Mở đầu — vì sao bài này quan trọng
Nếu bạn đã từng vận hành một sản phẩm SaaS truyền thống, bạn quen với một sự thật đẹp đẽ: sau khi viết xong phần mềm, chi phí phục vụ thêm một khách hàng gần như bằng không. Đó là lý do các công ty SaaS đạt biên lợi nhuận gộp (gross margin) 75-85%, và đó là nền tảng khiến giới đầu tư yêu thích mô hình này suốt hai thập kỷ.
Sản phẩm AI phá vỡ giả định đó. Mỗi lần người dùng nhấn nút "Tạo nội dung", "Tóm tắt", hay "Hỏi trợ lý", bạn thực sự tốn tiền — một khoản tiền thật, chảy ra ngoài tài khoản, cho OpenAI, Anthropic hoặc chi phí GPU tự vận hành. Chi phí này biến đổi theo mức sử dụng (variable cost), không cố định. Người dùng càng dùng nhiều, bạn càng tốn nhiều. Điều này lật ngược trực giác kinh doanh mà nhiều product manager và founder mang theo từ thế giới SaaS.
Hệ quả là rất nhiều startup AI trong 2023-2025 tăng trưởng người dùng chóng mặt nhưng vẫn "chảy máu" tiền mặt, vì họ định giá như SaaS truyền thống trong khi cấu trúc chi phí lại giống một công ty vận hành hạ tầng. Bài này giúp bạn hiểu bản chất unit economics của sản phẩm AI, cách tính toán, và cách thiết kế mô hình định giá để không rơi vào bẫy "càng bán càng lỗ".
Khái niệm cốt lõi
Unit economics là gì trong bối cảnh AI
Unit economics là bài toán lời-lỗ trên một đơn vị — thường là một khách hàng, một tài khoản, hoặc một giao dịch. Câu hỏi trung tâm rất đơn giản: "Khi tôi phục vụ thêm một khách hàng, tôi thu về nhiều hơn hay ít hơn số tôi bỏ ra để phục vụ họ?"
Với AI, đơn vị chi phí cơ bản nhất là token. Các mô hình ngôn ngữ tính tiền theo số token đầu vào (input) và đầu ra (output). Ví dụ, một mô hình có thể tính khoảng 3 USD cho mỗi triệu token input và 15 USD cho mỗi triệu token output. Một câu trả lời dài, có kèm ngữ cảnh RAG, có thể tiêu tốn 5.000-20.000 token dễ dàng.
Biên lợi nhuận gộp — con số phải theo dõi mỗi ngày
Công thức nền tảng:
Gross margin = (Doanh thu − Chi phí phục vụ trực tiếp) / Doanh thu
Chi phí phục vụ trực tiếp (COGS) của sản phẩm AI gồm: chi phí gọi mô hình (inference), chi phí embedding, chi phí vector database, chi phí lưu trữ, và băng thông. Mục tiêu lành mạnh mà nhà đầu tư kỳ vọng vẫn là 75%+, nhưng thực tế nhiều sản phẩm AI đời đầu chỉ đạt 40-60%. Con số này quyết định bạn có xây được một công ty bền vững hay không.
Ba khái niệm bạn phải nắm chắc
Cost per user / cost to serve: chi phí trung bình để phục vụ một người dùng trong một tháng. Với AI, con số này phân tán rất rộng — có người dùng tốn 0,2 USD/tháng, có người tốn 40 USD/tháng.
Power user problem: đây là điểm khác biệt lớn nhất so với SaaS. Trong SaaS truyền thống, power user (người dùng nặng) là tin tốt — họ gắn bó, ít rời bỏ, và không tốn thêm chi phí. Trong AI, power user có thể tốn nhiều hơn số tiền họ trả. Một khách trả 20 USD/tháng nhưng dùng hết 60 USD token là một khoản lỗ trực tiếp.
Contribution margin theo phân khúc: bạn cần biết biên lợi nhuận không chỉ trung bình, mà theo từng nhóm người dùng. Rất thường xuyên, 5-10% người dùng nặng nhất "ăn" phần lớn chi phí và kéo tụt biên lợi nhuận của cả sản phẩm.
Vì sao chi phí AI khó dự đoán
Ba yếu tố làm chi phí biến động: (1) độ dài ngữ cảnh — RAG càng nhiều tài liệu, input token càng lớn; (2) hành vi người dùng — có người hỏi một câu, có người trò chuyện 50 lượt; (3) lựa chọn mô hình — dùng mô hình cao cấp cho mọi tác vụ khiến chi phí đội lên gấp 10-20 lần so với việc phân tầng mô hình hợp lý.
Tình huống thực tế
Ví dụ 1 — Startup viết nội dung tại TP.HCM và cú sốc power user
Một startup Việt Nam (gọi là "WriteViet") xây công cụ AI viết bài marketing tiếng Việt, định giá gói Pro 299.000 đồng/tháng (khoảng 12 USD) không giới hạn số lần dùng — một chiêu marketing hấp dẫn để cạnh tranh.
Sau ba tháng, họ có 2.000 khách trả phí, doanh thu khoảng 600 triệu đồng/tháng, nghe rất tốt. Nhưng khi kế toán đối chiếu hóa đơn từ nhà cung cấp mô hình, chi phí inference lên tới 380 triệu đồng. Biên lợi nhuận gộp chỉ còn 37%. Tệ hơn, khi họ phân tích chi tiết: 8% khách hàng (những agency chạy nội dung hàng loạt) tiêu tốn 64% tổng chi phí token. Có một khách hàng duy nhất trả 299.000 đồng nhưng ngốn hơn 2,1 triệu đồng chi phí mỗi tháng.
Diễn giải: gói "không giới hạn" là cái bẫy chết người trong AI. Nó chuyển toàn bộ rủi ro chi phí biến đổi về phía công ty. Bài học rút ra: không bao giờ bán "unlimited" khi COGS biến đổi theo mức dùng, trừ khi bạn đã mô hình hóa đường cong hành vi và chấp nhận trợ giá có tính toán. WriteViet sau đó chuyển sang mô hình "fair-use" (giới hạn mềm) kèm gói add-on cho người dùng nặng.
Ví dụ 2 — Chatbot chăm sóc khách hàng B2B và bài toán phân tầng mô hình
Một công ty SaaS ở Singapore bán chatbot hỗ trợ khách hàng cho các doanh nghiệp thương mại điện tử Đông Nam Á. Ban đầu họ dùng một mô hình cao cấp duy nhất cho mọi câu hỏi, kể cả những câu tầm thường như "Mấy giờ shop mở cửa?". Chi phí trung bình mỗi cuộc hội thoại là 0,08 USD, và với hàng triệu tin nhắn mỗi tháng, biên lợi nhuận chỉ đạt 52%.
Đội kỹ thuật phân loại lại: khoảng 70% câu hỏi là dạng đơn giản, lặp lại, hoàn toàn có thể xử lý bằng một mô hình nhỏ rẻ hơn 15 lần, hoặc trả lời bằng câu trả lời đã lưu sẵn (cache). Chỉ 30% câu phức tạp mới định tuyến (route) tới mô hình cao cấp. Kết quả: chi phí trung bình mỗi cuộc giảm còn 0,021 USD, biên lợi nhuận nhảy lên 79% — mà chất lượng cảm nhận của khách hàng gần như không đổi.
Diễn giải và bài học: phần lớn dư địa cải thiện unit economics AI nằm ở model routing (phân tầng mô hình) và caching, chứ không phải ở việc tăng giá. Đừng dùng "búa tạ" cho mọi cái đinh.
Ví dụ 3 — Startup pháp lý và mô hình định giá theo giá trị
Một startup giả định "LegalDocVN" dùng AI rà soát hợp đồng cho doanh nghiệp. Chi phí xử lý một hợp đồng phức tạp có thể lên tới 3-4 USD token (vì tài liệu dài, cần nhiều bước phân tích). Nếu họ định giá theo kiểu SaaS đầu người (ví dụ 20 USD/user/tháng), một khách hàng rà soát 30 hợp đồng/tháng sẽ khiến họ lỗ nặng.
Thay vào đó, họ định giá theo giá trị: 150.000 đồng cho mỗi hợp đồng được rà soát, hoặc gói doanh nghiệp tính theo dung lượng. Vì việc một luật sư tự rà tay tốn hàng giờ đồng hồ với chi phí nhân công cao hơn nhiều, khách hàng vui vẻ trả. Ở đây, chi phí AI (chừng 90.000 đồng/hợp đồng) luôn nhỏ hơn giá bán, đảm bảo biên lợi nhuận dương trên từng đơn vị giao dịch.
Bài học: khi chi phí biến đổi cao và tương quan chặt với giá trị mang lại, usage-based pricing hoặc value-based pricing an toàn hơn nhiều so với định giá phẳng đầu người.
Hướng dẫn từng bước
Đây là quy trình để bạn xây dựng và kiểm soát unit economics cho sản phẩm AI của mình.
Bước 1 — Đo lường chi phí ở cấp độ chi tiết nhất. Ghi log token input/output cho từng request, gắn với user ID và tính năng. Nếu bạn không đo được chi phí theo từng người dùng và từng tính năng, bạn đang bay mù. Hãy log: model dùng, số token, chi phí quy đổi, và loại tác vụ.
Bước 2 — Tính chi phí phục vụ trung bình và phân bố. Đừng chỉ tính trung bình. Vẽ biểu đồ phân bố (histogram) chi phí theo người dùng. Xác định nhóm P50 (trung vị), P90, P99. Chính đuôi P95-P99 mới là thứ giết chết biên lợi nhuận của bạn.
Bước 3 — Tính gross margin thực tế theo phân khúc. Với mỗi gói giá, lấy doanh thu trung bình trừ chi phí phục vụ trung bình. Bạn sẽ thấy có gói lời và có gói lỗ. Đây là dữ liệu để ra quyết định.
Bước 4 — Thiết kế mô hình định giá phù hợp. Chọn một trong các hướng: (a) subscription có giới hạn hợp lý (fair-use cap), (b) usage-based tính theo mức dùng, (c) hybrid — một mức nền cố định cộng phần vượt tính thêm, hoặc (d) value-based tính theo kết quả. Với đa số sản phẩm AI, hybrid là điểm cân bằng tốt nhất: đủ dễ hiểu để bán, đủ an toàn để không lỗ vì power user.
Bước 5 — Giảm COGS bằng kỹ thuật. Trước khi tăng giá, hãy hạ chi phí: phân tầng mô hình (routing), caching câu trả lời phổ biến, nén ngữ cảnh RAG, đặt trần token cho mỗi request, và cân nhắc mô hình rẻ hơn cho tác vụ đơn giản. Đây thường là đòn bẩy lớn nhất.
Bước 6 — Thiết lập cảnh báo và trần chi phí. Đặt hạn mức (rate limit, token cap) cho từng người dùng để một tài khoản lạm dụng không thể "đốt" ngân sách. Thiết lập dashboard theo dõi biên lợi nhuận theo tuần.
Bước 7 — Lặp lại. Unit economics AI không phải bài toán tính một lần. Giá token thay đổi (thường giảm theo thời gian), hành vi người dùng thay đổi, mô hình mới ra đời. Hãy xem lại hàng tháng.
Lỗi thường gặp & mẹo
Lỗi 1 — Bán gói "unlimited". Đây là sai lầm phổ biến nhất. Trong AI, "không giới hạn" đồng nghĩa với "rủi ro chi phí không giới hạn". Nếu bắt buộc phải marketing là "unlimited", hãy có fair-use policy rõ ràng ở phía sau.
Lỗi 2 — Chỉ nhìn chi phí trung bình. Trung bình đẹp không cứu bạn khi 5% người dùng đuôi kéo cả sản phẩm xuống lỗ. Luôn nhìn phân bố, đặc biệt P95-P99.
Lỗi 3 — Dùng mô hình đắt nhất cho mọi thứ. Rất nhiều đội ngại tối ưu vì sợ giảm chất lượng. Thực tế phần lớn tác vụ đơn giản không cần mô hình cao cấp. Không phân tầng mô hình là bỏ tiền qua cửa sổ.
Lỗi 4 — Định giá đầu người khi chi phí theo mức dùng. Nếu chi phí của bạn tỉ lệ với lượng dùng mà giá lại phẳng theo đầu người, bạn đang đặt cược ngược với chính khách hàng nặng của mình.
Lỗi 5 — Quên chi phí ẩn. Ngoài token, còn có: vector DB, embedding khi index tài liệu, retry khi lỗi, chi phí đánh giá (eval), và fallback. Cộng đủ mới ra COGS thật.
Mẹo: Thiết kế gói giá sao cho giá bán luôn co giãn cùng chiều với chi phí phục vụ. Khi khách dùng nhiều hơn (tốn nhiều token hơn), họ cũng nên trả nhiều hơn — dù trực tiếp (usage-based) hay gián tiếp (giới hạn theo tier). Đây là nguyên tắc vàng để không bao giờ rơi vào cảnh "càng thành công càng lỗ".
Mẹo: Tận dụng xu hướng giá token giảm theo thời gian như một khoản "lãi kép" cho biên lợi nhuận, nhưng đừng phụ thuộc vào nó để cứu một mô hình định giá vốn đã sai từ gốc.
Bài tập thực hành
- Tính biên lợi nhuận thật của một tính năng. Chọn một tính năng AI (thật hoặc giả định). Ước tính số token input và output trung bình cho một lần dùng, quy đổi ra chi phí. Giả sử người dùng dùng 40 lần/tháng và trả 199.000 đồng. Tính gross margin. Nó có đạt 75% không?
- Mô phỏng power user. Với cùng sản phẩm trên, giả sử 7% người dùng dùng gấp 10 lần trung bình. Tính lại chi phí phục vụ nhóm này và xem họ có còn sinh lời không. Nếu lỗ, hãy đề xuất một cơ chế (cap, add-on, hay tier mới) để xử lý.
- Thiết kế mô hình hybrid. Đề xuất một cấu trúc giá gồm: một mức nền cố định + hạn mức dùng kèm theo + đơn giá cho phần vượt. Viết ra con số cụ thể và giải thích vì sao nó bảo vệ biên lợi nhuận của bạn.
- Tìm đòn bẩy giảm COGS. Liệt kê 3 cách kỹ thuật để giảm chi phí phục vụ (routing, caching, nén ngữ cảnh...) cho sản phẩm của bạn, và ước lượng mỗi cách tiết kiệm bao nhiêu phần trăm.
Tóm tắt
Sản phẩm AI khác biệt căn bản với SaaS truyền thống ở một điểm: chi phí phục vụ là biến đổi và có thật, chảy ra ngoài theo từng lần người dùng tương tác. Điều này kéo biên lợi nhuận gộp xuống dưới mốc 75% quen thuộc, và tạo ra "power user problem" — nơi khách hàng nặng nhất có thể tốn hơn số tiền họ trả.
Để xây một công ty AI bền vững, bạn phải: đo lường chi phí ở cấp độ token và người dùng, nhìn vào phân bố chứ không chỉ trung bình, và chọn mô hình định giá (thường là hybrid hoặc usage/value-based) sao cho giá bán luôn co giãn cùng chiều với chi phí. Trước khi nghĩ đến tăng giá, hãy khai thác các đòn bẩy kỹ thuật như phân tầng mô hình và caching để hạ COGS. Cuối cùng, hãy coi unit economics là bài toán sống động cần xem lại đều đặn, vì giá token, hành vi người dùng và công nghệ mô hình đều liên tục thay đổi. Nắm vững điều này, bạn sẽ tránh được cái bẫy chết người nhất của thời đại AI: một sản phẩm càng phát triển càng đốt tiền.