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 。
元股证券:ygzq.hk3.45 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。
01
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。
02
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。
配资排名公司由此可见，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。
03
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。
4 月 29 日，市场监管总局宣布，即日起在全国范围内开展为期半年的网络食品销售虚假宣传专项整治行动，以"四个最严"要求，严厉打击普通食品冒充保健食品、虚假标注产地功效、利用"专家"站台等行为，坚决守护人民群众"舌尖上的安全"。
老凤祥足金饰品报价为 1415 元 / 克，较前一日的 1439 元 / 克下跌了 24 元；
04
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 的成本在下沉股票配资知识，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。
2026 股票证券实盘配资平台分析提示：本文来自互联网，不代表本网站观点。