 Series B bar 大致是：$5–15M ARR、100%+ growth、Burn Multiple under 2x、NRR above 120%、gross margin above 60%、并证明 cohorts 能撑过 second renewal。

M&A diligence（strategic acquisition or PE）。

Series B diligence 之外，还要：

• 最近 2–3 年 audited financials
• quality of earnings deep-dive（通常由 Big Four accounting firm 执行）
• forecast accuracy track record（最近 8 个 quarters forecast vs. actuals）
• detailed contract review（customer contracts、vendor contracts、employment agreements）
• technology and IP assessment（model ownership、foundation-model dependencies、training data provenance）
• compliance and regulatory review（data privacy、sector-specific regulations）
• customer concentration risk，并附 detailed contractual terms
• compute concentration risk，并附 foundation-model provider contracts
• outcome attribution audit（sample-based verification of attribution accuracy）
• tax structure review（transfer pricing、deferred revenue treatment、R&D credits）
• working capital analysis（DSO、prepaid compute、deferred revenue waterfall）

M&A bar 取决于 acquirer thesis。strategic acquirers 最关心 technology 和 customer fit；PE acquirers 最关心 cash flow 和 predictability；financial sponsors 最关心 exit pathways。

成熟 finance function 会维护 running data rooms，每季度更新，确保「30 天内 ready」是真实状态，而不是愿望。

Compute economics 深入分析

compute 是多数 AI-native companies 最大 variable cost。必须按 per-unit、per-modality、per-provider 理解，而不只是看 gross-margin percentage。

Modality	典型 cost range	cost driver
Text generation（LLM API）	$0.50–15 / 1M input tokens；$1.50–75 / 1M output tokens	model size 和 quality tier
Voice synthesis（TTS）	$0.05–0.30 / generated speech minute	voice quality 和 naturalness
Voice recognition（ASR/STT）	$0.02–0.20 / transcribed minute	real-time vs. batch、language、accuracy tier
Image generation	$0.005–0.10 / image	resolution、model quality
Video generation	$0.10–2.00 / generated second	resolution、length、model quality
Embeddings	$0.02–0.30 / 1M tokens	embedding dimensionality 和 quality
Fine-tuning	$50–500 / 1M training tokens + host compute	model size、training method

Provider categories。 foundation-model API providers（Anthropic、OpenAI、Google、Mistral、Cohere 等）最容易但 margin control 最少；hyperscaler offerings（AWS Bedrock、Azure OpenAI、GCP Vertex AI）带来 procurement / compliance 优势；self-hosted / open-weight models（Llama、Mistral、Qwen、DeepSeek 等）在高 utilization 下成本最低，但需要工程能力和 capacity planning。

Build-vs-buy math。

API cost per inference = $X (variable, scales linearly)
Self-host cost per inference = (GPU hourly cost / inferences per hour at target latency) + amortized engineering cost

多数 AI-native companies 从 APIs 开始，在 $5–15M ARR 时评估 self-hosting，在 $25M ARR 后采用 hybrid strategies：最高 volume workloads self-host，其余使用 API。

Operational health metrics for AI Workers

除了 Section E 的六个核心 operational KPIs，成熟的 AI Worker monitoring 还需要更深一层 health metrics。它们判断 AI Worker 是否 operationally trustworthy，而不只是 productive。

Drift detection rate。 输入中落在 AI Worker 设计分布之外的比例。drift 正常存在：customer behavior 会变，edge cases 会出现。但 drift 上升是 accuracy degradation 的 leading indicator。健康状态：5–15% inputs 检测到 drift，并对这些 inputs 做 explicit handling（escalation、low-confidence flag）。风险状态：drift below 1%（可能 drift detection 没工作）或 above 30%（Worker 已经远离 design envelope）。

Hallucination rate by domain。 AI Worker outputs 中 fabricated facts 的频率，并按 topic domain segment。general assistant overall hallucination rate 可能只有 2%，但 legal questions 为 8%，medical questions 为 15%。按 domain 追踪能看出哪些 use cases 不安全；aggregate-only tracking 会掩盖真实风险。

Latency distribution（p50、p95、p99）。 mean latency 会隐藏 worst-served users 的体验。p50 为 1 秒但 p99 为 30 秒，意味着 1% users 要等 30 秒，通常已经不可接受。健康状态：p99 不应超过 p50 的 3–5×；更高通常说明 capacity misprovisioned 或 queueing broken。

Prompt-injection resistance。 adversarial inputs 试图让 AI 打破 rules 时，AI Worker 正确拒绝或 containment 的比例。任何处理 untrusted user input 的 AI Worker 都必须追踪。健康状态：standard adversarial-input test sets 上 above 95%，并随 attack patterns 演化定期重新评估。

Refusal rate appropriateness。 AI Worker 正确说「我不知道」或「我不能帮助这个请求」的频率，同时区分 over-refusal（拒绝本应回答的问题）和 under-refusal（尝试本应拒绝的问题）。健康范围取决于 use case，但 calibration 必须持续 monitoring。

Evaluation-set performance trend。 在 curated evaluation set 上随时间 tracking performance。models 会变（foundation-model upgrades、prompt iterations、new training data），evaluation set 是 constant ruler。trend 下降就是 regression signal；要在 regression 进入 customer-facing metrics 之前调查。

这些 six metrics 应与 Section E 的 six core KPIs 一起进入 AI Worker monitoring stack。它们给 finance、product 和 engineering 一个共同 operational health view，并提前预警如果 operational health 恶化，后续会出现什么 financial impact。

其他 dashboard 示例

Worked example: SeedAI at pre-revenue（Seed stage）

Profile。 pre-revenue AI agent company，距离 public launch 4 个月。8 employees。6 个月前融资 $3M Seed。5 个 design partners 正在 beta 使用，没有 commercial contracts。pricing model 仍在开发，预计用 Per-Call。

Layer 1 metrics。

Metric	Value	Notes
Outcome rate（in beta）	65%	正在上升；3 个月前为 45%
Quality score	3.8/5	随 prompt iteration 改善
Cost per outcome（in beta）	$0.85	偏高；model usage 成熟后会下降

Layer 2 metrics。 还没有 commercial relationships，因此暂时没有意义。

Layer 3 metrics。

Metric	Value	Notes
Monthly burn	$200K	包含 8 employees + compute + infrastructure
Cash on hand	$1.8M	6 个月已经 deployed $1.2M 后的余额
Cash runway	9 months	偏紧；6 个月内需要 raise 或 hit revenue
Compute spend	$15K/month	5 个 design partners 的 beta usage

Layer 4 metrics。 pre-revenue 阶段还没有意义。

这个 dashboard 告诉团队什么。 SeedAI 是 pre-revenue company，cash runway 只有 9 个月；唯一重要的 metrics 是 runway、burn 和 lead indicators（beta engagement、quality trending up、cost-per-outcome trending down）。quality score 从低 3 分升到高 3 分，是最清晰的 health signal。如果 public launch 前 quality plateau，launch 会失败。团队应该只关注把 outcome rate 和 quality 提升到 ship-ready level；这个阶段做复杂 KPI dashboard 是浪费。

Worked example: ScaleAI at $50M ARR Series B（value-based pricing component）

Profile。 enterprise AI company，主要是 ABM 和 field-sales motion。$50M ARR。180 employees。12 个月前完成 Series B（raised $75M）。pricing 是 hybrid，其中 strategic enterprise customers 有 substantial value-based engagements：5 个 value-based customers 贡献 $50M ARR 中的 $18M，其余 $32M 来自 Per-Outcome 和 Hybrid contracts。

Layer 1 metrics。

Metric	Value	Healthy?
Outcome rate（across all customers）	81%	Yes
Outcome attribution accuracy	96%	Yes（target above 95%）
Cost per outcome	$0.31	Yes；YoY 下降 30%

Layer 2 metrics。

Metric	Value	Healthy?
ACV（subscription customers）	$250K	—
ACV（value-based customers）	$3.6M	Premium pricing
LTV/CAC（subscription）	7×	Healthy
LTV/CAC（value-based）	12×	Strong
CAC payback（blended）	16 months	Healthy

Layer 3 metrics。

Metric	Value	Healthy?
ARR	$50M	—
Bookings	$68M	比 ARR 高 36%（value-based contract growth）
NRR	135%	Strong
Gross margin	70%	Strong
Compute as % of revenue	22%	Healthy
Pilot-to-production conversion	71%	Strong
Variable consideration recognition rate	60%	mid-range；track record 成熟后应上升

Layer 4 metrics。

Metric	Value	Healthy?
Burn Multiple	1.2×	Strong
ARR per employee	$278K	这个规模的 AI-native company 很强
Rule of 40	45%（60% growth + (-15%) EBITDA）	Strong
Capital efficiency ratio	0.50×（$50M ARR / $100M raised）	Improving

这个 dashboard 告诉团队什么。 ScaleAI 是健康的 Series B AI-native company，unit economics 很强，hybrid pricing strategy 正在工作。value-based contracts 正在完成它们的任务：用 premium pricing 在 strategic accounts 集中 revenue。需要重点 watch 的是 60% variable-consideration-recognition rate；随着 value-based contracts aging，并且 audit-defensible value calculation 成熟，这个数字应上升到 75–85%，从已签 contracts 中释放额外 $5–10M GAAP revenue。

Worked example: ScaleCo at $150M ARR Series C+（mature scaling）

Profile。 late-stage AI-native company，主要使用 Per-Outcome pricing。$150M ARR。450 employees。18 个月前完成 Series C（raised $150M）。800 customers，覆盖 mid-market 和 enterprise。未来 12–18 个月准备 Series D 或 strategic alternatives。

Layer 1 metrics。 aggregated；full per-AI-Worker reporting 内部可用。

Metric	Value	Healthy?
Outcome rate（across all AI Workers）	84%	Strong
Cost per outcome trend（YoY）	-22%	Healthy
Outcome attribution accuracy	98%	Excellent

Layer 2 metrics。

Metric	Value	Healthy?
ACV（blended）	$190K	—
LTV/CAC	9×	Strong
CAC payback	13 months	Strong
Contribution margin per outcome	74%	Strong

Layer 3 metrics。

Metric	Value	Healthy?
ARR	$150M	—
Bookings	$185M	比 ARR 高 23%
NRR	138%	Excellent
GRR	94%	Strong
Gross margin	75%	Strong（AI-native range 顶端）
Compute as % of revenue	18%	Excellent（两年前为 28%）
Cohort gross margin trend	+4 pts/year	Strong（model-cost decay 正在放缓）

Layer 4 metrics。

Metric	Value	Healthy?
Burn Multiple	0.4×	Excellent
ARR per employee	$333K	Strong
R&D as % of revenue	28%	接近 mature SaaS
S&M as % of new ARR	78%	Strong
Rule of 40	50%（40% growth + 10% EBITDA）	Strong
Capital efficiency ratio	0.94×（$150M ARR / $160M raised）	Strong

这个 dashboard 告诉团队什么。 ScaleCo 正接近 IPO-readiness metrics。Rule of 40 above 40%、Burn Multiple under 0.5×、gross margin at 75%，都处于 public AI-native investors 希望看到的 range。仍需关注三件事：第一，cohort gross margin trend 从两年前 +6 pts/year 放缓到现在 +4 pts/year，说明 model-cost decay 正常化，团队应依靠 product-side levers（efficiency engineering、pricing power）继续改善 margin；第二，R&D at 28% 未来可能继续压缩，团队应规划哪些 capabilities 自建、哪些通过 partnerships 获得；第三，公司已有支持 premium Series D 或 strategic alternatives 的 metrics，strategic question 是哪条路径给 stakeholders 带来最佳 risk-adjusted outcome。

这三个 dashboards 展示了不同阶段 metric priorities 如何变化。SeedAI 关心 runway 和 quality。ScaleAI 关心 cohort behavior、value-based contract maturation 和 Burn Multiple discipline。ScaleCo 关心 Rule of 40、capital efficiency 和 IPO-readiness benchmarks。同一套 framework 适用于三者；真正重要的 metrics 会随阶段变化。

---

横向概念

Bill shock。 usage 或 outcome pricing 中客户账单突然上升。需要 alerts、caps、commitments 和 customer success intervention。

Revenue predictability vs. value alignment。 seat pricing 最可预测，但不总与价值对齐；outcome / value-based 最对齐，但预测和 accounting 最难。

Human review as COGS。 如果人类 review 是交付 outcome 的必要组成部分，它就应计入 COGS，而不是 hiding in support。

Compute concentration risk。 依赖单一 model provider 会带来 pricing、availability、policy 和 negotiation risk。成熟公司应有 multi-provider strategy。

AI 改变每个 finance discipline 的地方

pricing 从 access 转向 work。 AI Workers 不是传统 software seats；它们完成工作。因此 pricing 会从 seats 走向 usage、outcomes 和 value。

COGS 从 hosting 变成核心战略变量。 compute 不再是小额基础设施成本，而是决定 gross margin 的中心变量。

finance 必须理解 product telemetry。 outcome rate、quality、escalation 和 latency 会提前数月预示财务结果。

forecast 必须包含 technology cost curve。 model price decay、routing、batching 和 caching 会改变 margin。

investor reporting 必须解释 AI-specific economics。 只报 SaaS metrics 已不足以解释 AI-native business。

常见 hybrid models

• base subscription + included usage + overage
• platform fee + per-outcome charge
• paid pilot + production usage contract
• seat pricing for co-pilot tier + outcome pricing for autonomous tier
• enterprise commitment + value-based upside

hybrid 是默认成熟形态，因为它平衡 customer budget predictability 与 vendor upside。

常见财务失败模式

Seat pricing 忽略 heavy-user compute。 修复：追踪 compute cost per seat，并加入 fair-use / overage。

Usage pricing 导致 bill shock。 修复：提供 alerts、caps、commitments 和 customer success。

Outcome pricing 没有 attribution。 修复：先建 audit-grade telemetry，再改变 pricing。

Value-based contract 没有 baseline。 修复：deployment 前建立 measurement period。

把 compute 放进 R&D 而不是 COGS。 修复：按交付相关性归集成本。

Pilot 变成永久试用。 修复：合同中写明 conversion deadline 和 preferred pricing expiry。

过度依赖 model-cost decay。 修复：forecast downside case，并建设 product-side efficiency levers。

AI-native finance anti-patterns

• SaaS spreadsheet cosplay：拿传统 SaaS template 直接套 AI business。
• Gross margin theater：不把 compute 和 human review 算进 COGS。
• Outcome-pricing bravado：还没有 attribution 就宣布按 outcome 收费。
• Overbuilt finance too early：pre-revenue 公司做 Series B dashboard。
• Underbuilt finance too late：$10M ARR 后仍没有 revenue recognition policy 和 cohort reporting。

最小可行 finance stack 与阶段建议

Stage	必做	暂时避免
Pre-revenue	bookkeeping、runway、burn、beta quality metrics	CFO、FP&A suite、复杂 cohort dashboards
Early revenue	ARR、gross margin、compute cost、NRR、CAC payback	heavy audit、overbuilt board reporting
$5M–$25M ARR	cohort margins、pilot conversion、Burn Multiple、compute forecast	模糊 COGS、single-provider risk
$25M+ ARR	full KPI hierarchy、revenue policy、audit trail、investor reporting	只报 SaaS metrics

如何使用本目录

第一，先命名你的 pricing architecture。 seat、usage、outcome、value-based、hybrid 中，你今天真实运行哪个？如果是 hybrid，写清每个 component。

第二，把 compute 放进核心 finance。 每月看 compute as % revenue、cost per outcome、provider mix、model-cost trend。

第三，按阶段建设 finance function。 不要早期过度建设，也不要在收入已经复杂后还没有 policies、controls 和 dashboards。

初学者常见问题

AI company 一开始应该用什么 pricing？ 多数情况下用 hybrid：base subscription + included usage + overage。它比纯 usage 更可预测，比纯 seat 更能防 heavy-user cost。

gross margin 多少算健康？ 早期 50–60% 可接受但要改善；scale 后目标 65–80%。低于 50% 要立刻调查。

什么时候雇 CFO？ 通常不要在早期雇。先用 fractional finance / accounting support。真正 CFO 多数在 $10M+ ARR、融资复杂或 reporting 复杂时才需要。

compute 应算 COGS 吗？ 如果 compute 是交付产品必需成本，就应算 COGS。

outcome pricing 什么时候可行？ 当 outcome definition、attribution telemetry、dispute process 和 unit economics 都清楚时。

附录 A：术语表

ARR / MRR。 annual / monthly recurring revenue。

ASC 606。 美国 revenue recognition standard，决定何时确认合同收入。

Bill shock。 客户因 usage 超预期而收到意外高账单。

Burn Multiple。 net burn / net new ARR。

CAC Payback。 CAC 由 gross margin 偿还所需时间。

COGS。 交付产品的直接成本，包括 AI compute。

Contribution margin。 revenue 减去 variable costs 后的 margin。

Compute COGS。 foundation-model APIs、GPU、vector database、supporting infrastructure 等 AI-specific delivery costs。

Gross margin。 (Revenue − COGS) / Revenue。

Hybrid pricing。 subscription、usage、outcome、services 等 components 的组合。

Model-cost decay。 foundation-model cost 随时间下降的趋势。

NRR / GRR。 net / gross revenue retention。

Outcome attribution。 证明某个 billable outcome 由 AI Worker 产生的 telemetry 和 audit process。

Per-call pricing。 按 API call、query、token、minute 等 usage unit 收费。

Per-outcome pricing。 按完成结果收费。

Runway。 cash / monthly burn。

Usage-based pricing。 按实际 consumption 收费。

Value-based pricing。 按客户可衡量经济收益的一定比例收费。

Variable consideration。 取决于未来 usage、outcomes 或 performance 的合同收入部分。

注释

本文综合了 SaaS finance、usage-based pricing、ASC 606 revenue recognition、AI infrastructure economics、venture board reporting 和 AI-native operator practice。具体 accounting treatment 应由公司 auditor、controller 或合格 finance advisor 根据合同和 jurisdiction 确认；本文提供 operating framework，不替代会计意见。