别重蹈 MoviePass 的覆辙。在增长也意味着烧钱的时代，这里有五种定价模式供你参考。
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：当成本随使用量同步增长时，该如何为产品定价？文章剖析了一场迫使整个行业重新思考商业模式的范式转移：AI 彻底摧毁了让传统 SaaS 如此暴利的经济逻辑。那么，当最优质的客户同时也成了最昂贵的负担时，你该怎么办？本文涵盖了专为这一新现状设计的五种定价模式、每位创始人必须理解的三大核心原则，以及选择正确方案的决策框架。文章来自编译。
MoviePass 当年那场轰轰烈烈的溃败，虽不像 Theranos 那样有精心编织的骗局，也没有 WeWork 创始人那样反复无常的狂人气质，更不似那款毫无用处的 Juicero 榨汁机那样荒诞不经。在 2010 年代所有的传奇崩盘案例中，它纯粹是显得有些滑稽。
这家公司的坑其实很简单：让客户每月支付 9.95 美元，就能看多达 30 部电影，而公司却要向影院支付每张 10 美元的票价。事实证明，这种高达 96.68% 的折扣是无法长久维系的。
如今开发 AI 产品的公司也面临同样的陷阱。在传统软件即服务（SaaS）模式下，一旦你付清了开发人员的工资和亚马逊云服务（AWS）的存储费用，即便使用人数再多，你的边际成本也几乎为零。但 AI 公司是按次向大模型（LLM）供应商付费的。这意味着，增长是昂贵的。
AI“氛围编程”平台 Replit 就曾以此换取了惨痛的教训。用户支付月费来编写应用和网站，如果使用量大则额外加钱。与此同时，Replit 必须为其背后驱动的 LLM 支付费用。结果，该公司的毛利率（总收入减去直接成本）从去年 2 月的 36% 暴跌至 4 月的 -14%；也就是说，客户用得越多，公司亏得越多。到了 7 月，毛利率虽回升至 23%，但仍远低于传统 SaaS 公司普遍享有的 70% 到 85% 的水平。
作为 YC 支持的开源计费公司 Lago 的联合创始人，我们致力于帮助企业进行收费和开具发票，在此期间我见证了数十家 AI 公司陷入同样的困境。对我而言，一劳永逸的定价策略时代已经结束了。对于那些正在利用 AI 创业、并为大部分收入都流向了 LLM 供应商而发愁的创始人和团队来说，目前还缺乏明确具体的指导信息。
AI 不仅压缩了毛利率，在竞争如此激烈的环境下，还压缩了容错空间。这使得制定产品定价和维持健康的利润率成为了一项需要全公司参与的任务。如果你正在创办一家 AI 公司，除了财务部门，团队中的更多成员都需要了解定价、变现以及利润率。
创始人和开发者需要了解适用于 AI 工具的五种定价模式，以避免公司被 LLM 成本拖入破产深渊。如果你遵循这些 AI 时代的定价新原则，你就会明白为什么你的工程团队需要像首席财务官（CFO）一样关心利润率，以及如何通过架构定价，将 AI 的边际成本从负担转化为竞争优势。
AI 定价模式：优劣分析
让我们来详细剖析几种定价模式。在成本大头都花在 LLM 上的情况下，你可以依靠这些模式建立可持续发展的业务。
按量计费：为消耗付费
按量计费即“用多少付多少”。亚马逊 AWS 或 OpenAI 等基础设施供应商就是这样收费的——按存储的 GB 数或处理的 token 数计费。Replit 向 OpenAI 支付费用时，也是根据处理的输入和输出 token 数付费，而不是支付固定的订阅费。
OpenAI 按百万 token 收费。一百万 token 大约相当于 75 万个单词。（来源：OpenAI）
按席位订阅：在 AI 时代依然表现稳健
按席位订阅——每人一个账号，每月一份固定费用——是传统 SaaS 公司发家致富的法宝。虽然有不少观点认为 AI 终结了这一模式，但协作式脑暴工具 Miro 证明了它依然充满活力。该公司的方案现在包含了 AI 点数（用以限制高成本功能的使用频率），但客户依然是按用户数付费。
协作工具 Miro 的方案包含了按席位订阅模式。（来源：Miro）
当产品本身侧重协作时，按席位订阅模式非常奏效。由于 AI 功能的运营成本更高，公司可能会提高每个席位的价格。但真正的威胁在于，AI 提高了团队效率，导致所需人手减少，从而从根本上减少了可售席位的数量。
带超额费用的订阅：超出部分额外付费
这种模式为客户提供一个包含基础使用量的套餐，一旦超出，则收取额外费用。AI 代码编辑器 Cursor 就采用了这种模式，每月为开发者提供一定量的 AI 辅助编码额度，超出后另行计费。
AI 代码编辑器 Cursor 为客户分配了一定的使用量，超出后将收取更多费用。（来源：Cursor）
这种模式非常适合那些对可靠性要求极高的产品，如代码编辑器、基础设施或通信工具。比方说，如果用户在用完额度后就无法再使用 Cursor，那么关键的业务工程工作流就会被迫中断。
不过，这种策略也存在遭到抵制的风险：如果用户无法清晰地看到自己的支出情况（或没收到通知），你最好避免收取超额费用，以免因出现“天价账单”而透支用户信任。
按点数计费：一种感觉“用不完”的使用方案
一些 AI 公司在订阅费中包含了以“点数”形式体现的使用量：比如花 50 美元买 1000 个点数，生成一张 AI 图片消耗 10 点，生成一段文本消耗 5 点。
与超额计费模式相比，这种混合定价模式既能让供应商免受高昂 AI 成本的冲击，又不会让客户担心意外账单；除非用户购买更多点数，否则不会超出分配的使用量。
点数模式的核心优势在于心理层面：当订阅中包含足够多的点数时，用户会感觉这种订阅是无限的。他们在每次使用时，不会产生正在“花钱”的心理负担。
点数模式在以下三种场景中非常有用：
- 用户无法理解抽象单位（如 GPU 小时或 LLM token）的消费类产品。比方说 AI 照片编辑器，用户更容易理解自己能修多少张图，而不是消耗了多少“GPU 小时”。
- 功能繁多且成本差异巨大的产品。如果生成一张 AI 图片的成本是 0.5 美元，而生成文本摘要只需 0.05 美元，那么统一按“生成次数”收费就不可行。一个狂刷图片的高级用户可能会榨干你的利润，而只生成文字的用户几乎不费成本。点数解决了这个问题：你可以规定生成图片扣 10 点，生成文字扣 1 点。Claude 就是个很好的例子：当你悬停在模型选择器上时，它会提醒你，性能更强的 Opus 模型会更快消耗掉你的使用预算。
- 由用户主动触发的工作流，用户对使用情况有清晰意识，且点数不会在非意愿下消耗。以 Athena 这类帮助企业出现在 AI 搜索工具中的产品为例，用户必须手动决定查询品牌表现的频率。其订阅套餐包含点数，用户可以将其用于不同的模型，每次查询消耗固定点数。
AI SEO 工具 Athena 的订阅套餐包含可用于完成任务的点数。（来源：Athena）
但点数模式也有弊端：如果用户不理解点数是如何消耗的，或者你在点数耗尽时自动扣费充值，可能会导致用户反感。
按成果计费：仅为结果买单
按成果计费是 AI 催生的一种新型定价策略：客户只需在 AI 交付特定结果时付费。最著名的例子是客服公司 Intercom 的 AI 聊天机器人 Fin，每在无需人工干预的情况下搞定一条工单，它就收取 0.99 美元。
Intercom 的 AI 客服机器人 Fin 按每解决一条工单 0.99 美元收费。（来源：Fin）
这种定价模式看起来很完美，但它面临两个问题：
- 归因困难。客户关闭聊天框时是满意的还是沮丧的？你并不总能确定。
- 商业大多数的事物都无法完美衡量。你应该为 HR 智能体或是工程师智能体的哪项成果付费？没有指标无懈可击。
虽然按成果计费在 Intercom 业绩下滑后将其收入增速重新拉升至 300%，但这仅适用于成功与否极易衡量的领域，如客户支持。支持工单的边界清晰：你明确知道它是否解决，且工单之间互不干扰。大多数知识性工作（如撰写网站性能报告或进行应用设计）都没有这么界限分明，因此其他四种定价模式会更合适。
AI 定价的三大核心原则
解释完 AI 带来的新定价模式后，我们来看看创始人在决定哪种模式最适合自家公司时，需要牢记的几项原则。
1. 定价源于成本
这听起来理所当然，但定价必须覆盖成本（你会惊讶于有多少公司做不到这一点，想想 MoviePass 吧）。这就是为什么 Cursor、AI 编程助手 GitHub Copilot 等产品近期引入了更多频率限制（即每小时查询次数上限）或按量计费模式的原因：因为他们收的是固定月费，付给供应商的却是流量费（往往还超出了订阅收入）。
2. 客户应为价值付费
Figma 的价值在于团队协作，而非创建了多少框架，因此它按席位收费。Notion 的价值在于工作空间整理，而非写了多少页文档，所以它按用户计费。
数据库产品则正好相反。以 Google Firebase 为例，它为应用提供存储、身份验证、分析和托管服务。作为客户，你从中获得的价值与应用的使用人数直接挂钩，因为每个新用户都意味着更多的数据存储和请求处理。因此，按活跃用户收费是合理的。如果你的应用只有 100 个用户，Firebase 做的工作极少；如果有 10 万个用户，Firebase 的处理量则呈指数级增长。定价准确反映了这一现实。
在 Google Firebase 上，用户越多，单人成本越低。（来源：Google Firebase）
3. 购买体验至关重要
你必须按照客户想要的方式定价。便宜或透明并不总是能赢。Julien Codorniou 在 2016 年至 2021 年期间负责已停运的 Slack 竞品 Workplace（隶属 Facebook，现 Meta），他当时想推行所谓的“公平定价”。换句话说，客户只需为活跃用户付费，闲置席位免费。
但他发现，比起“公平定价”，首席财务官们更倾向于“固定定价”。他们更在乎支付的方式，而不是支付的金额。人类不希望在购买时过度思考。可预测性往往胜过省钱。
这三项原则可以总结为一个简单的矩阵，以及两个用来确定定价模式的问题：
- 价值是否随使用量同步增长？（原则 2：为价值付费）
- 客户希望如何支付？（原则 3：购买体验）
这个 2×2 矩阵揭示了 B2C（如 Netflix）与 B2B（如 Intercom 的 Fin）之间的差异：消费者通常不想在定价上动脑筋，最在乎的是可预测性，因此他们更偏好订阅制和点数制。比方说，你可能不想按观看时长给 Netflix 付钱，因为那意味着你看每部电影都要算账。而企业为了控制成本，更愿意处理复杂的按量计费。唯一的例外是基础设施类产品，这仅适用于 B2B 场景。企业在购买原始算力或存储空间时，是可以接受按量计费的。
和任何框架一样，这只是简化后的模型——所有这些模式其实都处于一个连续的光谱中。
下个季度、下一年、下十年会发生什么
我很想预言一个定价再次变得简单的未来，但事实并非如此。相反，团队和组织将在定价、变现和单位经济效益上投入更多时间。
在 Lago，我们最近推出了一款计费 AI 智能体，可以自动处理常见的计费工作流（如使用优惠券或重试支付），以及收入预测模型工具。为了确保我们不至于为过度的 AI 使用买单，我们建立了防护栏，比方说限制 API 请求或用户索取数据的次数。这需要工程团队（构建逻辑）、产品团队（预估使用情况）以及其他团队的共同努力。
这个例子可以推广到我见过的绝大多数 AI 功能发布。定价不再只是财务部门的琐事，它需要全员参与：工程团队（构建定价逻辑）、财务团队（确保财务可持续性）以及增长团队（确保竞争力）。
在接下来的一个季度里，工程师将被要求更高效地使用 AI，产品团队也将面临 AI 方案经济性的约束。你的 CFO 甚至会走进工程团队的晨会，问出一些你意想不到的问题：“为什么我们的 OpenAI 账单涨了 40%，而使用量只增加了 15%？”这些不是会计问题，而是产品问题。是用户在钻无限套餐的漏洞吗？还是模型升级后你们没留意？或者是某个看似微小的功能在大量消耗 token？
明年，我们将进入一个不同的时代：AI 产品的收入增长速度惊人——无代码应用开发平台 Lovable 在八个月内就实现了 1 亿美元的年经常性收入（ARR）。这家瑞典公司对消费者采用点数计费，对托管等后端服务采用部分按量计费。成功的 AI 公司将是那些能通过定价模型将工程实现与用户价值对齐的公司。
在未来的十年里，当我们回首今天——这个 AI 迫使 SaaS 必须正视真实边际成本的时刻——我们会发现，正是定价再次变难的这一刻，让软件行业重新回归了诚实。幸存者之所以能成功，是因为他们的产品和定价模型经受住了考验。
那些将这种复杂性视为设计问题而非单纯财务问题的公司，将打造出既有利润空间又能支撑持续增长的产品，并在长跑中战胜对手——而不是成为下一个像 MoviePass 那样的反面教材。
译者：boxi。
转载请注明：好奇网 » 拆解AI时代5种主流定价模型：别让你的大模型供应商赚走最后一分利润