实现成本、运营成本、模型成本与数据依赖
产品方案可行,不等于方案能够长期运行。成本分析要回答三个问题:建设需要付出什么,运行一个单位任务需要付出什么,规模或故障变化时成本会怎样变化。数据依赖分析则回答:方案所需数据是否有权获得、能否持续保持可用,以及能否纠错和退出。
一、分析对象是完整任务,不是开发报价
只估算开发工时,会漏掉上线后的监控、支持、审核、数据更新、供应商费用和退役工作。应先固定一个可验收任务,再划定从输入到结果的责任范围。
例如“自动分类工单”的边界可以是:
- 接收工单正文和附件元数据;
- 判断类别与优先级;
- 低置信度时进入人工队列;
- 写入分类结果和证据版本;
- 允许纠错、重放和删除;
- 监控延迟、错误和单位成本。
如果分析只覆盖第 2 步,得到的只是模型调用价格,不是产品任务成本。
二、五类成本
1. 一次性实现成本
包括需求澄清、交互与架构设计、开发、数据清理、评测集建设、安全评审、迁移、培训和首次发布。它们通常不随每次调用增加,但可能在大版本迁移时再次发生。
2. 固定运营成本
包括最低基础设施、监控平台、值班、供应商最低承诺、合规复审、文档维护和固定支持能力。即使当月请求量为零,也可能发生。
3. 变量成本
变量成本随业务单位增长。计费单位可能是请求、Token、存储量、带宽、任务、交易、人工分钟或活跃账号。必须先统一业务单位,才能比较方案。
月总成本 = 一次性成本摊销
+ 固定运营成本
+ 成功任务数 × 单位正常成本
+ 重试任务数 × 单位重试成本
+ 人工复核数 × 单位人工成本
+ 故障与补偿成本4. 失败风险成本
失败不仅产生一次重试。它还可能带来重复写入、错误通知、人工排查、服务补偿、数据修复和信任损失。风险成本可写为场景估算:
预期风险成本 = 事件发生概率 × 单次事件影响概率和影响不确定时应给低、中、高区间,不制造精确结论。
5. 退出与退役成本
包括数据导出、依赖方迁移、双轨运行、合同退出、历史记录保留、旧资源删除和用户通知。退出路径不存在时,低价方案也可能形成高锁定成本。
三、观察事实、推断与假设必须分开
产品拆解通常看不到内部架构。可以确认的是公开价格、接口合同、可观察行为、响应时间和错误结果;不能从界面直接断言数据库、队列或模型实现。
| 证据类型 | 可写内容 | 不应写成事实的内容 |
|---|---|---|
| 官方文档 | 计费单位、限制、数据处理声明 | 未公开的内部成本 |
| 账单与日志 | 本账号的调用量、重试、延迟 | 所有客户的平均水平 |
| 控制测试 | 固定输入下的结果与资源消耗 | 生产高峰一定相同 |
| 架构推断 | 可能需要异步队列或缓存 | 产品必然使用某技术 |
| 场景假设 | 预计请求量、人工时薪 | 已发生的真实业务事实 |
成本表中的每个数字应带 来源、单位、时间范围、币种、是否含税、置信度。公开价格还应记录地区和访问日期。
四、建立可计算的成本驱动表
先列能力,再列驱动因素,而不是先列云服务名称。
| 能力 | 一次性工作 | 固定成本 | 变量驱动 | 人工环节 | 外部依赖 | 失败影响 |
|---|---|---|---|---|---|---|
| 接收工单 | 接口与权限 | 网关监控 | 请求数、附件量 | 异常补录 | 工单系统 | 丢单、重复 |
| 自动分类 | 提示或规则、评测 | 模型监控 | 输入输出量 | 低置信复核 | 模型服务 | 错分 |
| 写回结果 | 幂等与审计 | 队列、存储 | 写入数 | 冲突处理 | 工单 API | 重复更新 |
| 纠错重放 | 后台与版本 | 审计存储 | 重放数 | 审核 | 数据版本 | 历史污染 |
然后选择统一单位,例如“成功完成并写回的一张工单”。不能用“每次模型请求”代替,因为一次任务可能包含多次请求。
{
"model_version": "ticket-cost-v1",
"observed_on": "2026-07-17",
"business_unit": "成功分类并写回的一张工单",
"currency": "CNY",
"assumptions": {
"monthly_tasks": 100000,
"retry_rate": 0.08,
"human_review_rate": 0.15,
"review_minutes": 2,
"labor_cost_per_hour": 60
},
"evidence": {
"request_volume": "过去三个月工单日志",
"retry_rate": "固定评测集与压测",
"labor_cost": "场景假设,需由财务确认"
}
}这个记录可复算,也能在假设变化后建立新版本。
五、AI 方案的模型成本
AI 功能至少检查以下驱动:
- 输入、输出和缓存输入的计费单位;
- 系统提示、历史上下文、检索结果是否重复发送;
- 工具调用、检索、嵌入、文件处理和安全检测;
- 超时、限流、解析失败和低质量结果造成的重试;
- 离线评测、线上抽检、红队测试和版本回归;
- 低置信度、敏感类别和争议结果的人工复核;
- 峰值并发下的延迟目标与降级路径;
- 模型版本变化带来的重新评测与迁移。
模型单价下降,不必然让单位任务成本下降。如果上下文变长、重试增加或人工复核扩大,总成本仍可能上升。
六、数据依赖不是“有没有数据”
每个数据源都应完成依赖卡:
| 维度 | 要回答的问题 |
|---|---|
| 权利与目的 | 为什么可以收集、训练或推断?用途是否超出原目的? |
| 来源与版本 | 数据来自何处,何时生成,经过哪些转换? |
| 质量 | 缺失、重复、错标和冲突如何发现? |
| 覆盖 | 哪些语言、类别、地区或边缘情形不足? |
| 时效 | 更新频率是什么,过期后如何失效? |
| 权限 | 谁能读、改、导出和删除?是否最小权限? |
| 纠错 | 用户或运营如何纠正错误,历史结果是否重算? |
| 保留与删除 | 保存多久,副本、日志和索引如何同步删除? |
| 退出 | 更换供应商时能否导出、迁移和验证完整性? |
ICO 的数据保护原则包含目的限制、数据最小化、准确性、存储限制、安全和问责。具体项目还需依据实际地区和法律完成法务判断;本文不能替代合规审查。
七、容量、SLO 与运营成本
平均请求量不足以规划运行能力。至少记录正常量、峰值、增长率、突发模式和故障时的积压。GOV.UK 的性能测试指南要求先做容量规划,并逐步增加负载,记录系统在何种负载下、以何种方式失效。
运营合同可以包含:
- 可用性与最大可接受积压;
- P50、P95、P99 延迟;
- 正确率或人工改判率;
- 单位任务成本上限;
- 超时后的降级方式;
- 告警责任人和恢复时限;
- 数据删除与纠错完成时限。
成本不能脱离服务目标单独优化。关闭必要监控会降低账单,却可能增加故障发现时间;减少人工复核会降低直接成本,却可能扩大高风险误判。
八、完整案例:AI 工单分类
1. 输入与证据
场景为每月 100,000 张工单。以下数字仅是教学场景数据,不代表任何供应商价格:
- 历史日志:月任务量 100,000,峰值为平均值的 6 倍;
- 控制测试:每个任务平均模型成本 0.012 元;
- 压测:正常重试率 8%,每次重试模型成本相同;
- 评测:15% 的任务进入人工复核;
- 场景假设:每次复核 2 分钟,人工综合成本 60 元/小时;
- 固定运行:监控、队列和审计存储合计 4,000 元/月;
- 实现与迁移:120,000 元,按 12 个月摊销。
2. 基准计算
模型正常成本 = 100,000 × 0.012 = 1,200 元
模型重试成本 = 100,000 × 8% × 0.012 = 96 元
人工复核成本 = 100,000 × 15% × 2/60 × 60 = 30,000 元
固定运营成本 = 4,000 元
实现摊销 = 120,000 / 12 = 10,000 元
月总成本 = 45,296 元
每成功任务成本 = 45,296 / 100,000 = 0.45296 元结果显示人工复核是主要驱动,不能只优化模型单价。
3. 三种方案比较
| 方案 | 主要机制 | 优势 | 主要成本与风险 | 适用条件 |
|---|---|---|---|---|
| 规则系统 | 关键词与确定规则 | 可解释、成本稳定 | 长尾维护、覆盖有限 | 类别稳定且规则明确 |
| 模型系统 | 模型分类与人工复核 | 长文本覆盖较好 | 模型、评测、复核、漂移 | 有持续评测和接管能力 |
| 人工流程 | 全量人工分类 | 个案判断灵活 | 成本线性增长、延迟高 | 低频或高风险任务 |
比较时应在同一完成标准下测量:必须成功写回、可纠错、满足延迟和风险边界。规则方案若把大量任务转给人工,也要计入人工成本。
4. 验证
- 用最近四周数据回放,按类别、语言和附件类型分段;
- 逐步增加并发,记录延迟、限流、积压和恢复时间;
- 注入超时、错误响应和写回失败,验证幂等与重试上限;
- 抽检人工复核时间,避免用主观估计替代记录;
- 从账单、日志和工单系统核对同一时间窗的数量;
- 测试纠错、删除和供应商退出流程;
- 每次模型或数据版本变化后重跑固定评测集。
5. 失败分支
若新类别上线后人工复核率从 15% 升至 30%,人工成本变为 60,000 元,月总成本增至 75,296 元。此时应先检查数据覆盖、置信阈值和新类别定义,而不是直接扩大预算。
若峰值导致重试率从 8% 升至 40%,还应检查退避、排队和降级;无限立即重试会把一次容量问题放大为成本与可用性问题。
若无法证明历史工单可用于当前目的,方案应停止进入生产数据阶段,先完成授权、最小化和保留策略,不能以模型效果替代数据合法性。
九、成本模型的维护规则
- 按月核对预测与实际,解释差异而非覆盖旧版本;
- 将价格、流量、重试、人工和固定成本分别版本化;
- 同时报告单位成本与任务质量,防止低质量“降本”;
- 对低、中、高规模分别计算,不只给单一点;
- 记录币种、税费、地区和生效日期;
- 为下线、迁移和数据删除预留预算;
- 重大假设变化时重新做方案比较。
AWS Well-Architected 成本优化资料强调成本归属、工作负载指标、不同使用量下的成本分析和定期复审。它提供的是分析原则,不代表某一具体系统的成本结论。
十、完成检查与练习
完成一份成本与数据依赖分析,至少应能回答:
- 业务计量单位是什么;
- 哪些数字是事实,哪些是推断或场景假设;
- 一次性、固定、变量、风险和退出成本是否齐全;
- 三个规模档下的单位成本怎样变化;
- 模型以外的评测、重试和人工成本是多少;
- 每个数据源的权利、质量、覆盖、纠错和删除路径是什么;
- 峰值、外部依赖失败和数据失效时如何降级;
- 与规则系统、人工流程相比,何时仍应选择当前方案。
练习:选择一个 AI 或数据功能,用真实可获得证据建立低、中、高三个规模档的模型。输出成本驱动表、数据依赖卡、可复算假设、一个故障场景和三个替代方案。完成标准是另一位读者能用原始证据复算,并指出结论在哪个假设变化后失效。
来源
- AWS Well-Architected Framework:Cost Optimization Pillar(访问日期:2026-07-17)
- GOV.UK Service Manual:Test your service's performance(访问日期:2026-07-17)
- GOV.UK Service Manual:Using performance data to improve your service(访问日期:2026-07-17)
- ICO:A guide to the data protection principles(访问日期:2026-07-17)