同样打开健身App的两个人，未必该看到同一个年费。
FitnessAI最近公开的一个做法，是让模型在用户抵达付费墙时，决定该展示哪种套餐、哪段周期、哪个价格。它读的不只是“这人点没点订阅”，还包括设备、地区、到达时机、训练目标，以及用户从哪里进来。更关键的是，模型不以这一次成交为唯一答案，而把续费和取消也当成后续训练数据。Botsi发布的FitnessAI客户案例
这件事看上去像增长团队的小优化，实际上碰到了消费级AI产品最难的一笔账：模型把内容越做越个性化，收费为什么还要千人一面？
一张付费墙，往往把用户分错了
FitnessAI本来就不是只卖一套固定课程。它根据训练目标生成动作、组数和次数，记录力量与训练量，并尝试用恢复状态调整下一次建议。FitnessAI官网
但它的付费方式长期面对一个矛盾：产品可以理解不同人的训练状态，价格实验却常常只比较几张静态页面。
在Botsi的案例里，FitnessAI团队描述了一个反常识的发现：最高价格在不少历史A/B测试里都能赢，但一路把价格抬高，最后会开始伤害订阅。问题不再是“哪一个价格转化最好”，而是“哪个报价真的让这位用户多带来长期价值”。Botsi案例对问题的说明
这两个问题看似只差几个字，产品动作却完全不同。
前者会把用户推向眼下最能收钱的选项；后者允许一小部分用户继续看到别的报价，让模型确认这笔收入是不是因为报价本身多出来的，而不是用户原本就会付费。
它调的不是标价，而是付费时刻
App Store上，FitnessAI公开列有12.99美元、19.99美元、24.99美元的月度内购，也有季度和年度选项，年度价格在不同项目中从78.99美元到119.99美元不等。这至少说明，产品本来就拥有不止一种购买路径；但商店页面不解释每位用户实际会被分配到哪个方案。FitnessAI App Store内购列表
动态付费墙的价值，就发生在这个空白里。
按照Botsi的描述，系统先在实时流量里学习，再用设备、系统、国家、时间、训练目标和获客渠道等匿名信号做首轮判断；随后把训练引导、归因和订阅结果加进来。它给出的不是一句“你应该收多少钱”，而是在几种已经批准的方案之间，挑一个更可能带来长期价值的组合。Botsi对模型输入和实验设计的说明
这比随意给同一产品贴不同价签要克制得多。它仍然需要明确的套餐边界、地区规则、退款政策和对照组，否则“个性化”很快会变成无法解释的混乱。
训练计划个性化，付费也开始个性化
FitnessAI官网称，产品已被500万+人下载，用户记录了1000万+次训练。这些是公司自报，不能换算成活跃用户或收入，但它们解释了为什么这类模型值得做：只有足够多的真实选择、取消和续费，动态定价才不会只是在小样本里玩概率游戏。FitnessAI官网的规模表述
而Botsi的客户案例称，FitnessAI在均分实时对照组下实现了高于基线的每用户收入，且优势会随着模型继续学习而扩大。这里应保持谨慎：案例没有给出样本量、具体提升幅度或完整留存分布，且由提供该系统的供应商发布，不能当作独立审计结论。Botsi的结果说明
不过，方向已经很清楚。
过去，健身App的AI常被理解为“替我排下周练什么”；现在，它也开始参与“产品该如何把这一周卖给我”。前一个AI在降低训练门槛，后一个AI在减少错误报价造成的长期流失。
这条线不能轻易跨过去
把AI放到价格旁边，天然会触碰信任。
用户可以接受不同套餐的权益不同，却未必接受同样权益、只是因为设备或来源不同而看到难以解释的价格。地区购买力、折扣资格和渠道活动有合理空间；不透明的个体差价则很容易伤害品牌。
因此，这类系统真正该优化的，不是“从每个人身上多榨出一点”，而是少把不合适的年费推给只想短期尝试的人，少用一张通用付费墙错过本来会长期留下的人。
FitnessAI给移动AI产品的提醒是：当产品已经知道用户的目标、进度和疲劳程度，商业化不能再假装每个人的付费意愿也完全一样。但模型越靠近报价，规则就越需要被讲清楚。