传统 SaaS 软件的边际成本接近于零：多一个用户使用，几乎不增加成本，因此按席位、按月收费的模式非常成功。AI 产品打破了这一规律：每一次调用模型都有真实的成本，重度用户的使用成本可能是轻度用户的几十倍。 如果沿用传统定价方式，可能出现用户越活跃、公司越亏钱的局面。AI 产品需要重新思考定价策略。

AI 产品的成本特点

  • 可变成本显著：模型调用、向量检索、GPU 推理都随使用量增长；
  • 用户间差异大：少数重度用户可能贡献了大部分的成本；
  • 成本在下降：模型价格持续下降，今天的成本结构明年可能大不相同；
  • 成本难以预测：同一个功能，不同的输入长度、模型选择和 Agent 执行步数，成本差异很大。

成本控制方法可参考大模型 API 成本优化。

常见定价模式

按席位订阅

每个用户每月固定费用。

  • 优点：客户预算可预测，采购流程简单，收入稳定；
  • 缺点：重度用户可能导致亏损；对于 AI 替代人工的场景，如果 AI 让客户减少了人员，席位数反而会下降；
  • 适用：使用强度相对平均、AI 作为辅助功能的产品。通常需要配合合理使用条款或用量上限。

按用量计费

按调用次数、处理的文档数、生成的字数或消耗的 Token 收费。

  • 优点：收入与成本直接挂钩，毛利稳定；客户可以从小规模开始尝试；
  • 缺点：客户难以预估费用，可能因担心超支而减少使用；需要完善的计量和账单系统；
  • 适用：开发者平台、API 服务、使用量波动大的场景。

积分或额度制

用户购买积分包，不同功能消耗不同数量的积分。

  • 优点：兼顾一定的可预测性和成本覆盖，可以灵活为不同成本的功能定价；
  • 缺点：积分换算规则复杂时，用户难以理解；
  • 适用：功能多样、成本差异大的消费级和中小企业产品。

按结果收费

按 AI 完成的有效工作收费，例如每解决一个客服工单、每完成一份合格的合同审查、每产生一个有效销售线索。

  • 优点：直接与客户获得的价值挂钩，最容易说服客户；
  • 缺点：需要清晰、双方认可的“结果”定义和计量方式；结果受多种因素影响，存在争议风险；
  • 适用：AI 替代明确人工工作、结果容易衡量的场景，例如智能客服，参见大模型智能客服。

混合模式

基础订阅费包含一定额度，超出部分按用量计费；或者席位费加上高级功能的按次收费。混合模式是目前很多 AI 产品的选择，兼顾了收入稳定性和成本覆盖。

设计定价的方法

1. 弄清单位经济

计算每个用户、每个功能的平均成本和分布，特别关注重度用户的成本。确保在合理的使用强度下保持健康的毛利。

2. 锚定客户价值

定价的上限取决于客户获得的价值，而不是你的成本。如果 AI 帮客户节省了大量人工时间，可以参考节省的人力成本来定价，而不是简单地在模型成本上加价。投入产出的计算方法可参考企业 AI 项目 ROI 怎么算。

3. 选择客户容易理解的计量单位

“处理一份合同”比“消耗多少 Token”更容易被业务人员理解和接受。

4. 提供可预测性

企业客户非常重视预算的可预测性。即使采用用量计费，也可以提供用量预估、用量提醒、预算上限设置等功能。

5. 防范滥用

设置合理的速率限制和使用上限，防止少数用户的异常使用导致成本失控。

6. 预留调整空间

模型成本下降和产品迭代都会改变成本结构，定价方案要便于调整。

常见误区

  • 只按成本加价定价：忽略了客户价值，可能定价过低；
  • 无限量套餐：在成本结构不清晰时承诺无限使用，风险很大；
  • 频繁调整价格：会损害客户信任，调整前要充分沟通。

小结

AI 产品的定价需要同时考虑可变成本、客户价值和可预测性。按席位、按用量、积分制、按结果收费各有适用场景，混合模式往往是平衡之选。弄清单位经济、锚定客户价值、选择易懂的计量单位并提供预算可控性，是设计可持续定价方案的关键。