AI 功能的定价困局：按次收费、按席位，还是按结果？

📅 2026/9/23 ✍️ 小文 📖 约 1 分钟

AI 产品最难的不是做出功能，而是定价。本文拆解三种定价模式的适用条件、成本结构与毛利风险，给出可落地的定价判断框架。

为什么 AI 定价比传统软件难

传统 SaaS 的边际成本趋近于零，所以按席位收费天经地义。但 AI 产品不一样：每一次使用都真金白银花在 Token 上。

这带来一个尴尬的结构：用户越活跃，你的成本越高。如果定价设计不当，“越成功越亏钱”是真实存在的。

每个用户每月固定费用，用量不限或设软上限。

适合：使用频率稳定、单次成本可预测的场景，例如写作助手、设计工具。

风险：重度用户会吃掉利润。必须设合理的使用上限或公平使用条款，否则一个超级用户就能拖垮单元经济。

关键动作：测算 P95 用户的成本，确保它仍在你可承受范围内。

按 Token、按次、按分钟收费。

适合：成本波动大、使用频率不可预测的场景，例如 API、批量处理、Agent 执行。

优点：成本与收入天然对齐，避免被重度用户薅羊毛。

风险：用户无法预测账单，会产生焦虑，甚至因此不敢用。所以必须提供用量看板、预算上限和预警。

不按用了多少，按产生了什么价值收费——成交一单抽成、处理成功一条记录计费。

适合：结果可清晰衡量、且价值远高于成本的场景，例如销售线索、自动客服的解决率。

优点：和客户利益一致，最容易卖出高价。

风险：归因困难。结果有多少是你的功劳？谁来判断成功？这需要强信任和清晰的定义，否则容易扯皮。

无论选哪种模式，都要处理三组矛盾：

矛盾一：成本随使用增长，但用户希望账单稳定 解法：设计混合模式——基础席位费 + 超额用量费。给用户确定的底座和可控的上限。

矛盾二：能力越强成本越高，但用户不愿为”更强”多付 解法：按能力分档，把最强模型做成高阶套餐。让愿意付费的人自己选。

矛盾三：免费用户消耗真实成本 解法：免费额度要算清成本上限，而不是无限送。用免费额度换增长，但要设悬崖。

定价前，先回答四个问题：

1. 谁在用、用多频繁？ 低频重价值（如季度报告生成）→ 按结果或按次；高频轻价值（如日常问答）→ 按席位。

2. 单次成本是多少、波动多大？ 波动大 → 按用量；稳定 → 可打包进席位。

3. 价值可衡量吗？ 能算清 ROI（省了多少人力、带来多少收入）→ 按结果，定价可以高；难衡量 → 按席位更稳。

4. 用户是谁？ 企业客户偏好可预测的账单（席位 + 用量上限）；开发者偏好透明的用量计费。

红线一：算清单元经济 每个客户、每种套餐的毛利必须为正，且能覆盖支持和运维成本。这条不成立，规模只是放大亏损。

红线二：给用户确定性 无论按什么收费，用户都应该能预估本月账单。不确定性比高价更赶客。

红线三：留出涨价空间 模型成本会降，但能力会涨。定价结构要能随能力升级而调整，别把自己锁死。

AI 定价的本质是在成本波动和用户预期之间找平衡点。没有放之四海皆准的模式，只有匹配场景的组合：

最实用的做法是混合：用席位费给确定性，用用量费管控风险，用结果定价放大价值。而所有定价的前提，都是先把单元经济算明白。