最近以来，人工智能产品和应用爆炸式增长，已经吸引了全球超过五分之一的风险资本投资。许多人工智能应用程序不仅仅是提升我们的生产力，还改变了我们与软件的关系，甚至创造出全新的工作成果。
基础层和模型层，基于使用量的定价模型已成为常态。大多数公司按照使用量的代币收费，这与计算成本紧密相关。然而，人工智能应用层的公司是如何盈利的呢？他们的定价策略又是如何？
为了避免受传统定价模式等历史包袱影响，本文重点研究应用层中的40家领先的AI原生公司，以探索其定价策略。这些公司大都来自硅谷科技评论（svtr.ai）数据库，也是《福布斯人工智能50强名单》和红杉资本的生成式人工智能市场图谱上的明星创业公司。这40家公司涵盖了营销工具（例如Jasper、Copy.ai）、生产力工具（例如Tome、Glean）、垂直领域产品（例如Harvey、Co:Helm）等等。五个结论如下：
- 定价创新空间有限。十分之七的企业采用订阅模式，很少有企业采用其他基于使用量或即用即付的定价模式。
- 大多数公司根据用户数量收费，这反映了AI应用更多是辅助工具而非替代工作者的角色。
- 免费版本在初次采用时很受欢迎。二分之一的企业提供免费计划，另外五分之一的企业提供免费试用。
- 在套餐/层级设置方面，大多采用了“基础-更优-最优”（Good-Better-Best）的层级设定。
- 不同公司定价透明度各异。有三分之二的企业对外公开其定价信息。
软件公司历来偏好采用订阅及按用户收费模式（虽然现有迹象显示正在转向基于使用量和混合型定价模型）。第一波突破性人工智能应用延续了此类定价模式，但是第二波人工智能公司中出现了一些非常创新的定价结构，这些定价模型可能促使客户更快采用同时带来更多的总收入。甚至连微软也在测试其新的“AI Copilot for Security”的创新即用即付定价模式。
Fin（Intercom）、EvenUp、Chargeflow 和11x.ai是实施基于成功（或结果）定价模型的案例，客户仅在取得成功的结果时才需要付费。例如，Chargeflow的成功基定价是指在退款争议中卖家胜诉的情况下才收费，Fin则是在问题成功解决后收费，而EvenUp则是在成功为律师事务所制作需求包后收费。
这种基于结果的定价模式，通过构建双赢的合作伙伴关系对客户具有很大吸引力，供应商的成功也取决于客户的成功。客户只在产品确实带来实际效益时才付费，这与当前的SaaS收费模式形成鲜明对比。我们预计，随着人工智能产品越来越多地应用到实际工作之中，而不仅是提升个人生产力，传统的按席位收费订阅模式将面临越来越大的挑战。
结论1：定价创新空间有限
绝大多数（71%）采用了传统的 SaaS 订阅定价模式。 10 家公司 (26%) 采用混合定价模式，结合了订阅成本和使用费。 PolyAI 是唯一一家采用纯粹基于使用量定价的公司（3%）。
虽然这些应用程序的基础设施几乎完全是基于使用量来定价的（例如大型语言模型和基础设施），但这种定价方式并没有转化为最终用户产品的定价。可能原因如下：
为了简化用户操作：大多数人工智能应用程序的核心目标是促进用户采用其产品。用户已经习惯于支付月费。
用量定价难度较大：实施基于使用量的定价需要有强大的数据基础，这是许多初创公司在早期阶段所欠缺的。
产品价值不易量化：一些人工智能应用程序提供的价值可能远超它们所收取的价格。但对于很多初创公司来说，仍难以精确理解所创造的价值有多大以及如何最有效地捕获这些价值。
追求增长而非盈利：在定价上进行创新可能会限制产品的广泛采用。早期阶段，初创公司希望在开发产品的过程中尽可能多地推广使用。许多人工智能初创公司的目标并不是盈利，而是希望随时间增长与客户一起赚钱和发展。
确实有一些公司——特别是那些在营销、视频和语音生成领域的公司——采用基于使用情况的定价模型，例如字数、视频字符分钟数或片尾字幕。 Copy.ai 就是一个很好的例子。
结论2：大多数公司根据用户数量收费
人工智能应用程序的主要价值指标仍然体现在用户（或席位seats），这是在 SaaS 领域众所周知的价值指标，也是购买和销售软件的最直接的方式之一。
大约有十几家公司正在使用基于每个用户和使用情况（per user and usage-based）的定价模型，或者基于纯粹使用情况（usage-based）的模型，其价值指标包括：积分（credits）、字符（characters）、视频分钟数（minutes of video）、字幕（subtitles）或运行时间（run-time）。
由于人工智能的发展最终会取代人类劳动力，按用户定价模型可能会适得其反，因为用户数量会随着时间的推移而减少，这也是第二波人工智能应用的颠覆性机遇所在。
结论3：免费版本在初次采用时很受欢迎
大约 70% 的人工智能应用程序中都有免费版本，主要可以分为三类：
免费版本（47%）：“永远免费”的版本，通常功能有限，但允许用户尝试该功能/产品。
免费但使用量受限的版本（3%）：免费但产品使用量受限。
免费限时试用（16%）：免费版本，提供基本功能，试用期限为7天或14天。
人工智能应用程序往往能够迅速实现对新用户的价值转化。随着这些公司不断迭代产品，免费增值服务有助于促进早期的采用和使用。
免费增值服务在面向企业的应用程序中不太常见。这些产品通常涉及必须支付的实施费和平台费用才能使用。有趣的是，面向企业的免费增值服务相当于免费试用，客户可以在一定时间内（通常是3个月）试用产品，之后需要做出购买决策。
结论4：大多采用“基础-更优-最优”（Good-Better-Best）的套餐/层级设置
初创公司通过提供“基础-更优-最优”的产品层级，可以根据客户需求提供差异化的产品方案，并创建清晰的升级销售路径。
定价层级的数量根据公司的不同，从两个到五个不等（包括免费增值和企业选项）。在大多数情况下，各层级之间的区别是基于产品功能和使用情况。
分层策略通常随着产品的成熟和功能的增加而逐步发展。在产品初期，可能没有太多产品可供分层，因为还不完全了解公司客户是谁以及应该如何细分公司产品。
以零代码提取和监测数据公司Browse AI 为例，它提供五个不同的层级的产品，并结合了基于订阅和使用的定价。
结论5：不同公司定价透明度各异
大约三分之二的公司目前在其网站上显示定价。对于以个人或消费者为中心的应用程序（而非2B企业为中心的应用程序）来说，透明定价往往是常态。
大多数企业人工智能应用程序没有公开有关其定价细节。他们这样做可能有以下几个原因：
市场竞争激烈：竞争正在加剧，公司不愿向潜在竞争对手透露任何信息，也不希望进行价格竞争。
定制：他们根据客户的情况定制定价，并了解他们可以收取的费用的上限。
灵活性：其中许多产品仍处于起步阶段，定价尚未最终锁定。保持定价保密性为未来作出改变提供了更大的灵活性。
当然，随着价格基准供应商 Vendr 或 Tropic 等初创公司的崛起，这些定价信息最终可能会被公开。
最后总结
我们正处于人工智能应用程序开发的早期阶段。许多应用仍在寻求产品与市场的契合度（PMF）并在验证市场需求。在定价模型上进行创新很困难，初始阶段也不是关注的核心。
当前AI 原生公司的定价策略主要包括：（1）使定价可预测，（2）不让定价成为使用产品的障碍。以下是如何对产品进行定价的框架，请记住，让用户方便上手是所有定价策略的前提。