ARR之所以重要，是因为其与公司估值密切相关。但不少AI公司的ARR经不起推销。
随着SaaS产品中AI能力的深度融入，尤其是AI功能普遍采用基于用量的定价模式（UBP），传统ARR的定义已难以准确反映此类收入的经常性与可预测性。
随着固定订阅与弹性消耗之间的边界日益模糊，导致原有ARR框架在衡量AI驱动型业务时出现明显偏差——既可能低估高活跃客户的长期价值，也可能高估低使用率合同的实际贡献。
为此，有必要为AI相关收入建立独立的计量标准——即AI ARR。这一指标不仅更真实地捕捉AI服务的收入运行率，还能有效区分和观察“稳定订阅”与“波动用量”对整体业务的影响，从而提供更具洞察力的经营视图。而AI ARR也成为衡量AI产品商业化成熟度和客户依赖度的关键标尺。
在AI SaaS公司中，通常采用两种ARR定义：
ARR：定义为报告期末经常性SaaS收入的年化值，涵盖所有活跃或已签约SaaS合同中的固定期限部分和基于用量的部分。
AI ARR：从ARR中拆分出的、专门与包含AI功能的解决方案相关的部分。它既包括已承诺的经常性SaaS收入，也包含基于用量产生的超额收入（overages），从而全面反映AI产品的货币化水平。
通过这种结构化分离，企业不仅能更精准地追踪AI业务的增长轨迹，还能在内部建立以实际使用和价值交付为核心的绩效文化，为可持续创新奠定基础。
将AI相关收入从整体ARR中独立出来，不仅是财务口径的细化，更是战略认知的升级，其核心意义在于：
首先，向投资者清晰展示AI真正的货币化能力，而非仅作为产品包装中的附加功能。在当前市场对“AI概念”高度敏感但又趋于理性的背景下，AI ARR提供了可量化、可验证的商业化证据，有效区分“真落地”与“伪赋能”。
其次，能够单独衡量来自AI功能使用和消费行为的投资回报（ROI）。无论是智能客服机器人调用量、模型推理次数，还是自动化流程的执行频次，AI ARR使企业得以精准评估每一项AI能力对收入的实际贡献，从而优化研发优先级与资源配置。
第三，推动内部团队聚焦平台的核心价值创造，避免被收入的短期波动所干扰。销售、产品与客户成功团队可以围绕AI使用深度与客户成效建立统一目标，而非仅仅追逐合同金额或开票节奏。
此外，AI ARR将产品使用量直接与收入挂钩，强化了“用得越多、付得越多”的良性循环机制，也为动态定价和产品迭代提供数据基础。
基于这一指标，企业还能以更高置信度预测自由现金流，提升财务规划的稳健性。
最终，AI ARR使公司能够围绕已验证的AI成效重塑价值主张——不再依赖模糊的“AI赋能”话术，而是用真实的客户使用数据和收入结果说话，构建更具说服力的市场叙事与长期竞争优势。
正因AI收入高度依赖用量且波动性强，简单套用传统ARR计算方式极易导致指标失真。
不少AI公司借此操纵数据——用单月峰值或实验性订单推高“理论ARR”，制造虚假增长幻觉。AI ARR的提出，正是为了穿透这类数字游戏，回归收入的真实可预测性。
唯有将AI相关收入独立、透明地计量，才能避免ARR沦为营销话术，真正服务于产品价值验证、现金流管理和理性估值。否则，虚高的ARR只会加速泡沫积累，而非推动可持续增长。"