介绍
随着行业和企业走上人工智能之旅，对每个投资者和商业领袖来说，最紧迫的问题之一是这种变革性技术将如何重塑他们的商业模式。GenAI有望释放巨大的价值，并有可能彻底改变消费者与服务或应用程序的交互方式。虽然它可能会带来巨大的成本，并改变供应商和用户之间的价值交换模式，但它也为公司提供了一个独特的机会，可以重新构想他们的定价模式和销售策略，从而有可能带来更高的盈利能力和客户满意度。
在本系列的第一篇文章中，我们介绍了人工智能价值链。人工智能价值链仍然是新的，但已经显示出成熟的迹象，由三个（稍微）重叠的层次中的多层组成：（1）基础基础设施，（2）核心技术（数据，模型，操作，编排）和（3）应用程序+服务。我们认为，所有行业的每一位商业领袖都需要了解推动这项新技术的生态系统。价值链的每一部分都具有独特的经济结构、创新周期和竞争动态，这些都塑造了每个公司的商业模式和定价策略。
第二部分，我们将以Kyle Poyer的研究和James Wood、Madhavan Ramanujam等人的见解为基础，讨论我们发现的一些框架，这些框架有助于考虑使用GenAI的SaaS应用程序的盈利模式将如何演变。
人工智能应用的商业模式不确定性
目前，第三阶段（应用和服务）存在很多不确定性，特别是在GenAI的价值获取和盈利方面。虽然现有的SaaS提供商由于其数据和资本优势而处于利用人工智能的最佳位置，但它们可能最容易受到人工智能的业务颠覆，因为它们基于用户的订阅定价模式将变得越来越难以扩展，而新的人工智能生产力可能会蚕食基于「每个用户」的变现模式。相反的问题则挑战着人工智能应用领域的新进入者，他们可以通过围绕人工智能构建的商业模式「一开始就走对了路」，但往往不愿意这样做。相反，许多公司采用了与现有公司相同的定价模式，试图在由用户订阅定价主导的市场中减少购买摩擦。因此，正如Kyle Poyer和Palle Broe在他们最近的文章中指出的那样，我们看到的是极少的定价创新，大多数新的AI应用继续基于用户订阅模式进行定价，混合模式的实验有限，基于使用的定价很少。
更强大的人工智能服务将提供无法随用户扩展的价值
随着更新、更先进的人工智能应用将价值扩展从用户转移出去，「纯」基于用户的订阅定价模式将变得越来越具有挑战性。基于生成式AI的服务的能力将从提高用户生产力转变为完成（越来越）复杂的任务，并最终实现整个工作流程的自动化，因为它们发展得越来越复杂并获得更大的代理。我们观察到人工智能服务的三种「模式」，从Copilot等已建立的服务到AI Agents等更具投机性的开发：
人工智能应用程序如何提供价值，或者它的「参与系统」，在决定应用程序的定价模型中起着很大的作用
人工智能助手，如Github Copilot，在大语言模型革命之前就已经进入市场好几年了。这类人工智能助手通过帮助用户更好/更智能/更快地工作来增加价值，并且价值通常与用户一起扩展，因为它们的主要目的是提高用户的工作效率。
目前的生成式AI应用程序可以根据用户的提示完成更复杂的任务，如写作、创建（短）视频、生成图像等。它们的产出更加离散和实质性，将价值归因于生成内容也更加直接。
最后，人工智能代理，或「代理」工作流，是新兴的自主系统，可以执行任务，做出决策，并与用户或其他系统（如人类）交互。一个经常被引用的自主人工智能代理用例是客户服务人工智能，能够与客户进行自然语言交互，提交票据，解决问题或路由升级以供进一步处理。
我们应用于不同AI应用程序的这些标签必然是主观的，并且依赖于用例和客户细分。「助理」与「生成」与「代理」人工智能也应该被视为人工智能复杂性的连续体，而不是离散的分类。然而，我们发现这个框架很有帮助，因为它有助于突出影响未来盈利策略的几个关键发展：
1.更复杂的人工智能应用程序可以产生更有价值和离散的输出——更强大的人工智能能够生成越来越复杂的内容。因此，它们的生成变得更加复杂，并且更直接地将属性值直接赋值。
2.更离散、更高价值的输出将价值尺度从用户转移到内在生产——随着人工智能系统获得更大的代理，并越来越有能力产生高价值的输出，价值尺度将转向人工智能系统创造的输出和结果，而不是用户提示（或操作）这些系统。这种转变在企业中已经很明显，在企业中，更先进的人工智能系统结合了诸如RAG（检索增强生成）和复合人工智能系统等技术，正在处理远远超过用户初始输入提示的更多令牌。这种价值规模的转变强调了新的盈利策略的必要性，这种策略必须准确地反映人工智能系统创造的价值，而不是传统的基于用户的定价模式。
3.全功能的代理人工智能的价值指标可能看起来很像今天公司使用的业务KPI和成功指标——代理工作流将进一步减少复杂工作流和任务中「人在循环」的数量，将价值扩展进一步远离用户，并使纯基于用户的订阅定价在大多数B2B用例中站不住。然而，随着这些人工智能系统开始自动化整个业务工作流程，新的盈利策略可能会出现；他们的成功指标将开始看起来像传统的商业KPI。例如，从理论上讲，人工智能客户服务系统可以用与今天的客户服务功能相同的KPI来衡量。基于业务结果衡量人工智能价值的能力开启了一些令人兴奋的盈利战略机会，这可能会在提供商和客户之间创造更好的长期联盟。
对于人工智能来说，不存在单一的最优定价模型。每个AI应用程序都以不同的方式创造和传递价值，并针对不同的角色（例如，个人、团队和机构），并且它们将具有实现公司变现目标的最佳个人价值指标。然而，从定价策略的角度来看，随着更复杂的人工智能应用将价值扩展从用户转移，这些发展从两个方面给基于用户的定价带来压力：1）自相残杀——随着这些系统变得更加高效，它们潜在地减少了所需的用户数量；2）增加销售摩擦——继续以每个用户为基础对这些应用程序定价，将使销售对话变得越来越脆弱，因为它的用户增长不再与增加的价值交付相关。
这些发展将要求公司改变盈利模式，从单纯的基于用户的订阅定价，转向包含「按需付费」元素的定价模式，或者有时被称为「基于使用的定价」（UBP）指标。下一节将探讨四个基于使用的指标，并在人工智能应用定价的背景下讨论它们。
即付即用指标的范围
我们是James Wood最近的一篇文章的忠实粉丝，他探讨了「按需付费」定价模型的范围——从基于结果到基于使用——并决定采用这个框架来研究可能适用于不同人工智能应用程序的价值缩放指标的范围。
使用度量范围——当实现使用定价度量时，公司会在其构造中采用以成本为中心或以价值为中心的心智模型
我们首先检查Kyle和Palle文章中列出的许多公司以及我们熟悉的其他公司使用的基于使用情况的定价指标，并询问这些指标是否与资源消耗或结果和价值更一致。更「资源」驱动的度量标准更多地与资源利用率或总使用活动相一致；相反，更「价值」驱动的指标可以更容易地与具有可证明的ROI的离散输出相关联。沿着这个资源与价值的光谱，我们目前观察到四种定价指标模式：1）价格对资源，2）价格对活动，3）价格对产出，4）价格对结果。
1.资源价格是基础设施即服务（IaaS）提供商的主要定价模式。定价指标与客户消耗的实际资源和服务成本密切相关。例如直接根据虚拟机时间（$/VM-hr）和存储的数据量（$/GB-Mo）收费。这种模式本质上是基于使用的定价的「成本加」定价。跟踪和确定成本是相对简单的，对于具有低市场差异的产品和推动采用是理想的。
2.活动价格是资源消耗的代理。这些定价指标试图反映客户的心理参与模型，并更接近客户的使用定义。某些类型的抽象，如「信用」或「令牌」，经常用于链接资源利用和用户交互。例如:Copy。OpenAI的API服务和Snowflake Cortex的ai服务都是在处理的输入和输出令牌数量上进行计量的。活动定价比直接对资源消耗定价具有一定的优势。它（仍然）相对容易测量，并且更接近于捕捉客户如何与应用程序互动的本质。额外的抽象层为公司提供了更大的定价灵活性，以获得随着效率提高而增加的利润，并可以简化新功能的货币化。
3.价格与产出之比——由于价格与活动之比是资源消耗的代表，我们将价格与产出之比视为结果或客户成功的代表。价格与产出的比值不同于价格与活动的比值，因为它忽略了完整的用户粘性，只从产出中获利。例如HeyGen。AI利用混合用户订阅模式来衡量生成的视频数量，Zapier的定价与成功自动化工作流中完成的任务数量有关。价格产出比有一些优势和挑战。它的主要优点是易于理解，具有直接的归属，并且这些指标（理论上）与客户的实际成功定义密切相关。然而，如果应用程序用不同的理想客户概要文件（ICP）服务不同的用例，特别是在B2B设置中，那么度量标准对齐就会变得具有挑战性。适当的细分和业务控制流程对于减轻这些风险是必要的。
4.「从价格到结果」将盈利直接与交付给客户的实际价值联系起来，比如增加收入、提高利润或节省成本。Intercom的Fin AI聊天机器人可能是当今人工智能中基于结果的定价（$ /查询解决）的最佳例子。基于结果的定价在市场上并不常见，因为尽管结果很容易衡量，但将结果单独归因于应用程序可能具有挑战性。然而，在归因可以被明确定义和衡量的地方，基于结果的定价提供了与客户成功的最佳价值一致性。
将两个框架结合在一起
将AI系统的用户粘性框架与使用定价指标结合在一起，我们便能够更好地分析不同的定价模型和使用指标组合如何适用于不同类型的AI应用：
随着人工智能应用变得越来越复杂和代理，传统的基于用户的订阅定价模式将越来越站不住脚。更多代理系统的价值和输出与用户数量成正比，自动化工作流的能力带来了巨大的收入蚕食风险。公司应该考虑在其商业模式中采用某种形式的基于使用情况的定价指标。在短期内，我们预计（并且正在看到）将用户订阅与使用计量相结合的「混合模式」将会流行起来。对于许多针对个人用户（消费者和产消费者）的人工智能应用程序来说，混合模式是一种极好的方法，它既提供基于用户的订阅的经常性收入流，也提供使用计量表的价值一致性。然而，在某些用例中，混合模型可能不太适合B2B销售，特别是当AI应用程序生成的输出对组织而不是个人具有内在价值时。公司应该考虑在这些用例中采用纯粹基于使用的B2B销售定价模型。
有许多类型的基于使用的度量，在成本对齐和价值对齐之间以四种不同的模式进行操作：价格到资源、价格到活动、价格到输出和价格到结果。通常不建议SaaS应用程序使用资源价格，因为它忽略了应用程序的价值主张。基于活动的指标对于在「人类增强」中运行的AI应用来说是一个不错的选择，甚至对于大多数内容生成范例来说也是如此，因为它们与应用的用户粘性模型非常吻合。它们也是资源消耗的良好代理，并且可以用作混合模型（例如Kittl）中的成本治理度量。然而，由于定义和赋予活动价值的潜在复杂性，使用为复杂工作流程自动化设计的人工智能系统可能会变得更具挑战性。
基于输出的指标不适合作为「人类助手」运行的人工智能应用程序，因为它们很难赋予价值。然而，在生成或代理范式中运行的更复杂的人工智能系统将产生更多离散的、内在有价值的输出，这使得该模型可能非常适合这些类型的人工智能应用。最后，基于结果的指标有可能成为最复杂的人工智能系统自动化复杂工作流程的最佳使用指标，因为它们完全将盈利与客户成功结合起来。然而，价值归因仍然是一个问题，高度自主的人工智能系统是否能使价值归因不言而喻，还有待观察。
在下一篇文章中，我们将探讨盈利的另一个重要方面——AI产品的包装。我们将研究价值链中的每一层，以及为现有企业和希望打破现状的新参与者优化产品包装的潜在策略。
来源：Medium
作者：Sam Lee
翻译：Fred
