基礎模型與 LLM 商業案例問的不是「要不要做 AI」，而是一家公司是否、以及如何採用大語言模型作為底層能力。框架分四部分——模型採購決策、成本結構、差異化護城河、廠商風險。與通用 AI 戰略案例的關鍵區別在於：要把基礎模型本身當作一種有明確成本曲線的商品化輸入來分析，而真正的商業價值要到別處去找——專有資料、工作流整合，或者轉換成本設計。
基礎模型與 LLM 案例正從通用 AI 戰略案例中獨立出來，因為背後的決策問題不同：用哪個模型、怎麼部署、單位使用成本是多少、依賴風險有多大。根據我們對近期科技行業案例的分析，面試官越來越多地設定這樣一個場景——客戶已經決定要用大語言模型，然後考察候選人能否就模型選型、成本結構和廠商鎖定進行推理，這正是大多數通用 AI 框架止步於"要不要做 AI"之後的那一層。
為什麼基礎模型案例是獨立的案例型別
通用 AI 戰略案例問的是公司是否應該投資 AI、投在哪裡。基礎模型案例假定這個決策已經做完，考察的是更窄的問題：既然客戶會用大語言模型，那應該如何採購它、如何圍繞它定價、如何在模型層發生變化時保護自己。這本質上是一個包裝成技術問題的"商品化輸入"問題，面試官用它來檢驗候選人是預設"直接用最好的模型"，還是真正在推理總擁有成本和依賴風險。
三個讓這類案例區別於標準自建/購買案例的變數：
| 變數 | 與標準軟體的區別 | 迫使你分析什麼 |
|---|---|---|
| 按 token 計費的成本 | 邊際成本隨使用量和輸出長度增長，不是固定授權費 | 規模化後的毛利率，而非僅看前期成本 |
| 模型迭代 | 前沿模型每 6-12 個月就會被淘汰、重新定價或被超越 | 轉換成本與多模型架構 |
| 商品化核心 | 大多數廠商訪問的是同一小批底層模型家族 | 真正的差異化到底來自哪裡 |
基礎模型決策框架
四個問題決定了一家依賴基礎模型的產品或能力該如何規劃，且必須按這個順序回答——成本和風險的結論只有在採購方式確定之後才有意義。
flowchart TD
A[基礎模型商業決策] --> B[模型採購]
A --> C[成本結構]
A --> D[差異化護城河]
A --> E[廠商風險]
B --> B1[前沿模型 API vs 開源權重 vs 微調]
B --> B2[單模型 vs 多模型路由]
C --> C1[目標使用量下的單 token 成本]
C --> C2[規模化後的毛利率，非試點階段]
D --> D1[專有資料層]
D --> D2[工作流整合 vs 原始輸出]
E --> E1[淘汰與重新定價風險]
E --> E2[廠商變更條款時的轉換成本]
style A fill:#1e3a5f,color:#fff
style B fill:#2563eb,color:#fff
style C fill:#2563eb,color:#fff
style D fill:#2563eb,color:#fff
style E fill:#2563eb,color:#fff
第一部分：模型採購決策
大多數候選人會直接跳到"我們應不應該自己訓練一個模型"——這幾乎總是錯誤的直覺。從零訓練一個基礎模型需要數億美元的算力和資料投入，全世界只有極少數公司能夠達到這個門檻。真正的採購決策在這一層之下。
| 方案 | 成本結構 | 部署時間 | 差異化程度 | 最適合場景 |
|---|---|---|---|---|
| 前沿模型 API（按 token 付費） | 可變，隨使用量增長 | 數天到數週 | 低——競爭對手訪問的是同一個模型 | 快速驗證、非核心功能 |
| 開源權重、自主部署 | 固定基礎設施與運維成本，邊際成本接近零 | 數週到數月 | 中——對部署和資料有控制權 | 高使用量場景、資料駐留要求 |
| 在基礎模型上微調 | API/託管費 + 一次性微調成本 | 數週 | 中高——在商品化底座上疊加專有資料層 | 中等使用量下的領域專精準確度 |
| 從零訓練 | 5000萬至5億美元以上算力與資料成本 | 12 個月以上 | 理論上高，實踐中很少能證明其合理性 | 極端規模或獨特架構需求——非常小的一類場景 |
面試官獎勵的洞察：對絕大多數公司而言，“自己訓練一個基礎模型"是錯誤答案，而最強的候選人會用成本論證明確排除這個選項，而不是一帶而過。
第二部分：成本結構——利潤率究竟在哪裡崩潰
模型經濟賬在試點階段看起來很有吸引力，規模化後卻變得脆弱，因為試點用的使用量小，token 成本相對於節省的人力成本幾乎可以忽略。把你的成本分析建立在目標使用量下的毛利率上，而不是試點階段的數字。
候選人經常低估的關鍵成本構成：
- 輸出長度，而非只看輸入長度：廠商通常按輸入 token 的數倍來計價輸出 token——一個生成長文字（報告、程式碼、摘要）的功能，每次互動的成本會明顯高於只做分類或提取簡短答案的功能。
- 上下文視窗膨脹：把長文件塞進每次呼叫的檢索增強（RAG）工作流會成倍拉高單次查詢成本，其增速往往比團隊在最初商業論證中建模的要快。
- 重試與糾錯開銷：處理幻覺輸出——人工稽覈、重新提示、兜底邏輯——會帶來在最初 ROI 模型裡幾乎不出現，卻在生產環境裡立刻顯現的成本。
一個案例面試中很實用的直覺檢驗：如果一個 AI 功能每使用者每月的執行成本高於它帶來的增量訂閱收入，那麼無論輸出質量多好，這個商業案例都是不成立的。關於這種成本結構下更廣泛的定價機制，可參考AI 產品上市案例。
第三部分：差異化護城河——價值真正落在哪裡
由於大多數廠商依賴的是同一小批底層模型家族，模型本身很少構成差異化。面試官用這類案例專門考察候選人能否在"我們的 AI 更聰明"之外找到價值所在。
差異化真正可能來自的三個地方：
- 專有資料層：基於競爭對手無法獲取的資料做微調或檢索增強——歷史交易記錄、內部文件、領域專屬標註樣本。
- 工作流整合：嵌入到使用者已經在使用的工具裡，勝過一個技術上更優但需要使用者切換場景的獨立產品。
- 信任與驗證基礎設施：置信度評分、審計追蹤、人工複核環節，讓輸出能在受監管或高風險的工作流中真正可用——這是一條競爭對手因為在演示中不顯眼而容易投入不足的護城河。
如果這三點都不適用，那麼案例面試中誠實的答案就是：這個 AI 功能只是一次臨時的對等追趕動作，而不是持久的競爭優勢——相應地，推薦方案的定價和資源投入也應該按這個定位來做。
第四部分：廠商風險與模型迭代
依賴基礎模型引入了一類標準軟體廠商選型中不存在的風險：底層模型本身大約每 6-12 個月就會被淘汰、重新定價，或被競爭對手的能力反超。
flowchart LR
A[廠商風險暴露] --> B[淘汰風險]
A --> C[重新定價風險]
A --> D[能力反超風險]
B --> B1[模型下線且遷移視窗很短]
C --> C1[單 token 價格變動不受你控制]
D --> D1[競爭對手用上明顯更強的模型]
候選人應該提出的緩解措施：設計一個抽象層，讓產品能夠更換底層模型而不需要整體重構；維護一套評估基準，以便快速驗證模型切換的效果；避免深度繫結任何單一廠商的專有特性（微調 API、工具呼叫格式），否則日後解綁成本會很高。關於這種風險框架所依託的更廣泛自建/購買工具箱，可參考技術自建/購買決策案例。
常見案例場景
場景一——新功能的採購決策。 一家 B2B SaaS 公司想為產品加入由 LLM 驅動的文件分析功能。應該呼叫前沿模型 API，還是自主部署開源權重模型，還是做微調？先按第一部分推理——在他們預期的使用量下，固定的自主部署成本是否比可變的 API 定價更划算？這個場景需要前沿級別的推理能力，還是一個更小、更便宜的模型就夠用？
場景二——廠商集中度風險。 一家公司把核心產品建立在單一基礎模型廠商之上。該廠商剛剛宣佈提價 40%，僅給出 90 天的通知期。先診斷轉換成本（第四部分），再構建應對方案：自行吸收成本、轉嫁給客戶，還是投資多模型架構以降低未來的暴露風險。
場景三——規模化後的利潤侵蝕。 一個在 500 使用者試點階段看起來盈利的 AI 功能，在擴充套件到 5 萬使用者後開始虧損。按第二部分逐項排查成本模型在哪裡崩潰——通常是輸出長度、上下文視窗增長，或者試點階段從未暴露過的重試開銷——然後再推薦定價或架構上的修復方案。
核心要點
- 基礎模型案例假定"要用 LLM"這一點已經決定，轉而考察模型採購、成本結構、差異化和廠商風險
- 從零訓練基礎模型對幾乎所有公司來說都是錯誤的預設答案——用成本論證明確排除這個選項
- 把成本分析建立在目標使用量下的毛利率上，而不是試點經濟賬——輸出長度和上下文視窗增長是最常被低估的成本驅動因素
- 由於大多數廠商依賴同一批底層模型，差異化必須來自專有資料、工作流整合或信任基礎設施——而不是模型本身
- 廠商風險是與標準軟體風險不同的獨立類別：模型淘汰、重新定價和能力反超以 6-12 個月為週期發生
- 一個有力的推薦方案應包含抽象層或評估流程，讓客戶能夠更換模型而不需要整體重構
練習基礎模型與 LLM 案例
在案例庫中探索戰略決策案例和成本削減案例，或回顧AI 與新興技術案例，瞭解這個框架所依託的更廣泛 AI 戰略層。
要真正掌握這套框架，練習比閱讀更重要。CasesCoach 的引導模式會在每個決策點給你提示，帶你走完一個基礎模型採購案例——適合在正式上場前先建立起結構感。框架內化之後，切換到專家模式，在沒有任何提示的情況下模擬真實面試壓力。對於像上面廠商集中度風險這樣的場景，與案例對話讓你完整走一遍真實的基礎模型案例——背景、選框架、填資料、分析、結論——AI 搭檔會在過程中實時挑戰你的邏輯。
每次練習都會從五個維度打分——結構、分析、溝通、商業敏感度、計算——讓你在真正面試之前就清楚差距在哪裡。
免費註冊即可體驗 3 個完整案例外加一次 AI 模擬面試。想深入練習？升級 Pro 可解鎖全部 835+ 案例庫，並獲得多次 AI 模擬面試機會。現在就試試 AI 模擬面試，或檢視定價方案瞭解詳情。