AI软件定价模式正在经历一场深刻的变革。通过对240家公司的数据分析，我们可以清晰地看到5个关键趋势正在重塑行业格局：传统席位定价和固定价格模式正在失效，混合定价成为主流；AI功能成本与价值之间的错位，正在倒逼定价创新，但纯结果定价模式尚未成熟；定价透明度这件事，或许被市场高估了；整个行业仍在快速变化中寻找最优解，而大多数公司并没有做好准备。

AI在重塑软件能力的同时，也抛出一个棘手的问题：功能固然强大，但价值错位和成本压力，让传统定价方式越来越力不从心。软件公司对全新定价模式的需求，比以往任何时候都要迫切。从目前的进展来看，这一趋势的推进速度比许多人预想的要快得多。

最近，国外科技作者Kyle Poyar收集了超过240家软件公司的数据，这些公司的年经常性收入（ARR）在100万至2000万美元之间，销售的是SaaS和AI的混合产品。透过这些数据，他提炼出关于AI定价的5个趋势：

1）席位定价和固定价格模式正在被混合定价取代。
2）混合定价成为主流后，新的定价组合开始涌现。
3）基于结果定价看似美好，但在大部分市场短期内很难落地。
4）价格透明化的价值，可能被高估了。
5）定价模式仍在快速演进，但大多数公司还没跟上节奏。

席位定价和固定价格模式，正在面临挑战

回想12个月前，软件定价的主要方式无非是席位收费和固定费率订阅。这两种模式提供了价格上的可预测性，也似乎能带来稳定的经常性收入。但问题是，价值错位和成本压力正在侵蚀它们的根基，尤其是对AI原生产品而言。

固定费用和基于座位的定价，正在被一种“订阅+使用”的混合模式所取代。数据可以说明一切：过去12个月，固定费用订阅模式的占比从29%下降到了22%；采用基于席位定价的比例从21%降至15%；而混合定价模式的比例则从27%飙升至41%。

另一个值得注意的趋势是，AI与软件的结合越来越紧密。超过一半的受访者（53%）表示，他们已经将AI功能融入核心产品。只有20%的受访者完全不提供AI功能。甚至更少（16%）的受访者，将AI作为独立产品或附加组件出售。

AI带来的一个显著变化是，软件提供的价值在持续增长，但客户可能需要的“人手”越来越少，而需要的“AI能力”越来越多。这从几个案例中就能看出来：

• Alphabet表示，其30%以上的代码已由AI生成。
• 微软首席技术官预测，到2030年，95%的代码将由AI生成。
• Cursor公司只有60名员工，但年经常性收入（ARR）已达2亿美元，人均产出超过300万美元。
• Klarna透露，AI带来的效率提升，使其每位员工的ARR从57.5万美元飙升至100万美元。

但硬币的另一面是，交付AI功能的成本是真实存在的，而且正在成为定价的关键决定因素。调查参与者普遍认为，内部成本和利润是给AI功能定价时最重要的考量。

混合定价模式，已成为主流

在SaaS时代，大多数软件公司的定价策略都在参考Salesforce、Slack这些标杆。但到了AI时代，Clay这家公司成了新的参照物。

Clay采用的正是混合定价模式：既通过多种方式满足用户需求，又努力保持定价的简洁性。比如，它用“订阅套餐”来区分功能，用“积分”来量化使用量。

Clay没有给包年套餐提供大幅折扣，而是给了10%的小幅优惠，并允许客户一次性获得所有积分。更妙的是，未使用的积分可以结转到下个月（最多2倍），既方便了客户，又增加了用户粘性。

最近，不少初创公司和大型企业都引入了类似的混合模式。比如monday.com（现在所有付费计划每月提供500个AI积分）、Salesforce旗下的Agentforce（5月份增加了弹性积分模式）、Atlassian，以及许多其他公司。

混合定价可以说是席位制或固定费用模式的自然演变。它之所以能迅速普及，原因主要有四个：

1）对原有定价体系的冲击很小。混合定价不需要另起炉灶——它可以无缝嵌入现有的基于座位或订阅的模式中。
2）销售路径更自然。它自然而然地创造了一条追加销售的路径，让客户先“免费”试用新功能，随着使用量增长再逐渐获利。
3）利润空间可观。通过限制使用量，公司能有效控制成本，并最大限度降低无利可图客户带来的风险。
4）相对可预测。它沿用了传统的定价逻辑，买家可以比较清楚地估算成本并控制支出。

七大常见的定价策略

随着越来越多的AI产品转向混合定价，一个新的问题出现了：构建混合定价的方式似乎有无数种，但并非每种都适合。这里梳理了几种常见的定价方法，以及它们的优缺点。

第一，现收现付（PAYG）。这其实不算真正的混合模式，早期阶段可能会有不错的效果。它的特点是无需承诺，完全灵活。当客户可以报销费用或将其计入运营预算时，这种模式最有效。否则，企业采购就得格外小心了。

第二，有上限的现收现付（PAYG）。通过对潜在使用量或支出设定上限，让买家感到安心。这种模式在基于结果的定价中越来越常见，因为最终结果在事前往往是未知的。

第三，基于使用量的套餐。客户承诺一个固定的使用量或套餐，通常是“用完即止”。套餐模式又衍生出多种子类型：高额计费（如果使用量超出套餐上限，立即按超额部分计费），或者递减模式（使用量可以灵活支配，类似礼品卡）。对超额使用量和使用量波动的担忧，有时会导致销售人员过度销售、客户过度购买。

第四，平台费加使用量。收取一笔平台费有助于锁定客户，同时让他们享受高级功能、优质支持等。当定价指标已经商品化（比如信息、计算、存储），或者无法反映产品的全部价值时，这种方法非常有效。供应商可以对外宣传价格实惠，但通过平台费来弥补成本。

第五，平台费（含使用量）加额外使用费。这也被称为三部分资费模式。订阅费较高，但其中包含一定程度的“免费”使用额度。提供最低使用量有助于吸引客户，并且通常会刺激他们增加整体消费。

第六，自适应固定费率。客户承诺选择一个基于使用量的层级，但在合同期内可以随意使用产品，不会产生超额费用或需要升级。合同续期时，其层级会根据实际使用情况进行上调或下调。这种模式对客户来说可预测性强，同时也能鼓励他们随时间推移增加使用量（当然，如果使用量下降，你也要承担相应的成本）。

第七，平台费加成功奖金。定价以更传统的订阅费形式呈现。但如果客户获得的回报率（ROI）高于预期，他们需要额外支付一笔奖金或用金。

结果定价，必须关注的4个问题

在所有受访者中，只有5%表示他们目前的定价模式是基于结果的。但值得关注的是，25%的受访者预计，到2028年，他们的定价模式将转向基于结果。

一些早期采用者——比如之前提到的Intercom，正在为市场探路。不过，其中一些所谓的“基于成果”的模式，更准确地说应该被称为“基于工作量”的定价（例如EvenUp、Casemark）。而另一些则是真正意义上的“基于成功”定价，即当客户获得额外收益时，供应商从中抽取一部分分成（例如Chargeflow、Flycode、AirHelp）。

以AirHelp为例，当它为乘客赢得因航班延误或取消的赔偿时，会收取35%的成功费用。

当AI智能体被定位为“执行任务”的角色时，按照其完成的工作量——或者与该工作量相关的收益——来定价，确实顺理成章。从市场营销的角度看，这种模式非常成功。它传递了一个强烈的信号：你对自己的产品充满信心，愿意全力为其背书。同时，它也倒逼供应商不断投入资源、提升产品效果，最终为客户带来更多实际成果。

但这一模式背后，也有一个不容忽视的问题。用CAMP框架来审视，要实现基于成果的定价，企业必须具备四个要素：

1）一致性（Consistency）：所有客户都重视相同的成果吗？还是说不同客户需要的成果各不相同，导致必须定制化，进而催生大量定制化合同？

2）归因性（Attribution）：你能说服客户，让他们把成果归功于你的产品吗？还是他们认为主要靠自己，你的产品只是帮了点小忙？成果归因是结果定价中最棘手的问题之一。如果客户看不到你的产品在推动成果中的实际作用，他们就不太可能愿意为此付费，尤其是在按成果分成的情况下。

3）可衡量性（Measurability）：你能否实时测量并报告这些成果？还是需要依赖客户报告、A/B测试或概念验证来确认？如果无法准确、及时地衡量成果，就难以建立透明的计费机制和信任关系。理想情况下，系统应具备自动追踪关键指标的能力，并向客户展示明确的价值证据。

4）可预测性（Predictability）：你能以一定的准确度预测产品将带来的成果吗？还是说不同客户之间的成果差异巨大？如果成果波动大且不可预测，企业将面临巨大的财务风险。例如，某些客户可能获得极高回报，另一些却几乎毫无改善。这使得定价模型很难标准化，也增加了销售难度。

价格透明化，或许被高估了

把定价信息藏起来，曾是90年代和2000年代的遗留习惯。毕竟，如今精明的买家会在网上做调研或向同行打听，很可能找到他们想要的价格信息。像Vendr这样的工具，甚至通过一个免费的Chrome插件，就能展示其他人实际支付的价格。

公开定价的好处显而易见：你可以抓住这部分买家的需求（以及相关的搜索流量），同时掌握话语权——主动定义客户对产品价值的理解。此外，它还能筛选掉那些不符合条件的买家，避免浪费团队的时间。

但现实是，尽管透明定价有很多优势，很多企业并没有全面采纳。背后可能有复杂的定价结构、差异化报价策略，或是担心价格成为竞争焦点、削弱价值主张等原因。所以，即便透明化趋势看起来“不可避免”，在实际执行中依然面临不少挑战和顾虑。

结果往往出人意料：事情并没有完全按照预期发展。那些平均年度合同价值（ACV）低于5000美元的企业，以及采用产品驱动增长（PLG）模式的公司，通常会把定价信息放在官网上。但对于其他企业来说，情况并非如此普遍。

一个中肯的判断是：许多软件公司，尤其是初创阶段的公司和AI相关企业，其实还没有完全理清自己的定价策略。一旦把价格公之于众，后续再调整就会变得异常困难——这很容易让消费者感到困惑，甚至失去信任。

此外，随着定价模型越来越复杂（比如结合AI积分的混合定价），买家并不一定相信网站上标注的价格就是最终要支付的金额。他们自然会问出一连串问题：有没有使用上限？超额费用怎么算？哪些功能要额外收费？等等。当复杂性上升时，买家更希望与真实的人沟通，而不是仅仅依赖一个网页上的价目表。

AI定价快速变化，大部分人没有做好准备

AI技术的快速发展，让沿用现有定价模式变得不再可行。事实上，去年有四分之三的软件公司对定价策略进行了调整。

随着定价决策日益成为一项战略性且复杂的任务，企业需要为此投入相应的资源。这背后有大量的实际工作要做，包括深入理解成本结构、竞争对手动态以及客户感知价值。

然而，大多数企业在两个方面仍显不足：

1）人员能力缺口：缺乏具备专业定价分析、价值建模和市场洞察力的人才。
2）工具落后：仍在依赖传统的Excel表格或过时系统，无法支持实时数据驱动的定价决策。

换句话说，虽然定价的重要性在提升，但很多公司并没有建立与之匹配的能力体系来支撑这种战略转型。

在公司发展的早期阶段，定价几乎总是由创始人或CEO直接拍板决定。但随着公司规模扩大，定价逐渐变成一个“烫手山芋”，在销售、产品、市场、财务和运营等多个部门之间来回推诿。

一个特别需要警惕的阶段是所谓的定价“无人区”——这通常发生在年经常性收入（ARR）在500万到2000万美元之间的时候。在这个阶段，初创时期的“拍脑袋”决策方式已经不再适用，但正式的定价机制和责任人又尚未建立起来，导致定价策略缺乏清晰的所有权和战略方向。

总结

基于使用量和混合型定价模型的前景依然值得看好，但从长远来看，它们更可能是迈向基于工作量和基于成果定价的过渡阶段。

这其实是整个软件行业从“拥有”走向“租赁”，再走向“按需使用”的更广泛演进的一部分：

• 从本地部署（on-premise）到订阅制（SaaS）；
• 再从订阅制走向按实际使用付费的模式；
• 每一次演变都在降低客户的前期成本，使软件变得更加易得；
• 同时也将风险从买家转移到了供应商身上，迫使供应商真正为客户的实际成果负责。