文章核心观点 - AI从根本上改变了传统SaaS的盈利模式，因为其成本随使用量同步增长，导致传统的高毛利率模式难以为继，迫使行业重新思考产品定价和商业模式 [1][2][3] AI对SaaS经济模型的冲击 - AI公司的成本结构与传统SaaS不同：传统SaaS边际成本几乎为零，而AI公司需按使用量（如token）向大模型供应商付费，导致增长变得昂贵 [2] - 成本压力直接侵蚀毛利率：以AI编程平台Replit为例，其毛利率从2023年2月的36%暴跌至4月的-14%，7月虽回升至23%，但仍远低于传统SaaS公司70%至85%的水平 [2] - 定价策略成为全公司任务：在AI时代，定价、变现和利润率管理需要工程、产品和财务等多个团队共同参与，而不仅仅是财务部门的职责 [3][26] 五种AI定价模式分析 - 按量计费：根据实际消耗（如存储GB数、处理token数）付费，例如OpenAI按百万token收费，其GPT-5模型输入token价格为每百万1.250美元，输出token为每百万10.000美元 [5][6] - 按席位订阅：按用户数收取固定月费，在协作型产品中依然有效，但面临AI提升效率可能减少所需席位的威胁 [7][9] - 带超额费用的订阅：套餐包含基础使用量，超出部分额外计费，适用于对可靠性要求高的产品（如代码编辑器），但需避免因“天价账单”透支用户信任 [10][12] - 按点数计费：订阅包含一定“点数”，不同功能消耗不同点数，其心理优势在于让用户感觉资源“用不完”，适用于消费类产品或功能成本差异大的产品 [13][14] - 按成果计费：仅在AI交付特定结果时收费，例如Intercom的AI客服机器人Fin每解决一条工单收费0.99美元，但该模式仅适用于结果易于衡量的领域 [16][18] AI定价的三大核心原则 - 定价源于成本：定价必须覆盖成本，避免出现类似MoviePass（月费9.95美元却需支付影院每张10美元票价）的不可持续模式，这也是许多AI产品引入使用量限制的原因 [20] - 客户应为价值付费：定价应反映客户获得的核心价值，例如Figma按席位收费（价值在协作），而Google Firebase按月度活跃用户（MAU）收费（价值与用户数挂钩） [21][22] - 购买体验至关重要：定价方式需符合客户偏好，企业客户可能更看重可预测的“固定定价”，而非完全按实际使用量的“公平定价” [22] 定价模式选择框架 - 选择定价模式时需回答两个关键问题：1) 产品价值是否随使用量同步增长？2) 客户希望如何支付？ [23] - 消费者（B2C）通常偏好可预测的订阅制或点数制，而企业（B2B）为控制成本更能接受复杂的按量计费，但基础设施类产品是例外 [25] 行业未来趋势 - 定价复杂性将持续：团队将在定价、变现和单位经济效益上投入更多时间，定价成为涉及工程、财务、增长等多部门的综合性问题 [26] - 工程效率与成本控制结合：工程师需更高效地使用AI，产品方案将受经济性约束，CFO将更深入地关注成本与使用量的关系 [27] - 成功的关键在于对齐：能够通过定价模型将工程实现与用户价值对齐的公司将取得成功，例如无代码平台Lovable在8个月内实现1亿美元年经常性收入，其对消费者采用点数计费，对后端服务采用部分按量计费 [27] - 行业回归诚实：AI迫使软件行业正视真实边际成本，产品和定价模型经受住考验的公司将成为长期幸存者 [27][28]