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]

AI技术变革的宏观定位 - AI是比互联网更宏大的技术变革，其量级可与电力、微处理器和蒸汽机相提并论，目前仍处于“非常早期”阶段 [3][11][23] - 智能的单位成本正以远超摩尔定律的速度下降，形成“极度通缩”，这将推动需求的爆发性增长 [4][13][41] - 基础设施（如GPU、数据中心）的短缺将引发数千亿甚至数万亿美元的大规模建设，最终导致供应过剩，进一步压低AI成本 [2][5][13][41] 市场结构与竞争格局 - 未来AI行业结构将类似计算机产业：顶端是极少数类似超级计算机的“上帝级模型”，边缘侧将普及海量低成本的小模型 [6][19][48] - AI领域实质上是中美双雄争霸的局面，世界其他国家要么造不出来，要么不想造 [6][57] - 中国在AI领域的追赶速度惊人，例如DeepSeek的发布被形容为“超新星时刻”，其开源策略和芯片自研进展对全球竞争格局产生影响 [6][13][60] 商业模式与定价演进 - AI应用正从“按Token付费”向“基于价值定价”转移，初创公司在定价上比传统SaaS公司更具创造力 [7][17][38] - 高定价可能对客户有益，因为它能支撑更好的研发，使产品变得更好 [82] - 领先的AI应用公司（如Cursor）正在向后集成，构建自己的专用模型，而不仅仅是做大模型的“套壳” [7][17][97] 技术发展路径与扩散 - 大模型与小模型并非零和博弈，而是一个分工明确的“智力金字塔”，两者将共存 [19][48][89] - 开源模型（如中国的Kimi）正快速追赶闭源大模型的能力，并能以更低的成本在本地硬件上运行，加速了技术扩散 [46][86][87] - AI技术的民主化程度极高，全球最先进的文本、视频、音乐AI（如ChatGPT、Sora、Suno）已打破壁垒，任何人都能第一时间使用 [7][28] 行业动态与初创公司生态 - 新一代AI公司的营收增长和起飞速度是前所未有的，真实需求正快速转化为银行账户中的收入 [19][32] - 初创公司生态极其活跃，不仅有应用公司爆炸式增长，也出现了新的基础模型公司（如由Ilya Sutskever、Mira Murati创立的公司） [92][93] - 风险投资机构采取投资组合策略，同时押注大模型与小模型、专有与开源、基础模型与应用等多种看似矛盾的方向，以捕捉技术变革的机遇 [20][106][108] 地缘政治与监管环境 - 中美AI竞赛促使美国联邦层面的监管风向转变，两党都少有兴趣做任何可能阻碍美国战胜中国的事情，严苛监管风险已大幅降低 [14][64][65] - 监管焦点从联邦层面转移到各州（如加州的SB 1047法案），但存在监管割裂的风险，业界正推动由联邦政府主导监管 [65][68] - 欧盟的《AI法案》被视为过度监管，扼杀了本土AI发展，甚至导致苹果和Meta拒绝在欧洲发布最新功能，欧盟正试图进行修正 [8][69][70]