編者按：傳統的基于用戶數量的定價模式是否還適用于AI產品？我們今天為大家帶來的這篇文章中，作者提出：AI 產品應該采用基于工作量的定價模式，而非傳統的基于用戶數量的定價方式。

傳統的基于用戶數量的定價模式在 AI 產品中往往會導致資源浪費和成本分配不均。一些員工可能每天都在大量使用 AI 工具，而另一些人可能幾乎不碰。這不僅會增加企業的不必要開支，還可能阻礙 AI 工具在整個組織中的廣泛應用和創新。

作者分享了他們在 AI 產品定價方面的思考和初步嘗試。文章探討了基于工作量定價的優勢，同時也坦誠地指出了這種模式可能面臨的挑戰，如如何界定"已完成的工作"，以及企業預算管理的復雜性等。如果你正在思考 AI 產品的定價問題，期望這篇文章會給你帶來新的啟發。

作者 | Vikram Sreekanti & Joseph E. Gonzalez

編譯 | 岳揚

給產品定價歷來是個難題，我們并不自詡為定價專家。目前，我們還在初步嘗試為 RunLLM（??runllm.com??） 找到一個合適的定價模式，這個問題最近一直縈繞在我們的心頭。我們覺得，將我們隨著與客戶互動的深入而逐漸成熟的思考過程分享出來，以及探討人工智能產品的特性如何影響定價規則，或許對大家有所啟發。

簡單來說，我們得到的啟示是，基于用戶人數的定價方式并不理想，人工智能工具更應按照完成的工作量來設定價格。 這個觀點或許對某些人來說是顯而易見的真理，對另一些人來說則是激進的新觀點，但這絕非什么新奇的想法，甚至算不上是一個新概念。

Source: DALL-E 3.

從以往來看，大多數辦公效率工具的價值在于能夠與整個公司緊密結合。像 Slack、Linear、Notion 這樣的團隊協作工具，團隊規模越大，其使用頻率就越高。雖然每個新成員帶來的使用頻率增長可能不是絕對線性的，但團隊規模和產品使用量之間確實存在正相關。即便沒有創建更多的新任務或撰寫更多的文檔，讓每個團隊成員都能使用這些工具，其益處也是顯而易見的。

然而，基于人工智能的效率工具打破了這一傳統模式。以電子郵件為例，我在 RunLLM 擔任 CEO 和在加州大學伯克利分校擔任教授時，每天收到的郵件量與 RunLLM 的工程師或普通研究生收到的郵件量有著天壤之別。因此，如果一款基于人工智能的郵件回復工具按照人數來收費，那就顯得不太合理了 —— 畢竟，每天撰寫 100 封郵件所需完成的工作量遠遠超過了僅寫 2 封郵件。

這正是 Notion AI 等工具讓人感到不平的地方。當團隊中某些成員因工作需求而需要投入大量時間寫作時，為每個人每月支付 10 美元開通 Notion AI 就顯得有些不合理。（再加上我們還覺得 Notion AI 的實際效用并不大…）Notion AI 與 Notion 的常規定價模式需要有所區別，因為在后者這種情況下，即便用戶不常寫作，能接觸到公司文檔本身就具有價值。 而人工智能的價值在于其提供的自動化服務（它所完成的工作）。因此，我們更希望按照這一服務量來付費。

這就是基于工作量的定價原則，我們發現越來越多的 AI 產品開始采用這種定價模式。RunLLM的計費方式是依據所回答問題的數量來確定的。基于 AI 的 SDRs（Sales Development Representatives） 則是根據安排的會議數量來收費。而模型提供商，自然是根據所生成的 token 數量來設定價格的。

01 基于服務使用量的定價模式并非新事物

我們所說的基于工作量的定價，實際上就是一種基于服務使用量的定價模式，這種模式自云計算軟件興起之初便已存在（其歷史甚至可以追溯至公元前 3000 年，美索不達米亞地區對灌溉用水的計價）。 如今，從AWS、GCP等云服務提供商那里使用的絕大多數服務，其計費都是基于租用的計算資源時間（以秒或小時計）和數據存儲量。隨著 serverless 架構的流行，計費模式變得更加精細：用戶只需為自己實際使用的資源付費，而不是為租用的資源付費。

然而，企業歷來對于完全基于服務使用量的定價模式持保留態度，因為這種模式下的費用難以預測，預算編制也相對困難。實際上，當云函數（cloud functions）開始流行時，一家主流云服務提供商透露，他們面臨的最大挑戰是企業客戶們尚未準備好接受云函數的固定使用量合同 —— 因為他們采用的是純粹的基于服務量的計費模式，企業客戶對此類基礎設施的采用意愿不高。

在基礎設施層面實施基于服務使用量的定價模式，歷來也很難實施。雖然計算某個函數運行時間相對簡單，但現在需要在成千上萬的服務器和數百個數據中心中可靠地跟蹤這些數據（即使在發生故障的情況下）。此外，服務的啟動和關閉也產生了成本，而且隨著在不同工作負載之間頻繁切換，這些成本的產生頻率也會更高。因此，直到最近，基于服務使用量的定價模式主要還是應用于基礎設施層面（這一領域的團隊擁有解決相關問題的專業能力），而其他領域則普遍采用了基于使用人數的定價模式。

02 基于服務使用量的定價模式更適合 AI 產品

AI 產品理應得到特殊對待。我們在上文做了簡要總結，解釋了為何基于工作量的定價模式對 AI 產品而言具有重要價值，但這一話題值得深入挖掘。

精心打造的 AI 產品能夠大幅提升企業生產力，以低于傳統方式的時間消耗和成本產出高質量、堪比人類的工作成果。這意味著，那些人們通常不愿意做的枯燥任務 —— 例如，回復成百上千次相同的客戶咨詢、處理重復的電子郵件、挖掘潛在的銷售線索 —— 將交由人工智能來完成。自動化處理越多這樣的繁瑣任務，人們就能有更多時間投入到更有價值的工作中。

這一變化帶來了兩個重要成果。首先，企業的付費模式將從按人頭計費轉變為按實際完成的工作量計費。團隊成員能夠了解 AI SDR 的工作情況，提高了透明度，但并不會改變產品的產出。其次，在定價模式中，可以實際考慮到工作的完成質量。就像人類一樣，AI Agents 有時也會犯錯，這一點可以在評估產品增加的價值時予以考慮。

舉個我們很熟悉的例子，客戶支持團隊通常根據他們處理的工單數量和處理速度來衡量其工作效率；RunLLM 能夠以更低的成本和更高的準確性完成這項工作，所以我們根據回答的問題數量來向客戶收費。但如果收到一個不相關的問題，比如“誰贏得了拿破侖戰爭？”或者如果找不到數據來回答一個相關的問題，我們就沒有為客戶創造任何價值，所以我們不會向客戶收費。

隨著討論的深入，這種做法聽起來越來越像是咨詢公司的工作方式。一般來說，這是件好事。與傳統軟件不同，AI 能夠生成連貫的端到端工作（end-to-end work），這正是咨詢公司期望能夠提供的服務。如果你相信這股 AI Agents 熱潮，那么你可能會認為這意味著你將擁有一支 AI Agents 團隊，為你處理所有繁瑣的工作。是否每個領域都會出現這種情況還有待觀察，但對于那些 AI 已經展現出良好工作能力的領域 —— 如客戶支持、銷售、文檔編寫等，這已經成為現實。

03 按工作量定價面臨的挑戰

當然，切換到基于工作量的定價模式并不是萬能的解決方案。根據產品完成的工作量向客戶收費會引發一些邊緣情況，這些問題是直接采用基于人數的定價模式可以避免的。

最明顯的一個問題在于如何界定“已完成的工作”。 以基于 AI 的 SDR 服務為例，你是根據預訂的會議、實際舉辦的會議還是轉換成功的會議來收費？有些咨詢公司會根據這三種不同的方式收費，收費越高意味著每項服務的成本越高。這里沒有標準答案，但主要挑戰在于現在的客戶對 AI 更加持懷疑態度。人類犯的錯誤可以輕易彌補：“對不起，我們會確保不再發生！”而 AI 犯的錯誤則會被更加仔細地審查，我們必須不遺余力地讓大家相信，人工智能可以像人類一樣學習（有時甚至更快！）。在產品的大規模應用時，這些 AI Agents 必須能夠自主運行，因此您需要贏得客戶的信任，讓他們相信您的產品會按其應有的方式運行。

正如我們上文所討論的內容，對于基于服務使用量的定價模式，企業預算的管理也很棘手，但這是一個相對比較容易解決的問題。我們觀察到的普遍原則 —— 同時也是我們在 RunLLM 所采用的方法，是一個分層的、基于服務使用量的定價模式。客戶需要為預期的服務使用量預付一定金額，然后對于超出部分按計費單位付費。 這種計費模式在以往也是相當標準的做法，所以并沒有什么特別的秘訣可言。

最有趣，也是最具挑戰性的問題在于理解所做的工作對用戶的價值。我們之前分享的云基礎設施例子，屬于低利潤但高工作量的業務。GPU 服務的價格不僅僅取決于你使用了多少秒，還取決于你使用的資源（GPU）的成本。另一方面，交付工作（Delivering work）則是一個高利潤但低工作量的業務。這意味著每單位工作量的價格會更高，甚至可能會讓一些企業感到意外。盡管如此，我們認為基于工作價值（大致等同于你需要支付給人類來完成這項工作的費用）的定價模式是正確的方向。

再次強調，這一問題沒有絕對正確的答案。 但我們已經看到，隨著客戶逐漸理解他們不是在為計算資源付費，而是在為高質量的工作成果付費，他們的想法正在發生變化。盡管如此，我們還有很長的路要走，才能將這一信息有效傳達給市場。

04 凡事總有例外

凡事總有例外。在這種情況下，最明顯的例外就是引發了 GenAI 革命的兩款工具：ChatGPT 和 GitHub Copilot。這兩款產品都采用固定的基于人數的定價模式，而不是根據服務使用量來定價。

這種定價方式之所以可行，主要有兩個原因。首先，預測這兩款工具的使用量非常困難，因此基于像使用的 tokens 數量這樣的指標來定價可能會產生負面激勵 —— 你不知道自己要付多少錢，所以可能會擔心如果不小心可能會增加使用成本。更重要的是，在這種情況下，量化“工作量”的難度甚至比前文描述的案例還要大。ChatGPT 如何判斷它是否完成了任務，或者 GitHub Copilot 如何確定其代碼自動補全是否具有價值？在這兩種情況下，都需要依賴于用戶的反饋，而用戶的反饋可能是不準確的，并且可以被控制。

從這兩個例子中可以看出，由于任務成本相對較低且任務性質相對通用，基于人數的定價模式在短期內可能會繼續有效。我們可能會在其他通用產品中看到同樣的趨勢，但隨著市場的成熟，我們希望看到像 Copilot 這樣的產品能朝著更全面地完成任務，并根據完成的工作量收取相應的費用的方向發展。

盡管 AI 市場在過去 18 個月里發生了巨大變化，但我們仍然處于非常早期的階段。每一家真正的 AI 原生企業都在學習理解客戶行為，這意味著從定價策略（pricing）到利潤率（margins），再到基于數量的折扣（volume-based discounts），一切都在不斷地探索和調整之中。我們和其他人一樣，都在這個探索的過程中，我們并不認為自己已經找到了答案，但最近幾周我們一直在思考這個問題，因為我們正在重新設計 RunLLM 的定價策略。

這里還有一個關于“如何實施基于服務使用量的計費模式”的子話題，以及是否值得為許多為實現這一過程自動化而出現的服務付費。我們還沒有形成自己的觀點 —— 而且這也并沒有特別針對人工智能產品，所以我們暫時不深入討論這個問題。

無論最終的具體機制如何，我們堅信基于工作量的定價模式是 AI 的發展方向，當然對于企業而言也希望如此（譯者注：這種模式更加符合他們對于效率和成本控制的需求），也許對于面向普通消費者的技術產品也同樣適用。也許 AI 正是我們需要的突破口，讓互聯網上無處不在的微交易（micro-transactions）成為可能？

Thanks for reading!

Hope you have enjoyed and learned new things from this blog!

About the authors

Vikram Sreekanti

Co-founder & CEO of RunLLM

??https://substack.com/@vsreekanti??

Joseph E. Gonzalez

Professor at UC Berkeley and Co-Founder at Run LLM

??https://substack.com/@generatingconversation??

END

本期互動內容 ??

?如何更準確地衡量AI完成工作的價值？您認為應該考慮哪些因素？

本文經原作者授權，由 Baihai IDP 編譯。如需轉載譯文，請聯系獲取授權。

原文鏈接：
???https://frontierai.substack.com/p/the-future-of-ai-pricing??