用户只在乎工作结果，而非 Token

文/ 林书

编辑 / 刘宇翔

全免费路线被抛弃，所有 AI 应用都在转向 Anthropic 路线。

可能是 GPT 横空出世后，用户增速过于耀眼，在很长一段时间，无论国内还是国外的 AI 产品都是模仿它的路线，以免费吸引海量用户，再考虑怎么商业化变现。

然而，GPT 自己走着走着就发现这条路行不通，或者说不划算。AI 不同于传统互联网，算力需求不是每新增一个用户边际递减，而是用户量越大，调用频率越高，使用场景越复杂，算力消耗的曲线呈指数级攀升。

这种 " 逆边际成本 " 结构是整个产业必须面对的结构性约束，行业必须革新商业逻辑，不能再是 " 先圈地再收割 "，而是从一开始就把算力当成核心生产要素来定价，要从 " 价格战 " 转入 " 价值战 "。

因此国内 AI 用户数第一的豆包上线付费订阅，就再正常不过了，甚至，我都觉得它推出的时间有点晚了。

豆包坐拥 3.45 亿月活，比国内其他家 AI 应用的用户数加起来还多，算力需求过于恐怖，任何一个人去负责豆包的 AI infra 都得头皮发麻。须知，谷歌用千亿美元级资本投入、自研 TPU 生态、万卡级集群支撑的 ‌Gemini，全球月活跃用户也不过 7.5 亿 ‌。

3.45 亿月活是豆包的 " 甜蜜的烦恼 "，其中太多基础需求的 " 浅度用户 "，但即便是浅度需求，也不能单纯通过 " 降智 " 降低单位请求的算力供给，那会崩了口碑。

而众多 " 浅度 " 用户在某种程度上拖累了大众对豆包的专业度心智，以及跟付费意愿更强的专业用户 " 抢算力 "，有限的算力被 " 浅度用户 " 消耗，还不能变现；复杂任务和生产力场景，消耗更多算力与推理时间，但用户却无需付费意愿。一根筋变两头堵，从商业逻辑上，是不划算的。

所以通过付费订阅实现需求分层，普通用户常用到的查资料、写基础文案、日常问答、学习辅导等功能，算力需求较少，继续免费；复杂任务和生产力场景，算力需求高，按需付费。这样既能留住海量用户，又能遴选出付费用户，是各家 AI 应用的通行做法了。

事实上，专注于生产力场景的 AI 早就建立了收费机制，比如 Anthropic 的 Claude，以及 Gemini、GPT 都是免费版 + 订阅模式。甚至，订阅费都在上涨，Anthropic 旗下企业级产品 Claude Enterprise 就在月费基础上，额外按实际消耗的算力付费。

国内方面，自 2026 年 2 月以来，智谱已连续三次上调模型定价， GLM-5.1 发布时再度提价 10%，结果是 2026 年第一季度 API 调用定价提升 83%，但调用量仍然增长 400%，呈现 " 量价齐升 " 的态势。Kimi 也是，会员体系最低档从 9.9 元起迭代为 49 元，最高档到 699 元 / 月，并引入 Agent 集群权限等差异化增值。

它们据此反而在专业用户群体建立了 " 专业心智 "，建造了商业飞轮的雏形。

豆包的付费订阅，虽迟但到，还没设阶梯收费的国产 AI 应用，迟早也会跟进。然而，订阅模式也只是起点，AI 的终局，应该是一门看 " 交付结果 " 的生意。

有趣的是，就在豆包酝酿收费的几天前，DeepSeek 刚刚完成了一场令行业瞠目的降价，4 月 25 日，V4-Pro 宣布价格暴降 75%，输入价格（缓存未命中）降至 3 元 / 百万 Tokens，输出价格降至 6 元。

仅隔一天，V4-Pro 再次加码，缓存命中价格直接打到 0.025 元 / 百万 Tokens ——两分钱。与此同时，V4-Flash 的缓存命中价格更低，跌至 0.02 元 / 百万 Tokens。

对比 GPT-5.5 的 $2.5/ 百万 Tokens，和 Claude Opus 4.7 的 $15/ 百万 Tokens，这样的价格，几乎就是白送。

但低价，真的意味着商业上的胜利吗？

仍以豆包为例，在商业模式上，当下字节做出的选择，是 SaaS 订阅。这条路最保守，也最安全。

问题是，将 SaaS 订阅套在 AI 产品身上，本质上仍然是在为用户消耗的 Token 买单——无论包装成 " 标准版 " 还是 " 专业版 "，底层的成本核算逻辑并没有变：用户多用一次模型，平台就多烧一份算力。

回想 2024 年的那场大模型价格战，阿里云通义千问主力模型直降 97%，百度直接宣布免费，整个行业陷入一场 " 谁比谁更便宜 " 的竞赛。当时有人欢呼 " 大模型进入厘时代 "。

当时就有人冷静指出：当所有玩家都挤在同一个计量单位上互相压价，负毛利就不是意外，而是结构性的终点。

两年过去了，V4 把地板又凿穿了一层，但游戏规则没有任何变化。

腾讯科技前段时间出了一篇名为《Token 经济学》的深度分析，提供了一个值得重视的观察框架：当前的 AI 商业化，早已不再是一道 "Token 单价 " 的算术题。不同的任务类型里检索、推理、长时运行、多轮交互，对应着完全不同的成本结构。

一个轻量检索任务，搜索和 grounding 的费用可能是 Token 本身的四十倍；一个重度编程 session，模型推理成本才是大头。根本不存在一张通用的 "AI 单位成本表 "。

换句话说，" 谁的 Token 更便宜 " 这个问题本身，已经是一个过时的提法。它默认了行业存在一个统一的计量单位，而现实是，计费对象正在裂变，价格维度正在扩散，Token 只是其中最底层的那一片。

《Token 经济学》给出了一个五层结算栈的框架来理解这种变化：最底层是公用事业层，算力、Token、缓存、搜索，可计量、可路由，本质上和水电煤没有区别；往上是协议与能力层，包括 MCP、A2A 等跨平台互操作接口；再往上是知识封装层，涵盖 Prompt、Eval、Memory 这些行业 know-how 的序列化；第四层是执行交付层，Agent 作为被托管、被监控 " 数字劳动力 " 来运作；最顶层是结果与责任层，按 outcome 收费，" 结果 " 本身变成合同化的结算对象。

V4 降价，本质上是把第一层的公用事业价格打到了接近免费。但国内厂商的商业模式，几乎完全压在这一层上。

从这个角度看，豆包的这次收费还是只在第一层推进，是 " 只有价格可以打 " 的主动防御型策略。

当国内还在围绕 Token 单价缠斗的时候，大洋彼岸的 AI 商业，已经走到了一个完全不同的阶段，具体来说，这是三条轨道并行演进的路线，各有各的前提条件，也各有各的生长逻辑。

第一条轨道最激进，也最引人注目，即按结果付费。

以 Intercom 的 AI 客服产品 Fin 为例，其定价 $0.99/ 单次服务，只在 AI 真正解决了客户问题时才收费。什么算 " 解决 "？要么客户主动确认问题已处理，要么客户在 Fin 回复后没有继续追问。这个定义被写进了系统规则，不依赖人的主观判断，不存在归因争议。

Fin 目前每周处理超过 100 万次客服对话，Intercom 也借此把 AI 相关营收从几乎为零拉到了过亿美元的量级。Zendesk 走的是同一条路，但更稳健，按自动解决工单收费，承诺量 $1.50/ 单次服务，按需使用 $2.00/ 单次服务。

Sierra AI 则更为高调，由 OpenAI 董事长 Bret Taylor 联合创办，从第一天起就完全基于 outcome 定价，企业合同价格区间在 $50K 到 $200K/ 年不等，21 个月做到超过 $150M 的 ARR，目前服务于超过 40% 的财富 50 强企业，最近刚以 $15B 估值融了 $9.5 亿美元。

第二条轨道务实得多，即按动作消耗。

Salesforce 的 Agentforce 没有一刀切到 " 按结果 "，而是推出了 Flex Credits 体系：每个 AI action 消耗 20 credits，折合 $0.10/action。每个 action 覆盖最多 10,000 Tokens 的处理量，企业按 $500/100,000 credits 的单位批量采购。与此同时，客户面向的 Agent 仍然保留了 $2/conversation 的按对话计费选项，Copilot 类产品则维持传统的席位制。三种模式并存，企业可以根据自己的工作负载选择最合适的计价方式。

第三条轨道最保守，即混合订阅。

ServiceNow 的 Now Assist 把 AI 能力打包进企业级 License，基础报价在 $150K-$400K/ 年，AI 功能作为附加模块叠加，形成 " 固定底座 + 用量超额 " 的混合结构。这条路之所以能走通，是因为 ServiceNow 的客户已经深度绑定在它的 ITSM 生态里，替换成本极高，AI 只是在已有护城河上加了一层。

三条轨道的差异，表面上是计费方式不同，深层是计费单元不同。第一条轨道计的是 " 已完成的工作 "，第二条计的是 " 已执行的动作 "，第三条计的是 " 已占用的席位和平台 "。

但它们有一个共同的前提是无论计什么，被计的那个东西都必须在系统里有清晰的定义、可被自动记录、且双方对其含义没有争议。

把这个逻辑放回五层结算栈的框架里，会看到一个非常清晰的路径：国外最新的 AI 商业模式并不是单纯地只计算 Token 消耗量，而是先把计费单元从 Token 升级为 Action（第二、三层），再从 Action 升级为 Outcome（第五层）。这是一个分阶段的基础设施建设过程，每一级台阶都有对应的系统能力作为支撑。

由此可见，与国内 " 按 Token 计费 " 的模式相比，这样更多元、更精准的商业模式，无疑更切合当下众多 B 端用户的痛点，因为归根结底，用户在乎的是工作的结果，而非消耗的 Token。

看到上述对比，可能有人会说：国外 AI 厂商在商业上的成功，很大程度上要归功于海外 B 端用户更充足的预算，以及更强的付费意愿。

这么想虽然也没错，毕竟从数据来看，2025 年美国四大科技巨头（微软、谷歌、亚马逊、Meta）的 AI 资本开支加起来约 2.5 万亿人民币，而中国七家头部互联网大厂总共才投了 6300 亿，连人家的四分之一都不到。

但问题是：国外厂商的 " 按结果付费 " 等商业模式，之所以在中国难以践行，一个更重要的原因是：中国的商业活动，效果太难定义，场景太碎。

Intercom 敢按单次服务收费，是因为 Zendesk 们花了十几年时间，把 " 客户工单 " 这件事硬化成了一套完整的系统流程，开单、流转、升级、关单，每一步都有日志，每一步都可追溯。Salesforce 敢按 action 收费，是因为它自己就是 CRM 系统——它清楚地知道 " 发一封邮件 "" 更新一条记录 "" 创建一个机会 " 是什么，系统有原子级的操作日志。这些计费模式不是 " 商业模式创新 " 拍脑袋想出来的，它们是在成熟的业务基础设施之上，自然生长出来的。

而在中国，就算是客服这样看似高度 " 标准化 " 的场景，其实也隐藏着一连串 " 碎片化 " 的信息孤岛。

2025 年，中国智能客服的市场渗透率已经突破 85%， 但问题是，这 85% 的渗透率背后，是十几条互不打通的渠道在各自为战。淘宝、京东、抖音、微信、小红书、小程序、电话、钉钉、企微 …… 每个平台都有自己的后台，客服人员得同时监控一堆窗口，信息完全无法互通。

一个客户可能在抖音上问了 " 这衣服有没有 L 码 "，客服回了 " 有 "；然后这客户又跑去微信私域问 " 刚才那件衣服能便宜点吗 "，另一个客服接了；最后客户可能还在小红书私信里吐槽 " 发货太慢 "。

这三个对话，在企业的系统里可能是三条完全独立的记录，甚至可能根本没有记录，尤其是微信私域里的聊天，很多就躺在销售个人手机上。

如果说国外的 AI 商业化正在沿着五层结算栈逐级上移，那么国内的状况是：第一层的地板已经被打穿，但第二到第五层之间，却连台阶都还没有修好。

尽管国内确实有人在搞按结果付费，但跟国外那套 " 解决一个工单收多少钱 " 的玩法相比，中国的版本更像是 " 效果营销 " 的变种，而不是真正的 AI 服务计费革命。

目前国内这类效仿 " 按结果付费 " 的模式中，最成气候的是 GEO（生成式引擎优化）这个赛道。说白了就是帮企业优化在豆包、DeepSeek、Kimi 这些 AI 搜索里的品牌曝光，然后按效果收钱，即品牌被 AI 推荐到第几位、排名提升了多少，对应不同收费档位。

而在金融和营销领域，也有部分企业开始了类似的尝试。

例如国内的蚂蚁数科，就激进地提出了银行只要提供业务目标、预算和客群，智能体自动平衡全链路，最后按交易规模增长净值的万分位到千分位收费。

同样地，在数字人直播领域，中科深智从 2024 年底就开始跟电商客户试水分润模式，到 2025 年正式推出 AI RaaS 业务，跟客户约定：素材投不出去不收钱，ROI 没达标按比例退费。

但如果细究下来，国内的 AI 按结果付费，目前更像是营销外包的效果对赌，而不是 AI 服务的标准化计费革命。

现阶段，国内的 " 按效果付费 "，更多是把商业风险转移给客户—— GEO 优化按排名收费，但排名能不能带来真实转化，没人打包票；蚂蚁数科按交易增长收费，但增长里有多少是 AI 的功劳、多少是市场环境的功劳，归因扯不清；而直播带货的 GMV，则更像是一种销售对赌，而非技术服务。

没有数字化的工单，就没有 AI 服务的计费单元。这不是 AI 技术本身能解决的问题，而是企业数字化转型深度的映射。

这样的具体差距，在计费颗粒度上，体现得尤为明显。国内企业面对的现实是：内部系统五花八门，一个 " 动作 " 的颗粒度根本没法统一。你怎么证明 "AI 做了一个动作 " 而不是 " 员工手动点了一下 "？

目前，国内除了蚂蚁数科，在金融行业做出了相对明确的 " 万分位到千分位 " 抽成公式外，大部分企业还停留在 " 一事一议 " 的定制化谈判阶段，没有形成可复制的标准化计费单元。

当归因颗粒度不够细的时候，这样的商业模式就难以成立。

所以，真正的正道，扎扎实实地将业务标准化、企业数字化的这些课补上去。

这并不是一个轻松的工程，它们并非技术上的难题，更多是组织层面、流程层面、生态层面的脏活累活。但正因为脏、正因为累，才构成了真正的壁垒。

DeepSeek V4 是开源的，任何人都可以下载部署，连 API 费用都可以省掉，这当然是巨大的自由度。但反过来看，也意味着厂商和客户之间几乎没有绑定关系——没有生态锁定，没有工具链粘性，

做个比喻的话：国内的 AI，现在卖的是裸电。客户拿到手，还得自己拉电线、装变压器、修配电房。

V4 把电价打到了两分钱一度，确实很便宜。但商业客户真正需要的不是更便宜的电，而是一个插上插头就能用的完整供电系统。

若按照先前《Token 经济学》的分法，现阶段，国内 AI 在第一层的利润空间已经趋近于零，不往上走，就只能等着被出清。而往上走的第一步，不是发明一个新的计费模式，不是喊一句 " 按结果付费 " 的口号，而是回到最基本的建立可计量的数字基础设施。

当下，Token 的成本在下沉，AI 的价值却在上移。这两条线的交叉点，就是基础设施。谁先到达那里，谁就能在 Token 成本归零的那一天，依然站着收钱。