成果定价原理：AI智能体的盈利模式设计

在AI智能体商业化进程中，性能、归因与适应性等不确定性风险动摇了传统软件定价基础。本文提出成果定价原理，将定价量纲分为交易过程类成果和交易结果类成果，以交易效率为核心优化盈利模式。未来AI盈利模式将向动态组合演进，实现从技术领先到商业成功的跨越。

文 / 魏炜、徐子程、纪鸿阳

成果定价——破解AI智能体商业化困境的关键路径

AI智能体作为承载核心技术能力、对接多元化商业场景的关键载体，其商业化落地深受一组独特的“不确定性约束”所困扰。与传统软件标准化交付、效果可预期的固有范式截然不同，AI智能体的实际效能易受数据分布漂移、业务链路复杂性以及环境动态适配性等多重因素扰动，进而引致性能风险（真实生产环境表现弱）、归因风险（业务成效提升难以精确归因于AI）、适应性风险（智能体效能输出稳定性不足）三类核心商业化风险。

上述风险直接动摇了以确定性交付为前提的传统软件收费模式的基础。破解此困境，亟需回归商业交易的本质—一切支付行为，归根结底是对“可感知成果”的购买。借助魏朱商业模式理论中“交易定价量纲”的分析框架，可对此进行清晰阐释。进场费、过路费、停车费、加油费等模式，本质上均属“过程类成果”定价，分别对应“获取准入资格”“完成单次交互”“占用服务时长”“消耗资源单元”等过程性指标；而分享费则体现了“结果类成果”的定价逻辑，其核心在于对标“业务价值增量”这一终极指标。在商业化实践中，对两类定价模式的选择，其决策核心在于追求交易过程与交易结果各自交易效率的最优解。全球AI原生公司已展开丰富探索，为这一逻辑提供了具象化落地参照。

AI智能体定价实践：全球AI原生公司的探索与启示

AI智能体的定价实践呈现出“技术特性决定服务形态，服务形态决定定价逻辑”的规律。从全球范围内看，AI原生公司基于自身技术优势，形成了差异化的定价模式，可分为“标准化工具型”“垂直场景解决方案型”“定制化开发型”三大类。

标准化工具型AI智能体：以“过程量化”为核心的定价逻辑

标准化工具型AI智能体以通用大模型API、轻量化SaaS工具为代表，其核心特征是“服务标准化、使用可量化、客户群体广泛”，定价聚焦于“交易过程的可衡量指标”，如使用次数、资源消耗、功能权限等，典型代表包括OpenAI及Zendesk等。

OpenAI：按“资源消耗”的阶梯定价

作为生成式AI的领军企业，OpenAI的GPT系列模型API计价模式，本质是魏朱理论中的“加油费”（量纲为使用量）、“停车费”（量纲为时间）与“过路费”（量纲为次数）的结合——API按tokens计价；FileSearch向量存储按天收费（首1GB免）；工具调用按千次计；微调/训练另计。

这种定价模式的优势在于：完全基于过程量化指标，透明可控，供需双方无需为“成果定义”博弈；但因未绑定客户的业务成果，可能导致价值与价格的脱节。

Zendesk AI Agents：按“功能权限+自动化解决量”计费

Zendesk AI Agents以自动化解决量为结算与配额单位，直接对齐“问题被机器人闭环解决”的结果。本质是“进场费”（量纲为资格）与“过路费”的结合——随“服务套件/技术支持套件”产品绑定作为入场资格入场，并按“自动化解决量”计费，交易过程易衡量。

这种定价模式的优势在于：在Zendesk体系内完成度量、迁移与对账，减少争议；与工单、知识库、坐席协同的流程闭环，降低部署与运营成本。

垂直场景解决方案型AI智能体：以“过程+结果”为核心的混合定价

垂直场景解决方案型AI智能体聚焦特定行业（如电商、工业、金融），其核心特征是“服务场景化、价值可量化、成果与业务目标强绑定”，定价模式从“单一过程定价”转向“过程+结果”的混合模式，典型代表包括Riskified及Aftership Personalization等。

Riskified：系统对接+批准订单+拒付担保

Riskified聚焦电商反欺诈场景，为拒付订单的情况提供保障，本质是“进场费”“过路费”与“分享费”（量纲为可验证的风险减少量）的结合——资质审核阶段收取“一次性系统对接费”（打通电商订单系统）；按“AI批准且产生营收的订单”费率计费（客单价越高费率越低）；同时为客户提供“拒付担保”，批准订单若发生欺诈拒付，全额赔付客户损失。

这种定价模式的优势在于：Riskified通过电商订单系统实现了“过程使用”与“结果价值”的精准对接，通过“订单标签同步”实现客户侧实时查看风控状态，降低“拒付后取证成本”。“拒付担保”实现了订单欺诈场景的风险共担。

Aftership Personalization：“付费套餐+订阅+担保”定价模式

SaaS公司AfterShip孵化出的个性化商品推荐产品Personalization，其盈利模式采用“订阅+担保”的两种结果定价形式，本质是“进场费”与“分享费”（量纲为可验证的业务价值增量或风险减少量）的结合——Personalization提供三个月有GMV限额的免费试用套餐，以帮助潜在客户快速上手，感受产品价值；针对购买付费套餐的客户，Personalization会收取约等于额外创造GMV的2.5%作为订阅费，并为客户提供ROI保证，如果客户获得的额外GMV低于支付的费用，则可以退款。

这种定价模式的优势在于：在垂直电商场景中兼顾“过程中的资源投入”与“结果中的价值创造”。“订阅+担保”的结果分成和风险分担模式则给客户带来更大平均客单价和营收提升，为客户实现降本增效。

定制化开发型AI智能体：以“里程碑+结果”为核心的定价逻辑

定制化开发型AI智能体针对客户的个性化需求，其核心特征是“服务定制化、过程难量化、结果与客户核心业务目标强绑定”，定价模式以“里程碑付费+结果分成”为主，典型代表包括Exscientia等。

Exscientia：“预付款+里程碑+销售分成”的多靶点小分子研发

AI药物研发公司Exscientia与赛诺菲达成合作，利用后者的端到端AI技术共同开发至多15款肿瘤或免疫相关的小分子新药，在过程难以量化的AI制药领域探索新的合作模式。本质是“进场费”“里程碑费”与“分享费”的结合——赛诺菲支付1亿美元预付款、52亿美元里程碑金额，以及不超过21%的销售分成。

这种定价模式的优势在于：依靠端到端AI能力支撑多靶点组合探索，预付款最大程度利用了AI制药公司前期的研发能力，“里程碑费用”将长期商业回报与模型表现绑定，既降低了客户的信任成本，又保障了AI制药公司的阶段性收益，激励其进行创新。

AI智能体定价实践的核心启示

从全球AI原生公司的实践来看，AI智能体的定价逻辑已形成三大共识。

第一，过程定价是基础，结果定价是增值。无论是标准化工具还是定制化解决方案，过程定价（如订阅费、标注费、里程碑费）都是保障供应商基础收益的核心，而结果定价（如分成、奖励）则是实现价值增值的关键，两者结合是主流选择。

第二，成果可衡量性是定价设计的前提。对于结果可衡量的场景（如营销转化率、业务降本），优先采用“过程+结果”的混合模式；对于结果难衡量的场景（如品牌价值、用户体验），则通过“功能分级”“里程碑”等方式将其转化为可衡量的过程指标。

第三，风险共担是利益对齐的核心。纯过程定价导致供应商“旱涝保收”，缺乏优化动力；纯结果定价导致供应商风险过高，难以落地。通过“进场费+分成”“达标奖励+退费机制”等设计，实现供需双方风险共担，是定价模式可持续的关键。

成果定价分类：交易过程类与交易结果类的定义与差异

AI智能体的成果定价，归根结底是对“交易标的”进行边界划定与数量测度。依据结算交易标的物的差异，可将其划分为“交易过程类成果定价”与“交易结果类成果定价”两种理想类型。二者在概念内涵、价值确认逻辑及风险分担机制上呈现显著分野，其取舍取决于智能体技术特征、场景深度以及交易双方的风险偏好组合。当前，这两类范式已在AI商业化实践中衍生出多元形态。

交易过程类成果定价：以“行为履约”为锚点

AI智能体的交易过程类定价，并不追问最终业务是否因之改观，而是把视线锁定在“动作本身是否如约落地”这一节点。其结算依据是一套可被客观记录、可被反复验证的过程性指标，即资格是否生效、行为是否闭环、资源是否耗散。根据过程性指标将交易过程类成果分为三种（见表1）。

交易结果类成果定价：以“价值达成”为锚点

交易结果类成果定价的核心命题是“为AI智能体所创造的、可验证的业务价值增量付费”。所谓增量，须同时满足可计量、可归因、可审计三重标准——增收金额、降本幅度、风险敞口收缩均可成为标的（见表2）。为避免结果未达而收益受损，AI企业被迫与客户共担业务风险；反之，客户亦因“先见价值、后付对价”而降低前期投入的不确定性。此模式适用于AI与业务流程深度耦合、产出可被财务或运营指标直接呈现的场景。

交易效率的度量：AI智能体定价的核心评价标准

交易效率是判断AI智能体盈利模式合理性的核心标尺，无论选择过程类还是结果类定价，最终决策均需回归“以更低总交易成本、更低交易风险，实现更强价值确认”的逻辑。交易效率的度量需围绕“交易价值”“交易成本”“交易风险”三大要素展开，形成系统化评价框架，为盈利模式设计提供可落地的判断依据。

交易价值：客户支付意愿与续约倾向的核心驱动

交易价值指客户基于交易成果形成的真实支付意愿与续约倾向，其强弱直接决定盈利模式的市场接受度，需从“客户目标契合度”“价值可感知性”“价值可持续性”三个维度衡量。

客户核心目标契合度是交易价值的基础，AI交易成果若与客户核心诉求高度匹配，支付意愿自然更强。价值可感知性决定交易价值的转化效率，可量化、可验证的价值更易推动付费决策。价值可持续性是交易价值的长期保障。AI带来的价值若能稳定持续，客户续约倾向会显著增强。

交易成本：计量、对账与风险管控的总投入

交易成本指为实现交易成果结算所投入的全部成本，涵盖“过程侧成本”与“结果侧成本”，其高低直接影响盈利模式的商业可行性。

过程侧交易成本集中于计量与服务保障。计量成本源于过程性指标的统计。结果侧交易成本远高于过程侧，核心集中在四个环节：规则固化成本，需协商基线设定、结果指标定义；数据治理成本，需对接客户业务系统，实现结果数据的采集与核验；归因分析成本，需区分AI与非AI因素的贡献；争议处理成本，若结果核验出现分歧，需投入人力调查协商，进一步推高成本。

交易风险：影响价值确认的不确定性因素

交易风险指导致交易价值无法兑现、额外增加成本的不确定性，核心源于AI效果波动与交易流程复杂性，主要分为三类，分别是性能风险、归因风险与适应性风险。

性能风险是AI效果与预期的偏差风险。AI在真实场景中的表现常与测试环境存在差距。归因风险是AI贡献与其他因素的混淆风险。若无法清晰界定AI的独立贡献（如未排除促销带来的增量），易引发客户对价值的质疑，甚至导致合作终止。适应性风险是AI对环境变化的响应不足风险。当业务流程调整、政策法规更新或市场需求迭代时，AI若无法及时适配，效果会持续衰减。

交易效率的综合度量

交易效率的综合评价需结合三大要素，可表述为“交易效率=交易价值/交易成本”，其中交易效率还受到交易风险影响，即因风险导致的价值减少（如性能风险导致的分成收入下降）与额外成本（如归因风险引发的争议处理费用）。

此外，交易效率需动态评估——当AI技术标准化程度提升，或场景数据积累增多，需及时调整定价模式，例如从“纯过程费”转向“过程费+结果分成”，实现交易效率的持续优化。

基于交易过程/结果的效率高低的四象限分析

第一象限：高过程效率+高结果效率——混合型“两部制”模式

在过程效率与结果效率双高的第一象限（见图1），混合型“两部制”盈利模式呈现出稳定性与可扩展性的最优组合。该模式将基础过程费与绩效结果费纳入同一结算框架：前者以可精确计量的过程指标为基准，保障能力供给的确定性与现金流的连续性；后者以经审计的业务结果为分成依据，实现价值增值的共享与风险的对称分配。二者并非简单的费用叠加，而是在统一设计逻辑下，通过降低总交易成本与强化价值确认，提升整体交易效率。

两部制适用于供给标准化、数据链路完备、结果指标可长期复核的情境。典型案例为汇量科技（Mobvista）程序化广告业务中的云成本优化实践：其自研解决方案SpotMax以竞价实例调度为核心，基础部分保障集群稳定运行，绩效部分将计算资源节省与客户单位请求处理成本直接挂钩，通过自动化系统管理中断风险，实现成本节降与业务价值共享。

然而，该模式存在适用边界。若结果侧因数据质量低、归因链过长或外部噪声剧烈导致验证成本急剧上升，则应降低绩效权重，转而在过程侧引入质量分层或可复核的代理指标以传递价值；若过程侧因标准化不足、计量误差频发而推高结算摩擦，则应收缩基础口径或采用里程碑式打包付费，待计量稳定后再逐步扩大基础权重。

第二象限：低过程效率+高结果效率——结果锚定型“分成模式”

当交易价值的验证能够在低成本下完成，而交易行为的计量因标准化不足、链路复杂而难以经济运行时，最直接且高效的盈利结构是将结算直接锚定于可验证的业务成果。此种结果锚定型“分成模式”的核心，是将计费依据与客户的核心业务指标（如收入增长、成本节约或风险降低）紧密耦合，从而建立深度绑定的风险共担关系。其目的是在过程效率受限的约束下，通过优化结算标的，以更低的总体交易成本实现更强的价值确认，进而提升整体交易效率。该模式也被视为AI行业从传统SaaS（软件即服务）向RaaS（结果即服务）演进的关键路径。

此模式尤其适用于结果与业务目标关联直接、但实现过程复杂且难以标准化的AI应用领域。以Shopify MagicAI为例，商家营销链条涵盖商品上架、广告投放、客户互动等多环节，AI行为频次难以标准化计量，过程效率显著偏低；但销售额增长可通过订单系统直接读取，结果效率较高。Shopify依据销售额扣除促销及同业基准增幅算出的AI净贡献收取分成费用，实现“先创造价值、后分享收益”，同时避免了精细计量AI行为所带来的高昂交易成本。

需要指出的是，“分成模式”并非普适方案。若结果指标本身模糊、数据质量差或归因链条过长，将导致验证成本失控，此时应降低绩效分成权重，转而采用“里程碑付费+轻度绩效”的组合，以阶段性交付物维持可结算性。反之，当AI服务的过程因接口标准化、计量自动化而趋于稳定时，交易过程效率提升，盈利结构便可向第一象限的“两部制”演进，引入更稳定的基础过程费。

第三象限：低过程效率+低结果效率——最简化“订阅/服务包/里程碑”模式

在交易过程与交易结果效率均表现低下时，过度追求精细化的过程计量或结果分成会显著推高交易成本，导致总体交易效率下降。此时，最有效的盈利结构是采用最简化的“订阅/服务包/里程碑”模式。该模式的核心是在双侧效率约束下，通过降低结算频率与细化程度，以可验收的阶段性成果或固定服务包作为结算依据，从而以可控的总交易成本维持合作可行性。

此模式的有效性，根植于其应对双侧低效率现实的适应性。在过程侧，由于解决方案往往处于探索期，执行颗粒度难以统一，导致任何精细化的过程计量都会引发高昂的计量成本与对账成本。在结果侧，由于业务价值链条长、外生干扰因素多、数据基线不清或数据链路不完整，导致价值的归因成本与验证成本极高。在这种“双低效率”的约束下，通过少量清晰的关键里程碑进行结算，反而能最大化当下的总体交易效率。

AI制药是运用最简化“里程碑”模式的典型场景之一。例如，美国生物技术公司NablaBio和日本武田制药于2025年10月14日签署的AI驱动药物设计领域的重大研究合作协议。合作依赖NablaBio的JAM平台，将新一代生成式AI与湿实验室数据紧密整合，创造出全新的、自然界不存在的蛋白质序列。合作采取“预付款+里程碑”模式，NablaBio将获得数千万美元预付款与研发费用支持，若后续研发取得成果，还可斩获超10亿美元的里程碑付款。在AI驱动药物探索过程尚未清晰，难以标准化计量，结果也难以在短期内归因的前提下，“预付款+里程碑”的模式使得AI生物技术公司与药企的前期投入相对可控，同时能锁定未来技术突破时的商业价值，在AI制药的早期探索中保留内部研发能力，并最大限度获取前沿技术红利。

需要明确的是，第三象限的结构是动态演进过程中的一个必要阶段，而非最终稳态。其价值在于为后续效率提升奠定基础。一旦在探索过程中，某些过程活动趋于稳定和标准化，即交易过程效率提升，便可考虑向第四象限的“用量计费”模式迁移。反之，若通过试点项目验证了某个AI功能与关键业务指标之间存在清晰、可复现的因果关系，即结果侧可验证性增强，则可转向第二象限的“分成模式”。

第四象限：高过程效率+低结果效率——过程锚定型“用量/资源计费”模式

在交易过程效率高而交易结果效率低的第四象限中，最有效的盈利结构是基于可量化、可复核的过程计量标准来设计结算方式，即采用用量或资源计费模式。这种模式的适用场景是行为完成的过程能够以低成本稳定计量，但其最终达成的业务价值暂时难以可靠验证。此时，通过将结算锚定在清晰的过程指标上，并辅以质量阈值或代理指标来维系与业务价值的关联，能够建立标准化、可扩展的“定价基准”，从而提升总体交易效率。

在实践设计中，核心是贯彻“规则清晰、质量可检、对账透明”的原则。首先，需进行明确的分层与阶梯设计，将服务能力划分为不同梯度（如基础型、增强型、专业型），每一层级都绑定可检验的质量阈值，并设定与之匹配的价格与服务范围，以此降低采购决策中的解释成本。其次，需预设阈值未达标的处理机制，例如设置标准化的扣减或退费规则，以提前锁定潜在的争议成本。此外，通过容量预留、峰谷定价等弹性管理手段，可以有效平衡供需，减少资源调度异常带来的额外成本。

然而，若缺乏有效的质量阈值与代理指标牵引，过程锚定结构极易导致“只结算投入、不问产出”的激励错配，反而会推高解释成本与客户流失风险。同时，过度细化计量维度也会增加规则的复杂性和维护成本。该模式的演进路径较为清晰：当结果侧的验证条件随着数据积累和归因方法的完善而成熟时，则应考虑向第一象限的“混合型两部制”演进。反之，若过程侧因技术迭代或标准变更而失去稳定性，则需暂时回退至第三象限的“服务包/里程碑”模式，以更简化的结算维持合作，待条件恢复后再优化结构。

如何判断某成果是最终业务价值的达成

商业模式的本质是利益相关者的交易结构，交易主体的核心目标是通过交易实现自身价值诉求，而“最终业务价值”正是这一诉求的直接体现。判断某成果是否为最终业务价值，需围绕“成果与交易主体核心目标的直接关联性”“成果的可验证性与可持续性”展开，核心逻辑是：过程性成果是交易的中间环节，不直接指向核心目标，因此并非最终业务价值；结果性成果直接体现核心目标的达成，才是最终业务价值。

从客户视角看，最终业务价值是“核心业务指标的可验证改善”。客户引入AI智能体的根本目的是解决业务痛点，如电商客户追求销售额增长、制造企业降低停机损失、金融机构控制欺诈风险，因此只有直接关联这些核心指标的成果才是最终价值。判断客户视角的最终业务价值，需满足三个条件：一是直接关联性，成果需直接指向客户核心诉求，而非间接支撑；二是可验证性，成果需通过客观数据呈现，如销售额、成本、风险率等，而非主观判断；三是可持续性，成果需能长期稳定，而非短期偶然改善。

从AI服务商视角看，最终业务价值是“可持续的商业收益与客户留存”。服务商的核心目标是实现盈利增长与长期发展，因此只有能带来稳定现金流、高客户续约率的成果才是最终价值。服务商视角的最终业务价值同样需满足三个条件：一是收益稳定性，成果需能带来持续收入，如长期订阅费、阶梯分成；二是客户粘性，成果需让客户形成依赖，如定制化AI系统、深度价值绑定；三是可扩展性，成果需能复制到更多客户，如标准化服务包、行业通用解决方案。

需特别注意的是，同一成果在不同场景下可能存在“过程”与“结果”的属性差异，但最终业务价值的判断标准始终不变。例如，“AI模型的准确率”在通用大模型场景中是过程性指标（需结合业务转化判断价值），但在医疗诊断场景中，若准确率直接关联误诊率降低与患者安全，且符合行业合规标准，则成为结果性指标，属于最终业务价值。这种差异的核心在于“是否直接指向交易主体的核心目标”，而非成果本身的形态。

总结

本文构建的“交易效率-盈利模式确认”框架，为AI智能体商业化提供了清晰的框架体系。核心结论在于：AI智能体的盈利模式选择并非“按过程付费”与“按结果付费”的静态取舍，而是基于交易过程效率与交易结果效率的动态寻优——在不同技术成熟度、数据基础与场景约束下，找到“总交易成本最小化、价值确认最大化”的最优组合。

全球AI原生公司的定价实践，不仅印证了这一动态寻优逻辑，更具象化呈现了魏朱理论五费量纲在不同场景下的适配路径：标准化工具靠过程量化实现规模盈利，垂直方案靠成果绑定提升价值溢价，定制开发靠全链路收费覆盖复杂投入，三者共同构成了AI智能体盈利模式从“技术落地”到“商业变现”的完整实践图谱。

从AI商业化的演进路径看，行业正经历从“过程导向”向“结果导向”的转型。在技术探索期与标准化推广期，过程类定价因交易成本低、风险可控，成为打开市场的主流选择，这类模式快速实现规模化覆盖，为行业积累了技术与数据基础。随着AI与业务场景深度融合，结果类定价逐渐成为提升盈利空间的关键，这类模式通过价值对齐激发客户支付意愿，实现服务商与客户的利益共生。

对AI企业而言，落地这一框架需遵循三步实践逻辑：首先，诊断自身产品的“过程可计量性”与“结果可验证性”，明确当前所处的效率象限；其次，基于象限特征设计适配的盈利结构；最后，建立持续监测机制，当过程效率因标准化提升、结果效率因数据积累增强时，主动推进模式迭代。

未来，AI智能体的盈利模式将进一步向“动态组合”与“价值深化”演进。一方面，单一模式的局限性会逐渐显现，“过程+结果”的混合结构将成为主流，如“基础用量费+阶梯结果分成”，既保障规模化结算，又深度绑定业务价值；另一方面，价值确认将从“单一指标”向“多维度价值体系”拓展，如不仅关注销售额增长，还纳入客户留存率、品牌知名度等长期价值指标，实现短期收益与长期价值的平衡。

AI智能体的商业化竞争，本质是“价值转化能力”的竞争——能否将技术优势转化为客户可感知的业务价值，能否以高效的交易结构实现价值兑现。当企业能将“交易效率优化”内化为核心能力，根据场景动态调整盈利模式，便能在技术迭代与市场竞争中持续构建护城河，实现从“技术领先”到“商业成功”的跨越。

魏炜：北京大学汇丰商学院教授

徐子程：北京大学汇丰商学院硕士研究生

纪鸿阳：北京大学汇丰商学院硕士研究

责任编辑：高菁阳

来源：《清华管理评论》2025年1-2月刊