你不是模型，不要按token定价
定价应遵循「在可衡量、可归属、可捍卫的最高价值层定价」原则：模型层按代币、工作层按积分、成果层按结果，而非将模型层的成本结构错误地移植到应用层。
代币定价的起点是正确的：模型层。2020年，OpenAI推出其API时，按模型消耗的计算量收费，是衡量原始推理的合理方式。然而，两年后ChatGPT的亮相，催生了一波基于该基础设施构建的应用浪潮，这些应用的功能远不止于此。这些新产品结合了专有数据、工具、编排、集成和工作流逻辑，代表客户完成工作。
当应用以代币为工作定价时，它便将模型提供商成本结构引入与客户的关系中，并将产品价值锚定在一个成本持续下降的单位上。根据我们的经验，将模型层的定价逻辑带入应用层往往是个错误。
相反，我们认为公司应在能够可靠衡量、归属和捍卫的最高价值层定价。
- 如果你销售模型访问权，按代币定价。
- 如果你将模型转化为有用的工作，按可识别的价值单位定价，通常通过积分。
- 如果你交付清晰且可归属的业务成果，按结果定价。
定价失误难以挽回。基于代币的价格会让客户将应用与原始计算进行比较。它拱手让出了数据、工作流和编排的价值；让客户面对他们无法预测的技术复杂性；并可能将供应商锁定在微薄利润中。积分本身并不能解决这个问题，如果它们仅仅是成本加成的代币；它们仍然衡量基础设施而非价值。
围绕可识别的工作定价则相反。它使价值清晰可见，支出可预测，产品改进对双方都具有经济价值。在我们对50位技术型AI买家的调查中，27位偏好与可识别工作挂钩的积分，而只有14位偏好代币。
1. 为你的销售层定价
技术栈的两端相对直接。模型提供商销售推理服务，可按令牌计量。一些应用提供的结果足够可观察、可归因，可以直接定价。
中间层则更为棘手，而大多数AI应用正位于此。
例如，账户研究代理并非在销售搜索和模型调用，而是在销售一份完整的账户简报。编码代理销售的是已实施的变更。数据平台可能销售的是完成的查询、管道或代理运行。应用的任务是抽象出该工作单元背后的复杂性。
由于每个类别包装价值的方式不同，不存在通用的AI应用指标。语音AI可能从分钟数开始，随后转向已解决的对话。副驾驶可能从席位开始，随着代理工作带来成本和价值的更大差异，逐步增加基于使用量的定价。
正确的问题不是“AI定价指标是什么？”而是：“客户已经理解的单位价值是什么，我们能否一致地衡量它？”
2. 客户追求的是清晰度，而非代币
客户仍会询问代币相关问题。通常，他们寻求的是两件事之一：可比性或控制权。
首先，买家希望有一个共同的基准。代币看似能让他们将专业应用与通用模型API或内部构建进行比较。但这种比较往往是虚假的精确。每个应用结合了不同的模型、数据、工具和自动化水平。一个代币在一个产品中流转，并不产生与在另一个产品中相同的效果。
其次，买家希望分配支出。财务和IT团队需要将AI支出追溯到部门、项目、客户或发票，通常要跨越日益增长的应用组合。要求他们为每个产品单独预测代币，反而重现了这些产品本应隐藏的复杂性。
这两种需求都是合理的。然而，代币定价往往带来的摩擦多于清晰度。
支持主管可以估算公司处理的对话数量。但要预测上下文长度、检索量、重试次数、推理时间或输出代币则困难得多。本应简单的投资回报率计算，变成了公司部署的每个AI应用都需要单独进行的计算预测练习。
更好的答案是暴露足够的底层使用细节以建立信任，而不将这些使用转化为商业单位。向客户展示完成了哪些工作、容量用在了哪里，以及为什么某些任务消耗更多。为财务和IT提供预算和成本分摊所需的报告。
透明度并不要求计费仪表和底层成本仪表是同一个。
在竞争激烈或技术复杂的市场中，公司可能仍需提供代币转售，特别是对于异常昂贵或波动性大的模型使用。但这应作为混合模式的明确组成部分，而非产品价值的默认表达。
3. 积分应映射工作价值，而非隐藏令牌
在AI技术栈的广泛中间地带，积分可以成为打包可变工作的有效方式。但积分是一种货币，而非价值度量。重要的是积分能买到什么。
一个薄弱的积分系统将令牌计数转化为不透明的内部货币。它隐藏了计量器，却没有改进它。
一个强大的积分系统映射到客户认可的工作。它可能使用几个直观的工作量等级：修复一个小错误比开发一个多文件功能成本低；总结一份合同条款比审阅完整协议成本低；丰富一条记录比运行多步骤账户研究流程成本低。
最佳的积分系统做到三件事：
- 抽象基础设施复杂性。 客户购买的是工作成果，而非其构成要素。
- 解释相对工作量。 简单工作消耗少量积分；标准工作消耗可预测的量；复杂工作消耗更多。
- 创造商业灵活性。 一个积分池可覆盖多种工作负载、代理或自动化，而采购部门只需管理一份合同。
检验标准是理解度。买家通常先了解自己的工作负载，然后才了解计算负载。如果客户无法用几句话理解积分系统，那它就过于复杂了。
4. 积分可保护利润率
积分的作用远不止让用量变得易于理解。设计得当的积分体系还能保护你的毛利润率。
在传统SaaS中，增加一个用户往往带来的边际成本微乎其微。而在AI应用中，每个用户都可能产生推理、检索、搜索、工具调用、第三方数据、媒体生成、重试以及失败运行等消耗。如果每一美元新增收入都迅速被模型、云服务或数据提供商赚走，快速增长反而可能掩盖业务的脆弱性。
定价体系需要将两个决策分开：
- 这项工作价值几何？ 客户价值、支付意愿和竞争状况决定了积分池的价格
- 交付这项工作的成本是多少？ 相对成本和复杂性决定了每项任务消耗多少积分
这种分离使供应商能够在保护利润率的同时，保留通过模型路由、缓存、提示词优化、更优的基础设施以及更多样化（且不断变化！）的自有与开源模型组合来提升利润空间的可能性。事实上，如果底层模型成本下降，应用甚至可能保留部分收益，因为客户是为“工作成果”付费，而不仅仅是报销公司的计算成本。
Clay提供了一个很好的范例，他们在定价思考方面常常走在前列。在一份2026年的定价备忘录中，该公司写道，他们在2022年错误地为其Pro版块的积分定价，导致该板块多年来一直亏损运营。其新模型将用于第三方数据的数据积分与用于编排工作的操作分开。对于成本可预测的模型，Clay保持固定定价，而对于波动性更大、成本更高的推理模型，则不加成地按实际Token成本转嫁。换言之，Clay针对不同层面使用不同的计量方式：用操作体现平台价值，用Token转嫁应对不可预测的模型成本。
5. 价值明确时转向成果计费
当产品执行了有价值的工作，但最终业务成果难以清晰归属时，积分制最为适用。一旦成果变得可观察、可归属，且价值足以支撑稳定价格，计费方式就应再次调整。
在这些条件下，按成果定价：一次解决的支持对话、一个合格线索、一次预约会议、一笔已处理的理赔，或一美元的回款。
如果成果归属不够清晰，则通过积分对工作量定价。
如果客户购买的是原始模型访问权限，则按令牌计费。
许多产品会采用混合模式：按席位收费提供访问权限，按积分收取可变工作量费用，对异常昂贵或不可预测的模型调用采用令牌转售，而在归属清晰的情况下收取成果费用。多种计费方式并存并非问题，但要避免在错误的层级使用错误的计费方式。
让价值可见
令牌定价会将客户对话引向一条持续下降的成本曲线。对于一个实用性、可靠性及在工作流程中的作用应不断提升的产品而言，这是一个糟糕的锚点。
更好的路径是，在你能够可靠衡量、归属并捍卫的最高价值层级定价。将可变工作转化为易于理解的单元。当灵活性至关重要时，使用积分来打包这些单元。一旦客户能够识别并信任成果，便尽快转向成果计费。