用戶只在乎工作結果，而非Token

文/林書

編輯/劉宇翔

全免費路線被拋棄，所有AI應用都在轉向Anthropic路線。

可能是GPT橫空出世后，用戶增速過于耀眼，在很長一段時間，無論國內還是國外的AI產品都是模仿它的路線，以免費吸引海量用戶，再考慮怎么商業化變現。

然而，GPT自己走著走著就發現這條路行不通，或者說不劃算。AI不同于傳統互聯網，算力需求不是每新增一個用戶邊際遞減，而是用戶量越大，調用頻率越高，使用場景越復雜，算力消耗的曲線呈指數級攀升。

這種“逆邊際成本”結構是整個產業必須面對的結構性約束，行業必須革新商業邏輯，不能再是“先圈地再收割”，而是從一開始就把算力當成核心生產要素來定價，要從“價格戰”轉入“價值戰”。

因此國內AI用戶數第一的豆包上線付費訂閱，就再正常不過了，甚至，我都覺得它推出的時間有點晚了。

豆包坐擁3.45億月活，比國內其他家AI應用的用戶數加起來還多，算力需求過于恐怖，任何一個人去負責豆包的AI infra都得頭皮發麻。須知，谷歌用千億美元級資本投入、自研TPU生態、萬卡級集群支撐的Gemini，全球月活躍用戶也不過7.5 億。

3.45億月活是豆包的“甜蜜的煩惱”，其中太多基礎需求的“淺度用戶”，但即便是淺度需求，也不能單純通過“降智”降低單位請求的算力供給，那會崩了口碑。

而眾多“淺度”用戶在某種程度上拖累了大眾對豆包的專業度心智，以及跟付費意愿更強的專業用戶“搶算力”，有限的算力被“淺度用戶”消耗，還不能變現；復雜任務和生產力場景，消耗更多算力與推理時間，但用戶卻無需付費意愿。一根筋變兩頭堵，從商業邏輯上，是不劃算的。

所以通過付費訂閱實現需求分層，普通用戶常用到的查資料、寫基礎文案、日常問答、學習輔導等功能，算力需求較少，繼續免費；復雜任務和生產力場景，算力需求高，按需付費。這樣既能留住海量用戶，又能遴選出付費用戶，是各家AI應用的通行做法了。

事實上，專注于生產力場景的AI早就建立了收費機制，比如Anthropic的Claude，以及Gemini、GPT都是免費版+訂閱模式。甚至，訂閱費都在上漲，Anthropic旗下企業級產品Claude Enterprise就在月費基礎上，額外按實際消耗的算力付費。

國內方面，自2026年2月以來，智譜已連續三次上調模型定價， GLM-5.1發布時再度提價10%，結果是2026年第一季度API調用定價提升83%，但調用量仍然增長400%，呈現“量價齊升”的態勢。Kimi也是，會員體系最低檔從 9.9元起迭代為49元，最高檔到699元/月，并引入Agent集群權限等差異化增值。

它們據此反而在專業用戶群體建立了“專業心智”，建造了商業飛輪的雛形。

豆包的付費訂閱，雖遲但到，還沒設階梯收費的國產AI應用，遲早也會跟進。然而，訂閱模式也只是起點，AI的終局，應該是一門看“交付結果”的生意。

01

有趣的是，就在豆包醞釀收費的幾天前，DeepSeek剛剛完成了一場令行業瞠目的降價，4月25日，V4-Pro宣布價格暴降75%，輸入價格（緩存未命中）降至3元/百萬Tokens，輸出價格降至6元。

僅隔一天，V4-Pro再次加碼，緩存命中價格直接打到0.025元/百萬Tokens——兩分錢。與此同時，V4-Flash的緩存命中價格更低，跌至0.02元/百萬Tokens。

對比GPT-5.5的$2.5/百萬Tokens，和Claude Opus 4.7的$15/百萬Tokens，這樣的價格，幾乎就是白送。

但低價，真的意味著商業上的勝利嗎？

仍以豆包為例，在商業模式上，當下字節做出的選擇，是SaaS訂閱。這條路最保守，也最安全。

問題是，將SaaS訂閱套在AI產品身上，本質上仍然是在為用戶消耗的Token買單——無論包裝成“標準版”還是“專業版”，底層的成本核算邏輯并沒有變：用戶多用一次模型，平臺就多燒一份算力。

回想2024年的那場大模型價格戰，阿里云通義千問主力模型直降97%，百度直接宣布免費，整個行業陷入一場"誰比誰更便宜"的競賽。當時有人歡呼“大模型進入厘時代”。

當時就有人冷靜指出：當所有玩家都擠在同一個計量單位上互相壓價，負毛利就不是意外，而是結構性的終點。

兩年過去了，V4把地板又鑿穿了一層，但游戲規則沒有任何變化。

騰訊科技前段時間出了一篇名為《Token經濟學》的深度分析，提供了一個值得重視的觀察框架：當前的AI商業化，早已不再是一道“Token單價”的算術題。不同的任務類型里檢索、推理、長時運行、多輪交互，對應著完全不同的成本結構。

一個輕量檢索任務，搜索和grounding的費用可能是Token本身的四十倍；一個重度編程session，模型推理成本才是大頭。根本不存在一張通用的“AI單位成本表”。

換句話說，“誰的Token更便宜”這個問題本身，已經是一個過時的提法。它默認了行業存在一個統一的計量單位，而現實是，計費對象正在裂變，價格維度正在擴散，Token只是其中最底層的那一片。

《Token經濟學》給出了一個五層結算棧的框架來理解這種變化：最底層是公用事業層，算力、Token、緩存、搜索，可計量、可路由，本質上和水電煤沒有區別；往上是協議與能力層，包括MCP、A2A等跨平臺互操作接口；再往上是知識封裝層，涵蓋Prompt、Eval、Memory這些行業know-how的序列化；第四層是執行交付層，Agent作為被托管、被監控“數字勞動力”來運作；最頂層是結果與責任層，按outcome收費，“結果”本身變成合同化的結算對象。

V4降價，本質上是把第一層的公用事業價格打到了接近免費。但國內廠商的商業模式，幾乎完全壓在這一層上。

從這個角度看，豆包的這次收費還是只在第一層推進，是“只有價格可以打”的主動防御型策略。

02

當國內還在圍繞Token單價纏斗的時候，大洋彼岸的AI商業，已經走到了一個完全不同的階段，具體來說，這是三條軌道并行演進的路線，各有各的前提條件，也各有各的生長邏輯。

第一條軌道最激進，也最引人注目，即按結果付費。

以Intercom的AI客服產品Fin為例，其定價$0.99/單次服務，只在AI真正解決了客戶問題時才收費。什么算“解決”？要么客戶主動確認問題已處理，要么客戶在Fin回復后沒有繼續追問。這個定義被寫進了系統規則，不依賴人的主觀判斷，不存在歸因爭議。

Fin目前每周處理超過100萬次客服對話，Intercom也借此把AI相關營收從幾乎為零拉到了過億美元的量級。Zendesk走的是同一條路，但更穩健，按自動解決工單收費，承諾量$1.50/單次服務，按需使用$2.00/單次服務。

Sierra AI則更為高調，由OpenAI董事長Bret Taylor聯合創辦，從第一天起就完全基于outcome定價，企業合同價格區間在$50K到$200K/年不等，21個月做到超過$150M的ARR，目前服務于超過40%的財富50強企業，最近剛以$15B估值融了$9.5億美元。

第二條軌道務實得多，即按動作消耗。

Salesforce的Agentforce沒有一刀切到“按結果”，而是推出了Flex Credits體系：每個AI action消耗20 credits，折合$0.10/action。每個action覆蓋最多10,000 Tokens的處理量，企業按$500/100,000 credits的單位批量采購。與此同時，客戶面向的Agent仍然保留了$2/conversation的按對話計費選項，Copilot類產品則維持傳統的席位制。三種模式并存，企業可以根據自己的工作負載選擇最合適的計價方式。

第三條軌道最保守，即混合訂閱。

ServiceNow的Now Assist把AI能力打包進企業級License，基礎報價在$150K-$400K/年，AI功能作為附加模塊疊加，形成“固定底座+用量超額”的混合結構。這條路之所以能走通，是因為ServiceNow的客戶已經深度綁定在它的ITSM生態里，替換成本極高，AI只是在已有護城河上加了一層。

三條軌道的差異，表面上是計費方式不同，深層是計費單元不同。第一條軌道計的是“已完成的工作”，第二條計的是“已執行的動作”，第三條計的是“已占用的席位和平臺”。

但它們有一個共同的前提是無論計什么，被計的那個東西都必須在系統里有清晰的定義、可被自動記錄、且雙方對其含義沒有爭議。

把這個邏輯放回五層結算棧的框架里，會看到一個非常清晰的路徑：國外最新的AI商業模式并不是單純地只計算Token消耗量，而是先把計費單元從Token升級為Action（第二、三層），再從Action升級為Outcome（第五層）。這是一個分階段的基礎設施建設過程，每一級臺階都有對應的系統能力作為支撐。

由此可見，與國內“按Token計費”的模式相比，這樣更多元、更精準的商業模式，無疑更切合當下眾多B端用戶的痛點，因為歸根結底，用戶在乎的是工作的結果，而非消耗的Token。

03

看到上述對比，可能有人會說：國外AI廠商在商業上的成功，很大程度上要歸功于海外B端用戶更充足的預算，以及更強的付費意愿。

這么想雖然也沒錯，畢竟從數據來看，2025年美國四大科技巨頭（微軟、谷歌、亞馬遜、Meta）的AI資本開支加起來約2.5萬億人民幣，而中國七家頭部互聯網大廠總共才投了6300億，連人家的四分之一都不到。

但問題是：國外廠商的“按結果付費”等商業模式，之所以在中國難以踐行，一個更重要的原因是：中國的商業活動，效果太難定義，場景太碎。

Intercom敢按單次服務收費，是因為Zendesk們花了十幾年時間，把“客戶工單”這件事硬化成了一套完整的系統流程，開單、流轉、升級、關單，每一步都有日志，每一步都可追溯。Salesforce敢按action收費，是因為它自己就是CRM系統——它清楚地知道“發一封郵件”“更新一條記錄”“創建一個機會”是什么，系統有原子級的操作日志。這些計費模式不是“商業模式創新”拍腦袋想出來的，它們是在成熟的業務基礎設施之上，自然生長出來的。

而在中國，就算是客服這樣看似高度“標準化”的場景，其實也隱藏著一連串“碎片化”的信息孤島。

2025年，中國智能客服的市場滲透率已經突破85%， 但問題是，這85%的滲透率背后，是十幾條互不打通的渠道在各自為戰。淘寶、京東、抖音、微信、小紅書、小程序、電話、釘釘、企微……每個平臺都有自己的后臺，客服人員得同時監控一堆窗口，信息完全無法互通。

一個客戶可能在抖音上問了“這衣服有沒有L碼”，客服回了“有”；然后這客戶又跑去微信私域問“剛才那件衣服能便宜點嗎”，另一個客服接了；最后客戶可能還在小紅書私信里吐槽"發貨太慢"。

這三個對話，在企業的系統里可能是三條完全獨立的記錄，甚至可能根本沒有記錄，尤其是微信私域里的聊天，很多就躺在銷售個人手機上。

如果說國外的AI商業化正在沿著五層結算棧逐級上移，那么國內的狀況是：第一層的地板已經被打穿，但第二到第五層之間，卻連臺階都還沒有修好。

盡管國內確實有人在搞按結果付費，但跟國外那套“解決一個工單收多少錢”的玩法相比，中國的版本更像是“效果營銷”的變種，而不是真正的AI服務計費革命。

目前國內這類效仿“按結果付費”的模式中，最成氣候的是GEO（生成式引擎優化）這個賽道。說白了就是幫企業優化在豆包、DeepSeek、Kimi這些AI搜索里的品牌曝光，然后按效果收錢，即品牌被AI推薦到第幾位、排名提升了多少，對應不同收費檔位。

而在金融和營銷領域，也有部分企業開始了類似的嘗試。

例如國內的螞蟻數科，就激進地提出了銀行只要提供業務目標、預算和客群，智能體自動平衡全鏈路，最后按交易規模增長凈值的萬分位到千分位收費。

同樣地，在數字人直播領域，中科深智從2024年底就開始跟電商客戶試水分潤模式，到2025年正式推出AI RaaS業務，跟客戶約定：素材投不出去不收錢，ROI沒達標按比例退費。

但如果細究下來，國內的AI按結果付費，目前更像是營銷外包的效果對賭，而不是AI服務的標準化計費革命。

04

現階段，國內的"按效果付費"，更多是把商業風險轉移給客戶——GEO優化按排名收費，但排名能不能帶來真實轉化，沒人打包票；螞蟻數科按交易增長收費，但增長里有多少是AI的功勞、多少是市場環境的功勞，歸因扯不清；而直播帶貨的GMV，則更像是一種銷售對賭，而非技術服務。

沒有數字化的工單，就沒有AI服務的計費單元。這不是AI技術本身能解決的問題，而是企業數字化轉型深度的映射。

這樣的具體差距，在計費顆粒度上，體現得尤為明顯。國內企業面對的現實是：內部系統五花八門，一個“動作”的顆粒度根本沒法統一。你怎么證明“AI做了一個動作”而不是“員工手動點了一下”？

目前，國內除了螞蟻數科，在金融行業做出了相對明確的“萬分位到千分位”抽成公式外，大部分企業還停留在“一事一議”的定制化談判階段，沒有形成可復制的標準化計費單元。

當歸因顆粒度不夠細的時候，這樣的商業模式就難以成立。

所以，真正的正道，扎扎實實地將業務標準化、企業數字化的這些課補上去。

這并不是一個輕松的工程，它們并非技術上的難題，更多是組織層面、流程層面、生態層面的臟活累活。但正因為臟、正因為累，才構成了真正的壁壘。

DeepSeek V4是開源的，任何人都可以下載部署，連API費用都可以省掉，這當然是巨大的自由度。但反過來看，也意味著廠商和客戶之間幾乎沒有綁定關系——沒有生態鎖定，沒有工具鏈粘性，

做個比喻的話：國內的AI，現在賣的是裸電。客戶拿到手，還得自己拉電線、裝變壓器、修配電房。

V4把電價打到了兩分錢一度，確實很便宜。但商業客戶真正需要的不是更便宜的電，而是一個插上插頭就能用的完整供電系統。

若按照先前《Token經濟學》的分法，現階段，國內AI在第一層的利潤空間已經趨近于零，不往上走，就只能等著被出清。而往上走的第一步，不是發明一個新的計費模式，不是喊一句“按結果付費”的口號，而是回到最基本的建立可計量的數字基礎設施。

當下，Token的成本在下沉，AI的價值卻在上移。這兩條線的交叉點，就是基礎設施。誰先到達那里，誰就能在Token成本歸零的那一天，依然站著收錢。