🧮 免费层经济学

CAC/LTV 计算、免费→付费转化率行业基准 (2-5%)、何时砍免费层、用量限制怎么设。用数学而不是直觉做免费层决策。

2-5%
Freemium → Paid 行业平均转化率
数据来源:OpenView 2024 SaaS Benchmarks, ProfitWell/Paddle 行业报告
3:1
健康 LTV:CAC 比率下限
Benchmark: Sequoia Capital / David Skok "SaaS Metrics 2.0"
$0.25
Freemium 产品的平均 CAC
数据来源:OpenView 2024 Expansion SaaS Benchmarks
12-18月
LTV 回收 CAC 的健康周期
Benchmark: David Skok "SaaS Metrics" / Tomasz Tunguz
📑 目录 1. 核心数学:Freemium 的盈亏公式 2. CAC:获取一个用户的真实成本 3. LTV:一个用户生命周期值多少钱 4. 转化率:2-5% 的真相 5. 何时做免费层 / 何时砍免费层 6. 用量限制怎么设:校准的艺术 7. 免费层经济学计算器 8. 真实案例拆解 9. AI 时代的免费层:成本结构巨变 10. 代码示例 11. 相关深度阅读

1. 核心数学:Freemium 的盈亏公式

免费层不是"做慈善"。它的本质是一个获客渠道——用基础设施成本代替广告成本。理解这个等式,你就理解了免费层的全部经济逻辑:

R_freemium = N_free × CR × ARPU × Lifespan N_free × Cost_per_free_user R_freemium = 免费层净收益 | N_free = 免费用户数 | CR = 转化率 | ARPU = 每用户平均收入 | Cost_per_free_user = 每免费用户服务成本

R_freemium > 0 时,免费层是正 ROI 的获客渠道。当 R_freemium < 0 时,你在烧钱养不付费的人。

🔑 关键洞察:免费层的经济学核心不是"有多少人付费",而是"每个免费用户的成本" vs "通过免费层获取一个付费用户的成本"。如果获取一个付费用户通过广告渠道需要 $200,而通过免费层只需要 $50(即使 97% 的免费用户永远不付费),免费层就是更优的获客渠道。

📊 两种获客模式的成本对比

指标 广告获客 免费层获客
获取 1 个付费用户的前置成本 $150-500(CAC) ~$25-100(含免费用户服务成本)
成本发生时间 获客前(先花钱再获客) 获客后(先获客再付费)
现金流模式 先出后进(负现金流周期) 渐进积累(更平滑)
规模弹性 线性增长(广告费 ≈ 用户数) 亚线性增长(口碑/网络效应)
风险 广告效率递减、渠道竞争 免费用户占满资源、低转化率

数据来源:综合 OpenView 2024 SaaS Benchmarks、Reforge PLG 课程、David Skok "SaaS Metrics 2.0"。CAC 范围基于 B2B SaaS 行业公开数据。

推导:免费层的盈亏平衡转化率

从上面的公式可以推导出盈亏平衡转化率——低于这个数字,免费层就在亏钱:

CR_breakeven = Cost_per_free_user ÷ (ARPU × Lifespan) 例:Cost_per_free_user = $0.50/月 × 6月 = $3 | ARPU = $25/月 × 12月 = $300 → CR_breakeven = 3/300 = 1%

如果你的免费用户每月服务成本是 $0.50,付费用户 ARPU $25/月、平均留存 12 个月,那么只要转化率 > 1%,免费层就是正 ROI。这就是为什么很多产品即使只有 2% 的转化率,免费层仍然划算。

2. CAC:获取一个用户的真实成本

Customer Acquisition Cost(CAC)是 SaaS 经济学中最被滥用的指标。大多数人只算了广告费,忽略了真正的全量成本。

CAC = (Sales + Marketing + Free_Infra_Cost + Support_Cost_Free) ÷ New_Paying_Customers Sales = 销售团队薪酬 | Marketing = 广告+内容+活动 | Free_Infra_Cost = 免费用户的服务器/带宽 | Support_Cost_Free = 免费用户的支持工单

三种 CAC:你要看哪一个?

💵 全量 CAC (Blended CAC)

包含所有 Sales + Marketing 费用 / 所有新付费用户。

适合:整体业务健康度评估

B2B SaaS 典型值:$150-$500

来源:OpenView 2024 Benchmarks, KeyBanc SaaS Survey

🎯 渠道 CAC (Channel CAC)

按获客渠道拆分:SEO CAC、付费广告 CAC、免费层 CAC。

适合:优化获客组合

免费层 CAC 典型值:$10-$50

来源:Reforge PLG 课程、OpenView Benchmarks

🔄 付费 CAC (Paid CAC)

只算付费广告 / 广告获取的用户数。

适合:广告投放 ROI 评估

典型值:$200-$1000+(取决于赛道)

来源:Lenny Rachitsky Newsletter 调查数据

⚠️ 最常见的 CAC 陷阱:大多数创始人只算"广告费 / 新付费用户",忘了免费用户占用的基础设施和支持成本。一个有 100 万免费用户、2% 转化率的产品,每月 $0.30 的免费用户成本意味着 $294,000/月的免费层成本被计入"获客成本",而不是被忽略。

Fremium 产品的有效 CAC 计算

对于 Freemium 产品,真正的"免费层 CAC"应该这样算:

# Freemium 产品的有效 CAC 计算
monthly_free_users = 100_000      # 每月免费用户(活跃)
conversion_rate = 0.025           # 2.5% 月度免费→付费转化率
cost_per_free_user_monthly = 0.30 # 每免费用户每月基础设施成本
paid_marketing_spend = 5_000      # 每月付费营销(内容、SEO 工具等)
support_cost_per_free_user = 0.10 # 免费用户支持成本(工单/社区)

# 免费层总成本
free_layer_cost = (
    monthly_free_users * cost_per_free_user_monthly +
    monthly_free_users * support_cost_per_free_user +
    paid_marketing_spend
)
# = 100,000 × $0.30 + 100,000 × $0.10 + $5,000 = $35,000

# 新付费用户
new_paid_users = monthly_free_users * conversion_rate
# = 100,000 × 2.5% = 2,500

# 有效 CAC
effective_cac = free_layer_cost / new_paid_users
# = $35,000 / 2,500 = $14/付费用户

print(f"免费层有效 CAC: ${effective_cac:.0f}/付费用户")
print(f"对比:付费广告 CAC 通常 $200-$500")
print(f"免费层获客效率: {200/effective_cac:.0f}x 更优")

3. LTV:一个用户生命周期值多少钱

Life-Time Value(LTV)是判断"一个付费用户值多少钱"的核心指标。和 CAC 配合,就是你定价决策的罗盘。

LTV = ARPU × (1 ÷ Churn_Rate) × Gross_Margin 1/Churn_Rate = 平均用户生命周期 | 例:ARPU=$25/月, 月 Churn=5%, Gross Margin=80% → LTV = $25 × 20 × 0.8 = $400

LTV 计算的三个陷阱

🕳️ 陷阱 1:忘了 Gross Margin

LTV 不是"收入",是毛利。AI 产品尤其危险——API 调用成本可能占收入的 40-60%。

例:$25/月订阅,API 成本 $12/月 → Gross Margin 只有 52%,不是 100%。

修正后 LTV = $25 × 20 × 0.52 = $260(不是 $500)

🕳️ 陷阱 2:用了"月度 Churn"但忘了年化

月 Churn 3% 听起来不多,但年化 = 1 - (1-0.03)^12 = 30.6%。近 1/3 的用户每年会流失。

平均生命周期 = 1/0.03 = 33 个月 ≈ 2.75 年,不是 5 年。

🕳️ 陷阱 3:没算 Expansion Revenue

好的 SaaS 有 Net Revenue Retention (NRR) > 100%——现有用户付的钱越来越多(加座位、升级、用量增长)。

如果 NRR = 120%,LTV 应该乘以 ~1.2x。但早期产品往往 NRR < 100%。

更精确的 LTV 公式(含 Expansion Revenue)

LTV = ARPU × Gross_Margin × NRR ÷ (1 NRR + Churn_Rate) NRR = Net Revenue Retention | 当 NRR=100%, Churn=5% → LTV = ARPU × GM × 100/(100-100+5) = ARPU × GM × 20

行业 LTV:CAC 比率基准

LTV:CAC 评价 行动
< 1:1 🚨 每花 1 元获客只能收回不到 1 元 立即停止付费获客,检查定价和留存
1:1 - 3:1 ⚠️ 勉强回本,增长不健康 优化转化率或提高 ARPU
3:1 - 5:1 ✅ 健康的 SaaS 单位经济学 加大获客投入
> 5:1 🤔 可能获客投入不足 你可能在"省钱"而非增长——考虑加大获客

来源:David Skok "SaaS Metrics 2.0" (2012, 持续更新的行业标杆)、Sequoia Capital 投资备忘录参考值。3:1 是行业公认的健康下限。

4. 转化率:2-5% 的真相

Freemium → Paid 的转化率是最被误读的指标。2-5% 听起来很低,但在正确的框架下,它可能是你能找到的最便宜的获客方式。

按产品类型的转化率基准

产品类型 典型转化率 顶级表现 关键因素 代表产品
开发者工具 (DevTools) 3-8% 10%+ 用户技术能力强、付费意愿高;但免费替代品多 Cursor, Raycast, Linear
协作/项目管理 2-5% 7%+ 协作墙驱动团队付费,但单人可能永远免费用 Notion, Slack, Trello
设计/Creative 工具 2-4% 6%+ 免费层通常功能足够,视觉产出物驱动升级 Figma, Canva
基础设施/API 5-10% 15%+ 用量墙非常明确,超量就必须付费 Vercel, Supabase, OpenAI
AI Consumer 工具 1-3% 5%+ 消费者付费意愿低、替代品多、AI 成本高 ChatGPT Plus, Perplexity Pro
B2B Enterprise 0.5-2% 3%+ 免费层主要用于 PoC,销售团队跟进转化 AWS Free Tier, GCP

数据来源:综合 OpenView 2024 SaaS Benchmarks、ProfitWell/Paddle State of SaaS Pricing 报告、Reforge PLG 指标库、各产品公开披露数据。具体数字因定义不同(月度 vs 年度、注册 vs 活跃)会有差异。

🔑 转化率的分母陷阱:"2% 转化率"的分子分母定义决定了它有没有意义。
注册→付费:大量注册但不活跃的用户拉低转化率,这个数字几乎没用
DAU→付费:活跃用户中多少付费——这才是真实的产品价值转化率
✅✅ 激活用户→付费:完成了核心动作(如创建第一个项目)的用户中多少付费——最精确的指标
一个产品"注册→付费"可能只有 1%,但"激活→付费"可能是 15%。不要看错指标。

转化率的时间维度:什么时候转化的?

免费→付费不是"第 1 个月 2%"。用户在不同时间点转化,时间分布决定了你的耐心应该有多大。

⏱ 典型 Freemium 转化时间分布

时间段 累计转化率 特征
第 1-7 天 0.5-1.5% "快速评估型"用户——试用后立即决定付费或离开
第 8-30 天 1.5-3% "渐进发现型"——逐渐发现免费层不够,撞墙后升级
第 31-90 天 3-4.5% "深度依赖型"——重度使用后产生依赖,团队扩大触发协作墙
第 90+ 天 4.5-5.5% "组织推动型"——个人免费使用→团队/公司引入→企业采购

来源:OpenView Benchmarks、Reforge "Freemium vs Free Trial" 框架。分布模型基于 B2B SaaS 中位数。

提升转化率的 8 个杠杆

1️⃣ 用量墙校准

限制设在"轻度用户永远够、重度用户一周撞墙"的位置。Cursor 的 2000 补全/月 = 每天 ~66 次,精准校准。

→ Cursor 定价拆解

2️⃣ 功能墙设计

免费层给核心功能,高级功能留给付费。关键:免费层必须"完整可用"——残缺的免费体验只会赶走用户。

→ Notion 的 AI 附加策略

3️⃣ 协作墙触发

个人免费 → 团队需要付费。这是转化率最高的墙——因为"团队扩大"是不可逆的需求。

→ Linear 的座位墙

4️⃣ 撞墙体验优化

撞墙时不是"对不起功能不可用",而是"你刚触达免费上限,升级后你可以...(具体价值描述)"。

5️⃣ 价值里程碑

在用户达到"啊哈时刻"后推荐付费,而非注册就推销。Notion 在创建第 100 个 block 后推荐 Plus。

6️⃣ 社交证明

"你的同行中有 X% 选择了 Pro"比"升级获取更多功能"有效 3-5 倍。

7️⃣ 年付折扣

月付 $20 → 年付 $16/月(8 折)。年付用户的 LTV 是月付的 1.5-2x(因为切换成本高、Churn 低)。

8️⃣ 限时促销

"首月半价"比"永久折扣"更有效——降低了首次付费的心理门槛,但不贬低产品价值。

5. 何时做免费层 / 何时砍免费层

免费层不是万能药。选错场景,它会变成一个无底洞。以下是决策框架。

✅ 适合做免费层的条件

条件为什么验证方法
边际成本 ≈ 0 每多一个免费用户几乎不增加成本(纯软件、非 AI 推理) 计算 Cost_per_free_user,如果 < $0.10/月 → ✅
网络效应存在 更多免费用户 = 更好的产品(市场、社区、数据飞轮) 用户量增加是否直接提升产品价值?
自传播 / PLG 免费用户会带来更多用户(邀请、分享、口碑) Viral Coefficient > 0.3?NPS > 40?
产品有明确的"撞墙"时刻 用户自然触达用量/功能/协作限制 观察:活跃免费用户 30 天内是否撞墙 > 20%
Top-down 采购路径 个人免费 → 团队 → 企业(Bottom-up PLG) 付费用户中 X% 来自免费层升级?> 30% → ✅
竞争激烈的市场 免费层是差异化武器——竞品收费你免费 目标用户搜索替代方案的频率高?

❌ 应该砍掉(或不要做)免费层的信号

信号为什么危险行动
免费用户服务成本 > $1/月/人 AI 推理、GPU 计算、视频转码等高成本操作 改为 Free Trial(限时)或 Demo
转化率 < 0.5% 200 个免费用户才换来 1 个付费——成本效率极低 检查免费层是否有"完整价值"而非"残缺体验"
免费用户占满支持资源 付费用户等 Support 排在 100 个免费用户后面 免费用户限 Support 通道(社区/文档 only)
没有自然的"撞墙"时刻 用户可以永远免费用下去且体验良好 增加用量限制或功能墙
ARR > $10M 且 Sales-led 免费层不再驱动增长,销售团队才是主力 弱化免费层,转为 Free Trial 或 Guided Demo
产品极度垂直/小众 总 TAM 有限,免费层无法形成规模效应 直接收费,用 Free Trial 降低入门门槛

真实案例:砍掉免费层的公司

Basecamp (2017)
从免费层 → 纯付费 $99/月。原因:免费用户占满支持资源,转化率极低,与公司"安静工作"哲学冲突。结果:收入短期波动,但支持成本降 80%,团队聚焦付费体验。
来源:Jason Fried 公开博文、Basecamp 官方博客
Intercom (2019-2020)
从慷慨的免费层 → 最小免费层(仅实时聊天)+ 付费起步 $39/月。原因:免费层支持成本失控,与 AI 客服成本结构不匹配。策略:保留"引子"功能免费,核心产品收费。
来源:Intercom 定价页面变更历史、公开采访
Notion (2024-2025)
非"砍掉"而是"缩减"——收紧免费层 AI 功能次数限制,AI 附加费从 $8→$10/月。原因:AI 推理成本无法被免费层覆盖,需要单独定价。详见 Notion 定价拆解
来源:Notion 官网定价页面 2024-2025 变更
Slack (2018 → 被收购后)
保持免费层但持续收紧:90 天消息限制、减少集成数量。原因:免费层是增长飞轮,但存储成本随消息量线性增长。策略:免费层保留获客功能,用时间墙(90 天)控制存储成本。
来源:Slack 官网定价变更历史、Salesforce 收购后公开数据

替代免费层的 5 种模式

模式 机制 优势 劣势 适合谁
Free Trial 14-30 天免费试用,之后必须付费 无免费用户负担、高紧迫感 试用后流失率高、无自传播 B2B、高 ACV 产品
Money-back Guarantee 付费但有 30 天退款保证 付费用户质量高、低风险 退款率 5-15%、需要退款流程 自信产品留存率高的团队
Freemium Lite 极简免费层(1 个项目/50 条记录) 控制成本、保留获客 免费体验可能不够"上瘾" 边际成本中等的 AI 产品
Guided Demo 销售团队引导的定制化演示 高转化率(20-40%)、高 ACV 需要销售团队、不可扩展 Enterprise SaaS
Open Source + Hosted 开源免费,托管版收费 社区驱动增长、高信任度 部分用户自托管流失、支持负担 基础设施/DevTools

6. 用量限制怎么设:校准的艺术

用量限制是免费层最精妙的杠杆。设太低 → 用户还没"上瘾"就撞墙,直接流失;设太高 → 用户永远不需要升级。正确答案在中间——让轻度用户满足,让重度用户"正好不够"。

用量限制校准三步法

Step 1:定义"轻度用户"和"重度用户"的使用量

产品类型 轻度用户(周活跃) 重度用户(周活跃) 建议免费上限
代码补全 (Cursor) ~100 次/周 ~500 次/周 ~450 次/月(让轻度用户自由,重度用户 1 周撞墙)
项目管理 (Linear) ~5 issues/周 ~50 issues/周 250 issues(约 5 周重度使用量)
AI 对话 (ChatGPT) ~10 次/天 ~50 次/天 ~15-20 次/天(轻度够用,重度每天撞墙)
数据库 (Supabase) ~100 queries/天 ~10K queries/天 500MB 存储 + 500K rows(项目级够用,产品级不够)
部署 (Vercel) ~5 deploys/天 ~50 deploys/天 100 GB-hr Serverless(Hobby 项目够用,生产不够)

数据来源:各产品官网定价页面 2024-2025 数据 + 社区讨论推断的使用量级。实际限制值以官网为准。

Step 2:计算"上瘾时间"——用户需要多久才会依赖你的产品

免费上限应该至少覆盖"上瘾时间" × 轻度使用量。常见产品的上瘾时间:

产品 上瘾时间 为什么
代码编辑器 3-7 天 开发者一旦习惯了 AI 补全,手写代码会感觉"退化"
项目管理 2-4 周 需要完整 Sprint 周期才能体会价值
笔记/知识库 2-4 周 需要积累足够的笔记量才能形成"第二大脑"依赖
AI 对话 1-3 天 即时价值——第一次有效对话就会上瘾
部署/基础设施 1-2 周 第一个项目部署成功 → 尝试更多功能

Step 3:A/B 测试用量限制

不要猜——测。用量限制的最佳值需要数据验证。

# 用量限制 A/B 测试框架
import random

class UsageLimitExperiment:
    def __init__(self):
        self.variants = {
            'control': 2000,     # 当前免费上限
            'variant_a': 1500,  # 降低 25%
            'variant_b': 3000,  # 提高 50%
        }
        self.metrics = {v: {'free_users': 0, 'conversions': 0,
                           'churn_at_wall': 0, 'avg_time_to_wall': 0}
                       for v in self.variants}

    def assign_variant(self, user_id):
        """随机分配实验组"""
        return random.choice(list(self.variants.keys()))

    def record_wall_hit(self, variant, converted=False, churned=False):
        """记录撞墙事件"""
        self.metrics[variant]['free_users'] += 1
        if converted:
            self.metrics[variant]['conversions'] += 1
        if churned:
            self.metrics[variant]['churn_at_wall'] += 1

    def results(self):
        """输出实验结果"""
        print(f"{'Variant':<12} {'Limit':<8} {'Users':<8} "
              f"{'Conv Rate':<12} {'Churn@Wall':<12}")
        print("-" * 52)
        for v, limit in self.variants.items():
            m = self.metrics[v]
            conv = m['conversions'] / max(m['free_users'], 1) * 100
            churn = m['churn_at_wall'] / max(m['free_users'], 1) * 100
            print(f"{v:<12} {limit:<8} {m['free_users']:<8} "
                  f"{conv:<12.1f}% {churn:<12.1f}%")

# 关键指标:
# 1. 转化率:哪个限制下转化率最高?
# 2. 撞墙流失率:降低限制是否导致流失?
# 3. 时间到撞墙:用户多久触达上限?
# 4. 转化后 ARPU:不同限制下的付费用户价值是否不同?

7 种免费层限制策略对比

限制类型 机制 校准难度 最适合 代表产品
用量限制(次数/额度) X 次/天 或 X 次/月 ⭐⭐⭐ 中等 AI 功能、API 调用 Cursor 2000 补全/月
容量限制(存储/项目数) X GB 存储 或 X 个项目 ⭐⭐ 简单 数据库、文件管理 Supabase 500MB DB
功能限制(高级功能锁) Pro 功能仅付费可用 ⭐⭐⭐⭐ 较难 功能差异明显的工具 Notion AI 附加、Linear 自定义视图
人数限制(团队规模) 免费最多 X 人 ⭐ 简单 协作工具 Notion 5 人、Slack 无限人但功能受限
时间限制(历史数据) 仅保留 X 天数据 ⭐⭐ 简单 消息、日志类产品 Slack 90 天消息
速度限制(速率/性能) 免费层排队/低优先级 ⭐⭐⭐ 中等 计算密集型产品 OpenAI Free Tier Rate Limit
水印/品牌限制 免费版带产品水印 ⭐ 简单 设计/内容创作工具 Canva 免费版带水印

7. 免费层经济学计算器

🧮 Freemium 经济学计算器

调整参数,实时查看免费层的经济可行性。

8. 真实案例拆解

🔵 Cursor:精准校准的用量墙

指标分析
免费层2000 补全/月 + 50 高级请求/月≈ 66 次/天补全,轻度开发者刚好够用
Pro 价格$20/月(无限补全)DevTools 中偏高,但目标用户付费意愿强
估算转化率5-8%(截至写作时未能确认官方数据)DevTools 高端、用户付费意愿强、用量墙明确
免费用户成本低(补全是轻量 API 调用)AI 推理有成本但单次极低,免费层是可控的获客渠道
核心墙用量墙(补全次数)+ 功能墙(GPT-4/Claude 仅 Pro)双重墙:轻度用户撞用量墙,功能用户撞模型墙

经济模型分析:假设 100 万月活免费用户,2 美分/用户/月 API 成本 = $20K/月。3% 转化率 = 30,000 付费用户 × $20 = $600K MRR。免费层成本仅占 MRR 的 3.3%——极其高效。

→ Cursor 定价完整拆解

🟣 Notion:协作墙 + AI 附加的分层策略

指标分析
免费层无限 block、5 人协作、7 天页面历史个人用户几乎永远够用——这是故意的
Plus 价格$10/人/月协作驱动:6+ 人团队必须付费
AI 附加$10/人/月独立于层级——AI 成本结构不同,必须单独定价
估算转化率2-4%(截至写作时未能确认官方数据)个人用户大量免费使用,团队用户高转化
核心墙协作墙(5 人限制)+ 功能墙(AI)个人免费 → 团队付费的自然路径

经济模型分析:Notion 的免费层成本极低(纯软件、无 AI 推理),1000 万免费用户的存储和带宽成本远低于广告获客成本。关键转化路径:个人用户在团队内推广 → 6 人以上触发协作墙 → $10/人/月起步。LTV 极高(Notion 用户 Churn 低,平均留存 > 24 个月)。

→ Notion 定价完整拆解

💬 Slack:时间墙的经典应用

指标分析
免费层无限人、无限频道、90 天消息历史人越多越"上瘾",但 90 天后看不到老消息
Pro 价格$8.75/人/月核心价值是"完整历史"——团队知识库
估算转化率2-3%(截至写作时未能确认官方数据)小团队可能永远够用,大团队历史搜索需求强
核心墙时间墙(90 天消息)+ 功能墙(App 集成数)时间墙精妙:不需要的消息不是痛点,需要的消息就是付费理由

经济模型分析:Slack 的免费层成本主要是消息存储——90 天限制精确控制了存储成本增长率。消息量是线性增长的,但 90 天截断使存储成本变为常量(而非无限增长)。一个 500 人团队每天产生 ~10K 条消息,90 天 ≈ 90 万条。超过 90 天的历史 = 付费理由,同时也是成本控制机制。

🤖 ChatGPT:AI 时代的免费层困境

指标分析
免费层GPT-4o mini 限次访问、基础功能OpenAI 2025 年逐步给免费用户提供 GPT-4o 访问,但 Rate Limit 严格
Plus 价格$20/月包含 GPT-4o、DALL-E、高级数据分析
估算转化率1-3%(截至写作时未能确认官方数据)消费者付费意愿低、竞品多(Claude、Gemini)
免费用户成本(每次对话都有推理成本)与 Notion 等纯软件产品完全不同
核心墙速度墙(排队等待)+ 功能墙(高级模型/功能)速度是最有效的墙——免费用户排队,付费用户即时

经济模型分析:ChatGPT 的免费层是典型的"高成本免费层"。每个免费用户每次对话都有 GPU 推理成本。假设 1 亿月活免费用户,每人每天 3 次对话,每次 $0.002 推理成本 = 每日 $600K = 每月 $18M 免费层成本。2% 转化率 = 200 万付费用户 × $20 = $40M MRR。免费层成本占 MRR 的 45%——远高于 Cursor 的 3.3%。这就是 AI 产品免费层的困境。

推理成本估算基于 OpenAI API 定价 和公开的用户量级报告。实际内部成本可能更低(自有基础设施、模型优化),但量级差是真实的。

▲ Vercel:用量墙 + 上限设计的精妙平衡

指标分析
免费层Hobby: 100 GB-hr Serverless、1 人个人项目完全够用——这就是 Vercel 的意图
Pro 价格$20/人/月 + 用量计费团队 + 生产流量 → 必须付费
估算转化率5-10%(截至写作时未能确认官方数据)基础设施类产品转化率高——用量墙非常明确
核心墙用量墙(带宽/计算)+ 协作墙(1 人限制)+ 功能墙(分析/Preview Deployments)三重墙确保个人 Hobby 和生产 Pro 清晰分界

经济模型分析:Vercel 的免费层成本主要是 CDN 带宽和 Serverless 计算时间。Hobby 项目流量低,边际成本极小。但 Hobby 用户是 Vercel 最有效的广告——每个部署了项目的开发者都是活广告。Vercel 的 Pro 层不是"更多功能"而是"生产级保障"——这个定位让免费→付费的升级理由极其自然。

→ Vercel 定价完整拆解

9. AI 时代的免费层:成本结构巨变

AI 产品颠覆了传统 Freemium 经济学的核心假设:边际成本 ≈ 0。对于传统 SaaS(Notion、Linear、Slack),多一个免费用户几乎不增加成本。但对于 AI 产品(ChatGPT、Cursor、Perplexity),每个免费用户每次交互都有真实的 GPU 推理成本。

传统 SaaS vs AI SaaS 的免费层经济学

维度 传统 SaaS (Notion/Linear) AI SaaS (ChatGPT/Cursor)
每免费用户月成本 $0.01-0.10(存储/带宽) $0.50-5.00(API/GPU 推理)
成本增长模式 亚线性(存储有规模效应) 线性(每次推理都有成本)
免费层占 MRR 比例 1-5% 20-50%
Gross Margin 80-90% 40-70%
盈亏平衡转化率 ~0.5-1% ~3-8%
风险特征 免费用户多 = 网络效应 免费用户多 = 成本爆炸
🚨 AI 产品的免费层死亡螺旋:AI 产品面临一个独特风险——使用量与成本成正比。一个免费用户越喜欢你的产品,使用越频繁,你亏的钱越多。传统 SaaS 的"重度免费用户"是未来付费用户;AI SaaS 的"重度免费用户"可能是最大的成本漏洞。这就是为什么 AI 产品必须用更激进的用量墙更短的免费体验

AI 产品免费层的 6 种策略

1️⃣ 硬用量墙

每天/每月固定次数。最简单最可控。

例:Cursor 50 高级请求/月

推荐 成本可预测

2️⃣ 速度差异化

免费用户排队/低优先级,付费用户即时。

例:ChatGPT Free 排队、Plus 即时

推荐 不限次数但限体验

3️⃣ 模型差异化

免费用小模型,付费用大模型。

例:GPT-4o mini vs GPT-4o

有效 成本和体验双控

4️⃣ 免费试用(限时)

7-14 天免费,之后必须付费。

例:Midjourney 25 次免费后付费

保守 控制风险但无增长飞轮

5️⃣ Credit 系统

注册送 Credits,用完即止。不自动续。

例:Anthropic $5 免费 Credit

灵活 适合 API 产品

6️⃣ 延迟显示结果

免费用户看到"思考中...",付费用户秒出。

例:部分 AI 编程助手

体验差 可能导致流失

10. 代码示例

完整的 Freemium 单位经济学模型

"""
Freemium Economics Model — 完整的单位经济学计算
用于评估免费层的经济可行性
"""

from dataclasses import dataclass, field
from typing import Optional


@dataclass
class FreemiumModel:
    """免费层经济学模型"""

    # === 免费层参数 ===
    monthly_free_users: int = 100_000       # 月活跃免费用户
    cost_per_free_user: float = 0.30        # 每免费用户月成本 ($)
    support_cost_per_free: float = 0.05     # 免费用户支持成本/月 ($)
    free_layer_marketing: float = 5_000     # 免费层相关营销/月 ($)

    # === 转化参数 ===
    conversion_rate: float = 0.025          # 免费→付费月度转化率
    trial_to_paid_rate: float = 0.0         # 如果有 Free Trial,试用→付费
    paid_cac: float = 200                   # 付费获客渠道 CAC ($)

    # === 付费层参数 ===
    arpu: float = 25                        # 每付费用户月收入 ($)
    monthly_churn: float = 0.05             # 月度 Churn Rate
    gross_margin: float = 0.80              # 毛利率
    expansion_rate: float = 0.0             # 月度扩展收入率 (NRR > 1 时 > 0)

    # === 运营参数 ===
    team_size: int = 5                      # 支持/运营团队人数
    avg_salary: float = 80_000              # 年均薪资 ($)
    infra_base: float = 10_000              # 基础设施固定成本/月 ($)

    @property
    def new_paid_users_monthly(self) -> int:
        """月新增付费用户"""
        return int(self.monthly_free_users * self.conversion_rate)

    @property
    def free_layer_total_cost(self) -> float:
        """免费层月总成本"""
        return (
            self.monthly_free_users * self.cost_per_free_user +
            self.monthly_free_users * self.support_cost_per_free +
            self.free_layer_marketing
        )

    @property
    def effective_cac(self) -> float:
        """有效 CAC(免费层)"""
        users = max(self.new_paid_users_monthly, 1)
        return self.free_layer_total_cost / users

    @property
    def lifespan_months(self) -> float:
        """平均用户生命周期(月)"""
        return 1 / self.monthly_churn

    @property
    def ltv(self) -> float:
        """用户生命周期价值"""
        return self.arpu * self.lifespan_months * self.gross_margin

    @property
    def ltv_cac_ratio(self) -> float:
        """LTV:CAC 比率"""
        return self.ltv / max(self.effective_cac, 0.01)

    @property
    def breakeven_conversion_rate(self) -> float:
        """盈亏平衡转化率"""
        total_ltv = self.arpu * self.lifespan_months
        return self.cost_per_free_user / max(total_ltv, 0.01)

    @property
    def monthly_paid_revenue(self) -> float:
        """月新增付费收入"""
        return self.new_paid_users_monthly * self.arpu

    @property
    def annualized_churn(self) -> float:
        """年化 Churn"""
        return 1 - (1 - self.monthly_churn) ** 12

    @property
    def net_freemium_value(self) -> float:
        """免费层月度净值 = 新用户 LTV 总和 - 免费层成本"""
        return self.new_paid_users_monthly * self.ltv - self.free_layer_total_cost

    @property
    def free_cost_as_pct_mrr(self) -> float:
        """免费层成本占月度经常性收入比例"""
        # 需要假设总 MRR(简化:用新增 + 假设存量)
        return 0  # 需要更完整的模型

    def health_check(self) -> dict:
        """单位经济学健康度检查"""
        checks = {
            "LTV:CAC > 3:1": self.ltv_cac_ratio >= 3,
            "LTV:CAC > 5:1": self.ltv_cac_ratio >= 5,
            "转化率 > 盈亏平衡": self.conversion_rate > self.breakeven_conversion_rate,
            "免费层正 ROI": self.net_freemium_value > 0,
            "年化 Churn < 30%": self.annualized_churn < 0.30,
            "Gross Margin > 70%": self.gross_margin > 0.70,
            "有效 CAC < 付费 CAC": self.effective_cac < self.paid_cac,
        }
        return checks

    def summary(self) -> str:
        """打印经济模型摘要"""
        health = self.health_check()
        lines = [
            "=" * 60,
            "📊 FREEMIUM 经济模型摘要",
            "=" * 60,
            f"",
            f"📥 免费层",
            f"  月活跃免费用户: {self.monthly_free_users:>12,}",
            f"  每免费用户月成本: ${self.cost_per_free_user:>10.2f}",
            f"  免费层月总成本: ${self.free_layer_total_cost:>10,.0f}",
            f"",
            f"🔄 转化",
            f"  月度转化率: {self.conversion_rate*100:>11.1f}%",
            f"  盈亏平衡转化率: {self.breakeven_conversion_rate*100:>11.2f}%",
            f"  月新增付费用户: {self.new_paid_users_monthly:>12,}",
            f"",
            f"💰 付费层",
            f"  ARPU: ${self.arpu:>14.0f}/月",
            f"  Gross Margin: {self.gross_margin*100:>12.0f}%",
            f"  月度 Churn: {self.monthly_churn*100:>12.1f}%",
            f"  年化 Churn: {self.annualized_churn*100:>12.1f}%",
            f"  平均生命周期: {self.lifespan_months:>10.1f} 月",
            f"",
            f"📐 单位经济学",
            f"  LTV: ${self.ltv:>15,.0f}",
            f"  有效 CAC: ${self.effective_cac:>12,.0f}",
            f"  LTV:CAC: {self.ltv_cac_ratio:>14.1f}:1",
            f"  免费层月净价值: ${self.net_freemium_value:>8,.0f}",
            f"",
            f"🏥 健康检查",
        ]
        for check, passed in health.items():
            emoji = "✅" if passed else "❌"
            lines.append(f"  {emoji} {check}")

        return "\n".join(lines)


# 运行模型
if __name__ == "__main__":
    # 场景 1: 健康的传统 SaaS
    model = FreemiumModel(
        monthly_free_users=100_000,
        cost_per_free_user=0.10,
        conversion_rate=0.03,
        arpu=25,
        monthly_churn=0.04,
        gross_margin=0.85,
    )
    print(model.summary())

    # 场景 2: AI 产品(高成本免费层)
    model_ai = FreemiumModel(
        monthly_free_users=500_000,
        cost_per_free_user=1.50,  # GPU 推理成本
        conversion_rate=0.02,     # 消费者付费意愿低
        arpu=20,
        monthly_churn=0.08,       # AI 产品 Churn 通常更高
        gross_margin=0.55,        # API 成本吃掉大量毛利
    )
    print("\n\n" + model_ai.summary())

用量墙 Middleware 实现

"""
Usage Wall Middleware — 限流 + 转化引导
适用于 Node.js / Express API
"""

const usageWall = (config) => {
  const {
    freeLimit,          // 免费上限(次数/月)
    planField = 'plan', // 用户对象上的计划字段
    wallMessage,        // 撞墙消息
    upgradeUrl,         // 升级链接
  } = config;

  return async (req, res, next) => {
    const user = req.user;
    if (!user) return next(); // 未登录,交给后续处理

    // 付费用户不受限
    if (user[planField] !== 'free') return next();

    // 获取当月使用量
    const usage = await getMonthlyUsage(user.id);
    const remaining = freeLimit - usage.count;

    // 设置响应头(帮助前端展示进度)
    res.setHeader('X-Usage-Limit', freeLimit);
    res.setHeader('X-Usage-Remaining', Math.max(remaining, 0));
    res.setHeader('X-Usage-Percentage', Math.round(usage.count / freeLimit * 100));

    // 接近上限时预警(80%)
    if (remaining > 0 && remaining <= freeLimit * 0.2) {
      res.setHeader('X-Usage-Warning', 'approaching_limit');
      res.setHeader('X-Upgrade-Url', upgradeUrl);
    }

    // 硬墙:超过上限
    if (usage.count >= freeLimit) {
      return res.status(402).json({
        error: 'usage_limit_reached',
        message: wallMessage || 'You have reached your free tier limit.',
        upgrade: {
          url: upgradeUrl,
          benefit: `Unlimited usage starts at $20/month`,
        },
        current_usage: {
          limit: freeLimit,
          used: usage.count,
          period_end: usage.periodEnd,
        },
      });
    }

    // 通过墙,继续处理
    next();
  };
};

// 使用示例
app.post('/api/completions',
  authenticate,
  usageWall({
    freeLimit: 2000,
    wallMessage: 'You\'ve used all 2,000 free completions this month. Upgrade to Pro for unlimited AI-powered completions.',
    upgradeUrl: '/pricing?ref=wall_completions',
  }),
  handleCompletion
);

// 关键设计决策:
// 1. 响应头暴露使用量进度 → 前端可以显示进度条
// 2. 80% 预警 → 在用户撞墙前就引导升级
// 3. 402 状态码 → 语义清晰(Payment Required)
// 4. 升级信息包含具体价值描述 → 不只是"升级",而是"无限补全"
// 5. period_end → 告诉用户免费额度何时重置,减少焦虑

📖 本站相关

📚 外部推荐阅读

  • 🔹 David Skok — "SaaS Metrics 2.0" (forEntrepreneurs)
  • 🔹 OpenView — "SaaS Growth Benchmarks" (年度报告)
  • 🔹 Reforge — "Freemium vs Free Trial" 课程
  • 🔹 Lenny Rachitsky — "How the biggest consumer apps got their first 1,000 users"
  • 🔹 Tomasz Tunguz — "The Economics of Freemium" (Theory Ventures)
  • 🔹 Kyle Poyser — "SaaS Freemium Conversion Rate Benchmarks"
⚠️ 数据声明:本文中所有定价数据和转化率基准均来自公开来源(产品官网、行业报告、投资者文件、公开博文)。标注"截至写作时未能确认"的数据为基于行业共识的估算值,不代表官方数据。SaaS 定价变化频繁,建议定期核实最新数据。本文数据采集日期:2025-05-18。