使用深度（Usage Depth）

3 秒看懂

使用深度 = 用户不只”用了”，而是”深度依赖”一个产品/平台的程度。 它衡量的不是用户数量（那是”广度”），而是每个用户嵌入产品的强度、频率、不可替代性。在 AI 时代，使用深度是判断平台黏性、定价权和长期变现能力的核心变量。

3 分钟产业解释

为什么”使用深度”突然成为 AI 投资的核心议题？

传统互联网产品的分析框架里，“MAU/DAU”（月活/日活）是最常用的增长指标。但在 AI 原生产品（如 ChatGPT、Copilot、Midjourney 等）的分析中，投资者和分析师发现：

• 光看用户数不够：ChatGPT 发布初期 MAU 增长极快，但大量用户”尝鲜后流失”——这是广度有余、深度不足。
• 真正决定长期收入的是”深度用户”占比：一个月偶尔问一次的免费用户，和每天嵌入工作流、调用 API 几百次的付费企业用户，商业价值相差数十倍。
• AI 产品的切换成本取决于深度：当用户将 Prompt 模板、私有数据、微调模型、自动化流程都构建在某个平台上时，迁移成本极高——这就是深度带来的”护城河”。

产业共识正在形成：评估 AI 平台公司的下一阶段指标，正在从”用户增速”转向”使用深度”。

使用深度的典型维度

15 分钟专家深入

使用深度的分析框架

从产业研究角度，使用深度可以从三个层次理解：

第一层：交互深度（Interaction Depth）

指单次使用中的探索深度。比如：

• 一个用户在 ChatGPT 中只问”今天天气如何”——极浅。
• 另一个用户写了一个 5000 字的 System Prompt，上传了 20 份行业研报做 RAG，逐步迭代分析报告——极深。

交互深度越高，说明产品能力被充分挖掘，用户越难找到替代品。

第二层：习惯密度（Habit Density）

指使用频率 × 场景覆盖。衡量的是用户是否将 AI 产品内化为”默认工具”：

• 是偶尔想起来用一下，还是打开电脑第一件事就启动？
• 是只在一个场景用（写作），还是跨场景使用（写作+编程+数据分析+PPT）？

习惯密度高的用户，流失率显著更低。行业观察认为 [定性分析框架]，高频用户的留存率可能是低频用户的 3-5 倍甚至更高。

第三层：生态锁定深度（Ecosystem Lock-in Depth）

最高层级。用户不仅使用产品本身，还在产品生态中构建了资产：

• 在 Notion AI 中积累了数千页知识库
• 在 GitHub Copilot 上形成了团队级的代码建议偏好
• 在企业级 AI 平台上部署了私有微调模型和自动化 Pipeline

这种深度带来的迁移成本可能是最高级别的，因为不仅涉及工具切换，还涉及数据迁移、流程重建和团队重新培训。

为什么 AI 时代比 SaaS 时代更依赖”使用深度”？

SaaS 时代也有使用深度的概念（如 Salesforce 的 Admin 自定义程度），但 AI 时代有三个独特因素放大了其重要性：

1. 数据飞轮效应：AI 产品使用越深，产生的数据越多，模型个性化越好，体验越好，使用更深——形成正反馈环。
2. 边际成本非线性下降：深度用户学会高效 Prompt/工作流后，单次产出效率远高于新手，形成”技能壁垒”。
3. 替代成本不透明：传统 SaaS 的功能对比是显性的（有 10 个功能 vs 15 个功能），但 AI 产品的使用深度所积累的隐性资产（Prompt 经验、数据上下文、微调权重）很难量化比较。

技术原理

使用深度如何被度量？

在实际产品分析中，使用深度并非单一指标，而是一个多维度复合指标体系。以下是常见的度量框架：

使用深度 (Usage Depth) 综合评分模型 [概念框架，非单一行业标准]
====================================================

UsageDepth_Score = w₁·Frequency + w₂·Duration + w₃·FeatureBreadth
                 + w₄·DataAsset + w₅·WorkflowIntegration + w₆·EconomicDependency

其中：
  Frequency           = 日均活跃会话数 / 周均活跃天数
  Duration            = 平均单次会话时长 或 单次 Token 消耗量
  FeatureBreadth      = 使用的功能模块数 / 平台总功能模块数
  DataAsset           = 平台内积累的私有数据量（文档/对话/项目数）
  WorkflowIntegration = 与外部系统集成的数量及调用频次
  EconomicDependency  = 该产品支出占用户工具预算的比例

权重 w₁...w₆ 因分析目的不同而调整：
  - 关注短期变现 → 侧重 Frequency, Duration
  - 关注长期护城河 → 侧重 DataAsset, WorkflowIntegration, EconomicDependency

从产品指标到商业价值的传导链

使用深度 ↑
    │
    ├──→ 留存率 ↑ ──→ LTV（用户生命周期价值）↑
    │
    ├──→ 转化率 ↑（免费→付费，标准版→高级版）
    │
    ├──→ ARPU ↑（单用户平均收入，因消耗更多 Token/功能）
    │
    ├──→ NPS/口碑 ↑ ──→ 有机获客成本 ↓
    │
    └──→ 切换成本 ↑ ──→ 定价权 ↑

Token 消耗量作为 AI 使用深度的代理指标

在 AI 大模型产品语境下，Token 消耗量是衡量使用深度的一个重要可量化代理（proxy）：

• 输入 Token：反映用户向模型传递的信息密度（上传文档、长 Prompt、多轮上下文）
• 输出 Token：反映任务复杂度（长文生成 vs 简短回答）
• 总 Token / 会话：可粗略区分”浅度查询”与”深度协作”

企业客户的 Token 消耗模式通常呈现幂律分布——少数深度用户/部门消耗大量 Token。这与 SaaS 时代的”超级用户”现象一致，但在 AI 产品中更为显著，因为 Token 消耗与任务复杂度高度相关。

技术演进史

使用深度概念的演变脉络

2023-2025 年的关键变化

2023 年初 ChatGPT 爆发时，市场主要看 MAU 增长曲线。但很快出现”增长见顶”的担忧——不是因为产品不好，而是因为大量浅度用户来试了一下就走了。

行业分析 [定性判断] 认为，2024 年开始，头部 AI 公司的投资者沟通和分析师报告中，“engagement depth”和”usage intensity”出现频率显著上升，取代单纯的用户增速成为叙事焦点。微软在财报中多次提及 Copilot 的”usage patterns”和”engagement metrics”（具体数字以 [微软财报披露] 为准），暗示市场正在向深度指标迁移。

技术路线对比

不同 AI 产品类型的使用深度特征

关键洞察：使用深度的上限和变现潜力之间存在强相关。企业级 > 专业级 > 消费级，这不是偶然——企业级产品的数据资产和流程嵌入天然更深。

上下游

使用深度在整个 AI 产业链中的位置

上游（基础设施层）                中游（模型/平台层）              下游（应用/用户层）
┌──────────────┐          ┌──────────────────┐          ┌──────────────────┐
│  算力（GPU/TPU）│          │                  │          │                  │
│  存储（HBM/SSD）│──算力需求──→│  基础模型训练      │          │  终端用户/企业     │
│  网络（光模块）  │          │  模型推理服务      │──服务──→│                  │
│  电力          │          │  AI 开发平台       │          │  使用深度 ↑       │
└──────────────┘          └──────────────────┘          │     │            │
                                  ↑                      │     ▼            │
                           使用深度影响上游需求：          │  Token 消耗 ↑    │
                           ·深度用户推理需求更大           │  数据沉淀 ↑      │
                           ·推动更大规模推理集群           │  订阅升级 ↑      │
                                                          └──────────────────┘

使用深度对产业链各环节的影响

• 算力层：深度用户的 Token 消耗量级远大于浅度用户。推理算力需求的增长，核心驱动力不是新用户涌入，而是存量用户的使用深度提升。这是推理侧（Inference）需求增长的核心逻辑之一。
• 模型层：使用深度高的场景对模型能力要求更高（长上下文、高准确率、低延迟），推动模型架构和推理优化持续迭代。
• 应用层：使用深度是应用层公司护城河的核心来源。深度用户的数据沉淀和流程嵌入构成网络效应和迁移成本。
• 数据层：深度使用产生的交互数据是 RLHF、模型微调和产品迭代的最重要燃料。

关键指标

衡量使用深度的核心 KPI

供需与市场数据

使用深度视角下的 AI 产品市场格局 [定性分析]

供给侧现状：

• 头部 AI 产品（ChatGPT、Copilot 等）的用户增长在经历爆发期后趋于平稳，但企业客户的 Token 消耗量仍在快速增长 [基于各公司财报中的收入增长趋势推断]。
• 这意味着：增量正从”新用户涌入”转向”存量用户深度化”——这正是使用深度开始主导叙事的原因。

需求侧分层：

⚠️ 以上分层和比例为分析框架下的合理估算，非某一厂商的精确披露数据。各产品之间差异显著。

关键市场推论：

• AI 产品的收入增长，未来将更依赖”深度用户”的 ARPU 提升和”中度用户”向”深度用户”的转化。
• 能够有效提升使用深度的产品设计能力（如降低使用门槛、提供模板、支持工作流集成）将成为核心竞争要素。

代表公司与资本映射

以”使用深度”为分析维度的公司分类

以上星级为基于公开信息的定性评估，非量化模型输出。

投资逻辑

使用深度作为投资分析框架

核心论点：在 AI 产业从”爆发期”过渡到”成熟期”的过程中，使用深度将成为区分赢家和输家的最关键变量。

投资逻辑推演：

Phase 1 (2023-2024): 用户增长为王
  → 市场奖励"用户增速快"的公司
  → 估值主要看 MAU/Growth Rate

Phase 2 (2024-2025): 使用深度崛起
  → 市场开始区分"有增长但无深度"和"有增长且有深度"
  → 估值开始看 NRR、ARPU、Token 消耗趋势

Phase 3 (2025+): 深度即护城河
  → 深度用户迁移成本显现，定价权回归
  → 估值看 Free Cash Flow / 竞争格局稳定性

三个可操作的投资视角

1. 优先投资”使用深度天然高”的赛道：企业级 AI > 开发者工具 > 消费级助手。企业客户的使用深度天然更高，且购买决策更理性（看 ROI 而非病毒传播）。

2. 关注”深度加速”信号：企业在财报电话会中披露的 engagement metrics 改善、NRR 提升、up-sell 进展，是使用深度正在提升的高频信号。

3. 警惕”宽度陷阱”：用户数增长快但使用深度停滞的产品，可能面临增长天花板和估值回调风险。典型的警示信号是 MAU 增长但收入/用户环比下降。

常见误读纠偏

误读 1：使用深度 = 使用时长

纠偏：使用时长只是使用深度的一个子维度。一个用户花 2 小时在 ChatGPT 上进行浅层闲聊，使用时长很长但深度很低。真正的使用深度还需要看：任务复杂度、功能覆盖广度、数据沉淀量、流程嵌入程度。

更精确地说：

• 使用深度 ≠ 用了多久
• 使用深度 = 用得有多”深”（嵌入程度 × 功能利用 × 数据积累 × 经济依赖）

误读 2：用户数增长放缓说明产品不行了

纠偏：在 AI 产品进入成熟期后，用户增长放缓是自然现象。关键是看存量用户的使用深度是否在提升。一个 DAU 稳定但人均 Token 消耗量翻倍的产品，其实际商业价值增长远超一个 MAU 翻倍但人均使用时长不变的产品。

使用深度视角下，增长的公式变为：

收入增长 ≈ 新增用户 × ARPU_new + 存量用户 × ΔARPU（使用深度提升驱动）
                                        ↑
                                  这部分才是长期可持续的增长引擎

误读 3：免费用户没有价值

纠偏：免费用户中存在”潜在深度用户”——他们使用频率已经很高，只是尚未被触发付费。使用深度高的免费用户是转化率最高的群体。因此，分析免费用户时不能只看总量，要看深度分布。

误读 4：使用深度只对 To C 产品重要

纠偏：To B 产品的使用深度分析同等甚至更加重要。企业客户的使用深度直接决定了续约率（Gross Retention）和扩展收入（Net Expansion），这两者是企业级 SaaS/AI 估值的核心变量。Palantir 的 AIP 平台之所以被市场看好，核心原因之一就是其客户使用深度极高且持续加深。

学习路径

从入门到精通的学习路线

入门（建立直觉）：

1. 观察自己日常使用的 3-5 个 AI 工具，记录使用频率、场景、功能覆盖，做一份”自我使用深度审计”。
2. 阅读 Ben Thompson 的 Stratechery 关于”Aggregation Theory”的系列文章——理解平台经济学中”用户参与度”的核心地位。

进阶（掌握框架）： 3. 学习 SaaS 分析中的关键指标体系（ARR、NRR、Gross Retention、Net Retention、LTV/CAC），理解使用深度如何映射到这些财务指标。 4. 对比分析 2-3 家 AI 公司的财报电话会，关注管理层对”engagement”和”usage patterns”的表述。

专家（深度应用）： 5. 建立自己的”使用深度评分模型”，尝试对不同 AI 产品做量化评估。 6. 跟踪头部 AI 公司的季度数据，观察使用深度指标的变化趋势与股价走势的关系。 7. 研究不同行业垂直 AI 的使用深度差异（如医疗 AI vs 法律 AI vs 金融 AI），建立行业级认知。

一句话总结

使用深度是 AI 平台公司从”有用户”到”有钱赚”的桥梁——在 AI 产业从爆发期转向成熟期的当下，它正在从”参考指标”升级为”核心估值变量”，投资分析必须从”数人头”转向”量深度”。

延伸阅读与来源

• Aggregation Theory 框架：Ben Thompson (Stratechery) — 平台经济学与用户参与度的理论基础
• SaaS 指标体系：a16z 关于 SaaS metric benchmarks 的系列研究 — 理解 NRR、留存率等指标
• AI 产品 engagement 分析：各头部 AI 公司（Microsoft、Google、Salesforce 等）季度财报电话会记录 — 一线管理层对 usage patterns 的表述
• 平台经济学经典：Geoffrey Parker 等《Platform Revolution》— 多边平台中用户参与深度与网络效应的关系
• AI 投资分析框架：ARK Invest 关于 AI platform revenue models 的研究报告 — 从 Token 消耗到收入的传导分析

⚠️ 数据来源说明：本页中所有具体比例、区间数字均为分析框架下的合理估算，旨在帮助建立概念直觉，非精确行业数据。如需用于正式投资决策，请以各公司官方披露数据和权威第三方报告为准。“使用深度”目前尚无统一的行业标准定义，不同分析师和机构的度量口径可能存在差异。