AI 产品定价框架
随着 AI 采用率的加速提高,几乎每个行业的公司都在争相构建使用最新生成式 AI 模型的产品。在最近的一项 Stripe 调查中,63% 的科技行业受访者表示,他们目前已提供 AI 产品或应用程序。也许更引人注目的是,31% 的非科技行业受访者也表达了同样的看法,且另有 45% 的受访者计划在不久的将来提供 AI 产品。
但将这些产品变现仍是一项挑战。我们在 Stripe 上的顶级 AI 企业身上看到的空前的营收增长(Forbes AI 50 强中有 78% 由我们提供支持)掩盖了这种难度。随着 AI 模型的用量增加,成本会迅速攀升,并且所带来的价值可能难以界定。除了这些独特的压力之外,各企业还面临着更熟悉的挑战:建立可预测的收入流、扩大客户群以及保护利润率。
成功的变现策略有哪些共同点?虽然 AI 的定价结构千差万别,但 AI 领导者往往能针对以下问题给出明确的答案:
- 我的产品为客户提供了什么样的价值?我能否以覆盖增量成本的方式对其收费?
- 我如何将这一收费指标转化为既能鼓励客户采用和增长,又能提供可预测营收的定价模式?
- 这种定价模式会带来哪些附加风险?我该如何管理这些风险?
下面,我们将逐步介绍这一决策框架,以及公司常遇到的权衡问题,并以 Stripe 平台上那些成功建立了合理定价模式的 AI 公司作为案例。
将价值与收费指标对齐
收费指标是一个增量单位,用于衡量并计算产品的最终成本。这并不是 AI 独有的概念:过去的手机套餐按通话分钟数(以及短信条数)收费,云存储公司如今仍按每 GB 收费。
但是,为 AI 产品设定合适的收费指标特别具有挑战性,因为它既要与客户如何从产品中获得价值对齐,也要与产品产生成本的方式对齐,两者往往难以预测或清晰定义:
价值指标
定义“价值指标”是成功制定收费指标的关键第一步。公司需要通过用户研究,理解哪些成果对客户最重要,以及他们的产品是如何帮助达成这些成果的。
将“价值”与“用量”区分开来非常重要。例如,当客户的终端用户有疑问或投诉时,Intercom的支持智能体 Fin 会与他们进行对话。但只有当 Fin 真正解决了该终端用户的问题,并能解决由此产生的支持工单时,它才能真正交付价值。
交付成本
一旦公司了解哪些成果是至关重要的,就可以开始计算交付这些成果通常需要多少成本。生成式 AI 模型的运行成本十分昂贵,而且并非总能轻易预测特定任务将产生多少算力开销。
如果成果更为复杂,处理起来就会特别困难。还是用上面的例子:当 Fin 解决一个工单时,可能需要一次长对话,也可能是三次短对话,这背后调用底层 AI 模型的次数差别极大。
AI 产品常用的收费指标主要有三类,每一类都在价值匹配和成本匹配之间取得不同的平衡:
- 基于消耗(每次 API 调用、每个 LLM token):这种类型的收费指标与底层基础设施成本密切相关。这意味着,对于销售该产品的公司来说,每次操作产生的成本是可预测的,但将其与客户的具体业务价值联系起来较困难。这种指标最常被 AI 模型公司使用,当客户希望对自己消耗的内容进行精准细致的控制时,这种指标最合理。
- 基于工作流(每完成一项任务):该指标会带来更多成本上的波动,但也更容易与价值挂钩。企业按照任务完成情况收取固定费用,这些任务可能需要一系列的操作,各操作的资源消耗会存在一定差异,例如预订会议或分析电子表格。此类任务能够切实节省时间,其价值显而易见,客户也很容易理解自己购买的服务。
- 基于结果(每项成功结果):该指标在成本上的波动性往往最大,但能与实际业务成果建立最紧密的联系。 Intercom 最终选择了基于结果的模型:该公司对 Fin 成功解决的每个工单进行收费。领导层认为,让 Fin 的价值指标与收费指标实现这种高度匹配,即便会产生交付成本方面的风险,也是值得的。
在营收可预测性和客户增长之间取得平衡
当公司选定了收费指标之后,下一个要决策的是如何给客户收费。只按用量收费是一种方法,但并非唯一选择。
在我们最近的一项调查中,56% 的 AI 企业领导层表示,他们使用了“混合”定价模式,包括订阅和按用量定价费用的各种组合。这是最普遍的回答,完全按用量定价则以 38% 的比例位居第二。这是因为混合模型为公司提供了更多的杠杆手段,以平衡对企业长期增长都至关重要的两股力量:
营收可预测性
经常性订阅费有助于公司更准确地预测营收,从而帮助他们在招聘和研究方面进行长期投资。对于部分用户(尤其是大型企业)来说,支出预算的可预测性本身就是一个重要需求。但对其他客户来说,订阅费会带来阻力,可能会阻碍客户采用和长期增长。
客户获取与增长
企业可以通过将更大一部分营收占比向基于用量的费用倾斜,来降低客户的采用门槛。这一策略有助于处于早期阶段、需要快速获客的公司,或任何以产品驱动增长的公司。客户能够以较低的资金投入试用产品,并随着用量增加而逐步支付更多费用。
Browserbase 是一家管理和托管 AI 智能体用于与网站交互的“无头”浏览器的公司,它构建了混合定价模式,以提供可预测的营收,同时满足其主要由开发者组成的受众需求。该公司提供分层的订阅方案,每一层都包含了针对不同客户角色的预捆绑用量。其免费的“入门”层级使潜在客户能够零成本测试产品,而明确告知的“超额”用量费率则意味着,客户在承诺购买更高的订阅层级之前就可以先扩展业务。它还为企业客户提供了定制方案。
利用安全护栏管理剩余风险
设计合理的收费指标与平衡的定价模式,都能在一定程度上降低 AI 产品的成本风险。但风险并不会因此消失,只要客户的用量存在波动,就可能引发不可控的支出。在纯粹的按量付费模式中,这种风险尤为明显;而在许多 AI 企业常用的“订阅 + 超额费用”模式下,也同样存在隐患。蓄意欺诈可能是更加棘手的问题,往往攻击尚未被发现,损失成本就已经迅速扩大。
在基于用量的计费中引入额外的安全护栏,可以将风险控制在可管理的水平。具体应采取哪些安全护栏,取决于可能出现问题的使用模式:
- 如果善意的客户面临支出超出预期的风险,可设置使用阈值并及时提醒,以避免产生意外账单。
- 如果恶意用户累积账单却拒不付款,公司可以要求客户预先购买使用额度,随使用逐步扣减。
- 如果模型用量在响应某些类型的任务或查询时出现不可预测的激增,则可通过速率限制或使用上限来控制开支,同时让客户有时间调整其请求。
在任何情况下,主动沟通都是关键。客户希望了解自己的使用如何转化为费用,并在支出超出预期时能够迅速采取应对措施。
展望未来:持续试验
随着 AI 企业的发展,他们不太可能把定价结构视为一劳永逸的方案。成功的 AI 企业会不断试验。虽然 Intercom 目前对解决的每张工单都采用统一价格,但该企业正在考虑未来按复杂程度对工单进行分层定价。
Intercom 的计划与我们在近期调查中的发现相吻合。在销售 AI 产品并按用量计费(无论是单一还是混合模式)的公司中,92% 的公司表示他们随后调整过定价。随着基础 AI 模型成本的变化、市场条件的成熟以及客户预期的快速演变(所有这一切都以创纪录的速度进行着),企业需要保持敏捷,以确保定价结构在增长与盈利之间保持平衡。
观看我们的点播网络研讨会《如何制定正确的 AI 定价策略》,以进一步了解 AI 产品的定价信息。
了解 Stripe Billing 如何支持您的 AI 定价模式,无论您选择怎样组合平衡基于用量的费用、订阅费以及各类安全护栏。