使用深度（Usage Depth）

3 秒看懂

使用深度 = 使用者不只”用了”，而是”深度依賴”一個產品/平台的程度。 它衡量的不是使用者數量（那是”廣度”），而是每個使用者嵌入產品的強度、頻率、不可替代性。在 AI 時代，使用深度是判斷平台黏性、定價權和長期變現能力的核心變數。

3 分鐘產業解釋

為什麼”使用深度”突然成為 AI 投資的核心議題？

傳統網際網路產品的分析架構裡，“MAU/DAU”（月活/日活）是最常用的增長指標。但在 AI 原生產品（如 ChatGPT、Copilot、Midjourney 等）的分析中，投資者和分析師發現：

光看使用者數不夠：ChatGPT 釋出初期 MAU 增長極快，但大量使用者”嚐鮮後流失”——這是廣度有餘、深度不足。
真正決定長期營收的是”深度使用者”佔比：一個月偶爾問一次的免費使用者，和每天嵌入工作流、呼叫 API 幾百次的付費企業使用者，商業價值相差數十倍。
AI 產品的切換成本取決於深度：當用戶將 Prompt 模板、私有資料、微調模型、自動化流程都建置在某個平台上時，遷移成本極高——這就是深度帶來的”護城河”。

產業共識正在形成：評估 AI 平台公司的下一階段指標，正在從”使用者增速”轉向”使用深度”。

使用深度的典型維度

維度	低深度表現	高深度表現
頻率	每月 1-2 次試用	每天多次呼叫，形成習慣
時長	單次 < 2 分鐘	單次 > 15 分鐘或持續後臺執行
功能覆蓋	只用核心單一功能	使用多個模組、高階功能、API 整合
資料沉澱	無歷史積累	大量對話/專案/定製化資料在平台內
流程嵌入	獨立工具，隨時可換	嵌入企業工作流，與 ERP/CRM/程式碼庫打通
經濟依賴	非剛需，降預算先砍	成為核心生產工具，預算剛性

15 分鐘專家深入

使用深度的分析架構

從產業研究角度，使用深度可以從三個層次理解：

第一層：互動深度（Interaction Depth）

指單次使用中的探索深度。比如：

一個使用者在 ChatGPT 中只問”今天天氣如何”——極淺。
另一個使用者寫了一個 5000 字的 System Prompt，上傳了 20 份行業研究報告做 RAG，逐步迭代分析報告——極深。

互動深度越高，說明產品能力被充分挖掘，使用者越難找到替代品。

第二層：習慣密度（Habit Density）

指使用頻率 × 場景覆蓋。衡量的是使用者是否將 AI 產品內化為”預設工具”：

是偶爾想起來用一下，還是開啟電腦第一件事就啟動？
是隻在一個場景用（寫作），還是跨場景使用（寫作+程式設計+資料分析+PPT）？

習慣密度高的使用者，流失率顯著更低。行業觀察認為 [定性分析架構]，高頻使用者的留存率可能是低頻使用者的 3-5 倍甚至更高。

第三層：生態鎖定深度（Ecosystem Lock-in Depth）

最高層級。使用者不僅使用產品本身，還在產品生態中建置了資產：

在 Notion AI 中積累了數千頁知識庫
在 GitHub Copilot 上形成了團隊級的程式碼建議偏好
在企業級 AI 平台上部署了私有微調模型和自動化 Pipeline

這種深度帶來的遷移成本可能是最高級別的，因為不僅涉及工具切換，還涉及資料遷移、流程重建和團隊重新培訓。

為什麼 AI 時代比 SaaS 時代更依賴”使用深度”？

SaaS 時代也有使用深度的概念（如 Salesforce 的 Admin 自定義程度），但 AI 時代有三個獨特因素放大了其重要性：

資料飛輪效應：AI 產品使用越深，產生的資料越多，模型個性化越好，體驗越好，使用更深——形成正反饋環。
邊際成本非線性下降：深度使用者學會高效 Prompt/工作流後，單次產出效率遠高於新手，形成”技能壁壘”。
替代成本不透明：傳統 SaaS 的功能對比是顯性的（有 10 個功能 vs 15 個功能），但 AI 產品的使用深度所積累的隱性資產（Prompt 經驗、資料上下文、微調權重）很難量化比較。

技術原理

使用深度如何被度量？

在實際產品分析中，使用深度並非單一指標，而是一個多維度複合指標體系。以下是常見的度量架構：

使用深度 (Usage Depth) 綜合評分模型 [概念架構，非單一行業標準]
====================================================

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

其中：
  Frequency           = 日均活躍會話數 / 周均活躍天數
  Duration            = 平均單次會話時長 或 單次 Token 消耗量
  FeatureBreadth      = 使用的功能模組數 / 平台總功能模組數
  DataAsset           = 平台內積累的私有資料量（文件/對話/專案數）
  WorkflowIntegration = 與外部系統整合的數量及呼叫頻次
  EconomicDependency  = 該產品支出佔用戶工具預算的比例

權重 w₁...w₆ 因分析目的不同而調整：
  - 關注短期變現 → 側重 Frequency, Duration
  - 關注長期護城河 → 側重 DataAsset, WorkflowIntegration, EconomicDependency

從產品指標到商業價值的傳導鏈

使用深度 ↑
    │
    ├──→ 留存率 ↑ ──→ LTV（使用者生命週期價值）↑
    │
    ├──→ 轉化率 ↑（免費→付費，標準版→高階版）
    │
    ├──→ ARPU ↑（單使用者平均營收，因消耗更多 Token/功能）
    │
    ├──→ NPS/口碑 ↑ ──→ 有機獲客成本 ↓
    │
    └──→ 切換成本 ↑ ──→ 定價權 ↑

Token 消耗量作為 AI 使用深度的代理指標

在 AI 大型模型產品語境下，Token 消耗量是衡量使用深度的一個重要可量化代理（proxy）：

輸入 Token：反映使用者向模型傳遞的資訊密度（上傳文件、長 Prompt、多輪上下文）
輸出 Token：反映任務複雜度（長文生成 vs 簡短回答）
總 Token / 會話：可粗略區分”淺度查詢”與”深度協作”

企業客戶的 Token 消耗模式通常呈現冪律分佈——少數深度使用者/部門消耗大量 Token。這與 SaaS 時代的”超級使用者”現象一致，但在 AI 產品中更為顯著，因為 Token 消耗與任務複雜度高度相關。

技術演進史

使用深度概念的演變脈絡

階段	時間段	核心關注指標	使用深度的地位
PC 網際網路	2000s	PV、UV	幾乎不被關注，流量為王
移動網際網路	2010-2015	DAU/MAU、時長	開始被重視（“使用者時長”概念興起）
SaaS 時代	2015-2020	ARR、NRR（淨營收留存）	成為核心指標——NRR>120% 的 SaaS 公司估值溢價顯著
AI 原生時代	2023-至今	Token 消耗、API 呼叫、嵌入深度	地位空前提升——從”參考指標”升級為”核心估值變數”

2023-2025 年的關鍵變化

2023 年初 ChatGPT 爆發時，市場主要看 MAU 增長曲線。但很快出現”增長見頂”的擔憂——不是因為產品不好，而是因為大量淺度使用者來試了一下就走了。

行業分析 [定性判斷] 認為，2024 年開始，頭部 AI 公司的投資者溝通和分析師報告中，“engagement depth”和”usage intensity”出現頻率顯著上升，取代單純的使用者增速成為敘事焦點。微軟在財報中多次提及 Copilot 的”usage patterns”和”engagement metrics”（具體數字以 [微軟財報揭露] 為準），暗示市場正在向深度指標遷移。

技術路線對比

不同 AI 產品型別的使用深度特徵

產品型別	典型代表	使用深度驅動因素	深度上限	變現潛力
通用對話助手	ChatGPT、Claude、Gemini	Prompt 技能、多場景覆蓋	中等（單人使用場景有限）	中（訂閱為主，ARPU 有天花板）
程式設計助手	Copilot、Cursor、CodeWhisperer	程式碼庫嵌入、團隊配置、CI/CD 整合	高（深度嵌入開發工作流）	高（開發者工具預算大，切換成本高）
企業 AI 平台	Databricks + AI、Snowflake Cortex	資料資產、模型定製、治理合規	極高（資料+模型+流程三重鎖定）	極高（平台級定價）
創意工具	Midjourney、Runway、Suno	風格訓練、素材庫積累	中等	中等（替代品多）
垂直行業 AI	醫療影像 AI、法律 AI	專業知識沉澱、合規認證	極高（行業壁壘疊加使用深度）	極高（單位價值高）

關鍵洞察：使用深度的上限和變現潛力之間存在強相關。企業級 > 專業級 > 消費級，這不是偶然——企業級產品的資料資產和流程嵌入天然更深。

上下游

使用深度在整個 AI 產業鏈中的位置

上游（基礎設施層）                中游（模型/平台層）              下游（應用/使用者層）
┌──────────────┐          ┌──────────────────┐          ┌──────────────────┐
│  算力（GPU/TPU）│          │                  │          │                  │
│  儲存（HBM/SSD）│──算力需求──→│  基礎模型訓練      │          │  終端使用者/企業     │
│  網路（光模組）  │          │  模型推論服務      │──服務──→│                  │
│  電力          │          │  AI 開發平台       │          │  使用深度 ↑       │
└──────────────┘          └──────────────────┘          │     │            │
                                  ↑                      │     ▼            │
                           使用深度影響上游需求：          │  Token 消耗 ↑    │
                           ·深度使用者推論需求更大           │  資料沉澱 ↑      │
                           ·推動更大規模推論叢集           │  訂閱升級 ↑      │
                                                          └──────────────────┘

使用深度對產業鏈各環節的影響

算力層：深度使用者的 Token 消耗量級遠大於淺度使用者。推論算力需求的增長，核心驅動力不是新使用者湧入，而是存量使用者的使用深度提升。這是推論側（Inference）需求增長的核心邏輯之一。
模型層：使用深度高的場景對模型能力要求更高（長上下文、高準確率、低延遲），推動模型架構和推論最佳化持續迭代。
應用層：使用深度是應用層公司護城河的核心來源。深度使用者的資料沉澱和流程嵌入構成網路效應和遷移成本。
資料層：深度使用產生的互動資料是 RLHF、模型微調和產品迭代的最重要燃料。

關鍵指標

衡量使用深度的核心 KPI

指標	定義	行業參考區間 [估算/架構]	備註
DAU/MAU 比	日活佔月活比例	>50% 為高黏性產品	ChatGPT 的 DAU/MAU 比據報道處於較高水平 [第三方估算]
人均會話數/天	每日平均互動次數	消費級 1-3 次，企業級可達 10+ 次	因產品型別差異大
人均 Token 消耗/天	每日消耗的總 Token 數	[各廠商未充分揭露使用者粒度資料]	最直接的深度代理
功能使用廣度	使用的功能模組佔比	深度使用者通常使用 >60% 功能	新手通常 <20%
NRR（淨營收留存率）	老客戶營收留存+擴充套件	頭部 SaaS/AI 平台 >120%	與使用深度高度正相關
付費轉化週期	從首次使用到付費的時間	短週期暗示深度體驗好	也受定價策略影響
留存曲線形態	D7/D30/D90 留存率	深度產品的留存曲線衰減慢	關鍵看 D30 後是否”平底”

供需與市場資料

使用深度視角下的 AI 產品市場格局 [定性分析]

供給側現狀：

頭部 AI 產品（ChatGPT、Copilot 等）的使用者增長在經歷爆發期後趨於平穩，但企業客戶的 Token 消耗量仍在快速增長 [基於各公司財報中的營收增長趨勢推斷]。
這意味著：增量正從”新使用者湧入”轉向”存量使用者深度化”——這正是使用深度開始主導敘事的原因。

需求側分層：

使用者分層	佔比 [粗略估算]	使用深度	貢獻營收佔比 [估算]
嚐鮮使用者	~60-70%	極淺，試用 1-3 次後流失	<10%
輕度使用者	~15-20%	中低，偶爾使用	~15-20%
核心使用者	~10-15%	高頻、多場景	~30-40%
深度使用者	~3-5%	全面嵌入、API 呼叫、付費高階版	~30-40%

⚠️ 以上分層和比例為分析架構下的合理估算，非某一廠商的精確揭露資料。各產品之間差異顯著。

關鍵市場推論：

AI 產品的營收增長，未來將更依賴”深度使用者”的 ARPU 提升和”中度使用者”向”深度使用者”的轉化。
能夠有效提升使用深度的產品設計能力（如降低使用門檻、提供模板、支援工作流整合）將成為核心競爭要素。

代表公司與資本對映

以”使用深度”為分析維度的公司分類

公司	AI 產品	使用深度評估	核心邏輯
Microsoft	Copilot（Office/GitHub）	⭐⭐⭐⭐⭐	嵌入現有工作流（Office 365 + VS Code），資料沉澱深，遷移成本極高
Google	Gemini（搜尋/Workspace/Cloud）	⭐⭐⭐⭐	搜尋嵌入天然高頻，Workspace 有企業級潛力，但 AI 功能尚在追趕
Salesforce	Einstein AI	⭐⭐⭐⭐⭐	CRM 資料天然高深度，AI 疊加在已有工作流上
Adobe	Firefly / Sensei	⭐⭐⭐⭐	創意工作者深度依賴，素材庫和風格訓練構成鎖定
OpenAI	ChatGPT / API	⭐⭐⭐（消費）/ ⭐⭐⭐⭐（企業API）	消費級深度受限，企業 API 深度潛力大但競爭激烈
Palantir	AIP 平台	⭐⭐⭐⭐⭐	企業資料整合極深，部署週期長，遷移成本業界最高檔之一
ServiceNow	Now Assist	⭐⭐⭐⭐	IT/HR 工作流深度嵌入，AI 是已有平台的自然延伸
CrowdStrike	Charlotte AI	⭐⭐⭐⭐	安全運營深度嵌入，資料飛輪效應強

以上星級為基於公開資訊的定性評估，非量化模型輸出。

投資邏輯

使用深度作為投資分析架構

核心論點：在 AI 產業從”爆發期”過渡到”成熟期”的過程中，使用深度將成為區分贏家和輸家的最關鍵變數。

投資邏輯推演：

Phase 1 (2023-2024): 使用者增長為王
  → 市場獎勵"使用者增速快"的公司
  → 估值主要看 MAU/Growth Rate

Phase 2 (2024-2025): 使用深度崛起
  → 市場開始區分"有增長但無深度"和"有增長且有深度"
  → 估值開始看 NRR、ARPU、Token 消耗趨勢

Phase 3 (2025+): 深度即護城河
  → 深度使用者遷移成本顯現，定價權迴歸
  → 估值看 Free Cash Flow / 競爭格局穩定性

三個可操作的投資視角

優先投資”使用深度天然高”的賽道：企業級 AI > 開發者工具 > 消費級助手。企業客戶的使用深度天然更高，且購買決策更理性（看 ROI 而非病毒傳播）。
關注”深度加速”訊號：企業在財報電話會中揭露的 engagement metrics 改善、NRR 提升、up-sell 進展，是使用深度正在提升的高頻訊號。
警惕”寬度陷阱”：使用者數增長快但使用深度停滯的產品，可能面臨增長天花板和估值回撥風險。典型的警示訊號是 MAU 增長但營收/使用者季增率下降。

常見誤讀糾偏

誤讀 1：使用深度 = 使用時長

糾偏：使用時長只是使用深度的一個子維度。一個使用者花 2 小時在 ChatGPT 上進行淺層閒聊，使用時長很長但深度很低。真正的使用深度還需要看：任務複雜度、功能覆蓋廣度、資料沉澱量、流程嵌入程度。

更精確地說：

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 × 資料積累 × 經濟依賴）

誤讀 2：使用者數增長放緩說明產品不行了

糾偏：在 AI 產品進入成熟期後，使用者增長放緩是自然現象。關鍵是看存量使用者的使用深度是否在提升。一個 DAU 穩定但人均 Token 消耗量翻倍的產品，其實際商業價值增長遠超一個 MAU 翻倍但人均使用時長不變的產品。

使用深度視角下，增長的公式變為：

營收增長 ≈ 新增使用者 × ARPU_new + 存量使用者 × ΔARPU（使用深度提升驅動）
                                        ↑
                                  這部分才是長期可持續的增長引擎

誤讀 3：免費使用者沒有價值

糾偏：免費使用者中存在”潛在深度使用者”——他們使用頻率已經很高，只是尚未被觸發付費。使用深度高的免費使用者是轉化率最高的群體。因此，分析免費使用者時不能只看總量，要看深度分佈。

誤讀 4：使用深度只對 To C 產品重要

糾偏：To B 產品的使用深度分析同等甚至更加重要。企業客戶的使用深度直接決定了續約率（Gross Retention）和擴充套件營收（Net Expansion），這兩者是企業級 SaaS/AI 估值的核心變數。Palantir 的 AIP 平台之所以被市場看好，核心原因之一就是其客戶使用深度極高且持續加深。

學習路徑

從入門到精通的學習路線

入門（建立直覺）：

觀察自己日常使用的 3-5 個 AI 工具，記錄使用頻率、場景、功能覆蓋，做一份”自我使用深度審計”。
閱讀 Ben Thompson 的 Stratechery 關於”Aggregation Theory”的系列文章——理解平台經濟學中”使用者參與度”的核心地位。

進階（掌握架構）： 3. 學習 SaaS 分析中的關鍵指標體系（ARR、NRR、Gross Retention、Net Retention、LTV/CAC），理解使用深度如何對映到這些財務指標。 4. 對比分析 2-3 家 AI 公司的財報電話會，關注管理層對”engagement”和”usage patterns”的表述。

專家（深度應用）： 5. 建立自己的”使用深度評分模型”，嘗試對不同 AI 產品做量化評估。 6. 追蹤頭部 AI 公司的季度資料，觀察使用深度指標的變化趨勢與股價走勢的關係。 7. 研究不同行業垂直 AI 的使用深度差異（如醫療 AI vs 法律 AI vs 金融 AI），建立行業級認知。

一句話總結

使用深度是 AI 平台公司從”有使用者”到”有錢賺”的橋樑——在 AI 產業從爆發期轉向成熟期的當下，它正在從”參考指標”升級為”核心估值變數”，投資分析必須從”數人頭”轉向”量深度”。

延伸閱讀與來源

Aggregation Theory 架構：Ben Thompson (Stratechery) — 平台經濟學與使用者參與度的理論基礎
SaaS 指標體系：a16z 關於 SaaS metric benchmarks 的系列研究 — 理解 NRR、留存率等指標
AI 產品 engagement 分析：各頭部 AI 公司（Microsoft、Google、Salesforce 等）季度財報電話會記錄 — 一線管理層對 usage patterns 的表述
平台經濟學經典：Geoffrey Parker 等《Platform Revolution》— 多邊平台中使用者參與深度與網路效應的關係
AI 投資分析架構：ARK Invest 關於 AI platform revenue models 的研究報告 — 從 Token 消耗到營收的傳導分析

⚠️ 資料來源說明：本頁中所有具體比例、區間數字均為分析架構下的合理估算，旨在幫助建立概念直覺，非精確行業資料。如需用於正式投資決策，請以各公司官方揭露資料和權威第三方報告為準。“使用深度”目前尚無統一的行業標準定義，不同分析師和機構的度量口徑可能存在差異。