今年以来 AI 代理开始全面爆发 越来越多 AI 代理产品上线 并迅速进入商业化阶段
他们面临一个很现实的问题。这是一个新兴的产品形态。问题是AI代理该如何定价。
为弄明白这个问题 Kyle Poyar 分析了超 60 家市面上的 AI 代理公司 总结出当下 AI 代理的四大定价模式 其一为代理席位定价 其二为代理行为定价 其三为代理流程定价 其四为代理结果定价
AI代理产品在定价方面的趋势
01 AI代理的四种定价模式
许多公司仅采用这四种模式里的一种。不过，也有一些混合模式存在。比如，按座位定价与按座席定价相互结合的模式。
模型1：按席位定价
11x公司率先采用了这种方法。Harvey公司也率先采用了这种方法。Vivun公司同样率先采用了这种方法。这些公司有效地把其AI代理定位成数字员工。
在这个模式当中 每个代理都被看作是初级员工 或者是部分全职员工的替代者 这就意味着 支出应当源自员工预算 而非IT预算 也不是软件工具预算 它主要具备三个特点
1） 部署每个代理的固定月费
2） 价值标准与员工支出直接相关
3）成本可预测，类似于传统平台或基于座位的SaaS定价
当座席能执行一系列综合任务，而这些任务原本需额外招聘员工时，这种模式特别有效。当能证明月薪2000美元的AI代理可取代年薪60000美元的初级员工时，客户会更易理解AI代理的价值
此模式常与按席位、按项目或其他基于使用情况的指标合并。合并后形成混合模式。Salesforce和HubSpot这样的公司按传统用户席位收费。这些公司还额外收取代理功能费用。ServiceNow这样的公司在其分级席位定价的高端版本加入代理功能。
最适合这种定价方式的AI企业：
AI代理承担着广泛的职责。或是完整的工作职能。其工作量稳定。还具有可预测性。并且。它能清晰地说明接管该职能后可节省的成本。
优点：预算源于员工支出。并非技术工具支出。潜在付费能力更为强大。
缺点：竞争差异化程度不高。这样的定价策略极易致使企业卷入价格战。
模式2：按代理行为定价
Bland、Parloa和HappyRobot等公司都采用了这种方法。它类似于云基础设施、业务流程外包（BPO）和其他类型呼叫中心的基于使用量的定价方式。每当客服人员执行一项独立操作，客户就要为这次服务付费。
这种付费方式有三个特点：
1） 通常表现为象征性消费，并附加保证金；
2） 有时表现为按分钟定价；
3） 使用量和成本之间的直接关系；
此模式具备透明度。它将成本和实际使用情况相挂钩。客户仅需依照实际使用量来付费。这对于工作流程相对复杂的组织极具吸引力。对于正在尝试AI的组织而言也极具吸引力。
最适合这种定价方式的AI企业是这样的代理：执行频率不可预测。执行数量也不可预测。并且擅长完成多个离散任务。
优势：和其他自由职业机构相比，业务流程外包的预算更易获取。这是因为后者能提供更优厚的服务。还能提供更完善的服务等级协议。并且成本更低。一些大型企业的BPO支出会达到1528亿美元。这相当于每位员工877美元。
缺点：竞争差异化程度是最低的。按活动定价从本质上来说，会让你变成一种商品。并且价格会出现下降的情况。
模式3：按代理工作流程定价
这些公司对提供特定结果的理操作的完整序列收费
这种付费方式有三个特点：
1） 根据已完成的工作流程而非单个操作进行定价；
每个工作流程代表一系列相关且有用的任务。比如进行研究。比如撰写和发送电子邮件。比如处理对话。
3） 价值与流程自动化相关，而不仅仅是任务执行；
这种方法在基于消费的定价与基于结果的定价之间达成了平衡。这使得它成为复杂流程的理想选择。这一流程还是标准化的。
最适合的AI企业：代理会执行多步骤流程。代理具有明确的中间交付成果。
优点：若工作流程实现标准化，那么就易于实施。而且企业能够轻松衡量使用AI而非人工操作所节省的成本。复杂的工作流程更难定价。不过它们能给企业带来更牢固的护城河。
缺点：要是工作流程是标准的，像客户研究或者电子邮件撰写。这种定价方式会致使企业面临价格下降的风险。要是工作流程复杂，定价就困难。企业可能因运行时间长，工作流程无法产生收入而亏损。比如解析一组冗长复杂的文档，像Icertis ，或者执行安全扫描，像XBOW 。
模式4：按代理的结果定价
Zendesk、Intercom、Airhelp和Chargeflow（前面已介绍）等公司最先采用了这种方法。它们把定价直接和完成的目标联系起来。
这种付费方式有三个特点：
1）根据已完成的工作或取得的成果收费；
可以是标准化的结果（Intercom）。也可以是依据客户需求定制的（Sierra）。
3）将价格与交付的业务价值直接挂钩；
此模式为客户提供了极为清晰的价值主张。客户只有在取得切实成果后才会付费。不过，AI企业要确保AI代理能够持续交付结果。
最适合的AI企业：AI应用处于相对成熟的场景。该AI应用具有可预测性能。该AI应用具有明确定义的成功指标。
优点：产品契合客户需求程度高。被竞争对手取代的风险处于最低水平。还能避免因市场竞争致使价格下降。
缺点：结果需高度定制。这可能致使定制项目的合同数量大幅增加。同时，结果或许会受归因影响。比如AI SDR。要是无法证实AI代理产生的结果。那这并非是一种良好的定价方式。
02 定价模式的优化建议
大模型成本下降后，AI代理会出现新定价模式。这将给传统定价模式带来巨大压力。
1）按座席定价
我们认为这种模式或许会延续一阵子。不过为了着眼于未来，在此建议您：
1）将价值主张从“比人类便宜”转变为“比人类更有能力”；
2）将更多功能加入到固定价格的套餐里；
3）创建具有明确能力差异的分层代理级别；
2）按代理行为定价
我们觉得这种模式无法经受住时间的检验。这是由于这种定价模式极易受到技术成本降低以及价格竞争的影响。
1）快速过渡到工作流程或基于结果的模型；
2）添加商品产品中不具备的专有功能；
3）专注于你的专业知识可以获得溢价的专业领域；
3）按代理工作流程定价
这个定价方式非常稳健，但仍然有一些可以优化的地方：
专注于复杂的工作流程。专注于多步骤的工作流程。提供清晰的投资回报率(ROI)。
3）开发抵制商品化的专有工作流组件；
3）将分析和优化等业务关键部分捆绑到工作流程定价中；
4）按代理结果定价
从长远角度看 这种模式会取得胜利 它当下处于萌芽时期 精确归因存在较大困难 其落地也有一定难度 为实现更好落地 我们给出如下建议
1）制定稳健的归因方法；
2）创建共享风险/回报模型，为成功提供绩效保证或奖金；
3）专注于您可以衡量的高价值业务成果。
03 如何选择正确的定价模型？
确定哪种定价模型最适合您特定的AI代理。此时请问问自己这些问题。
第一，AI代理是否直接替换了员工人数？
要是您代理的价值主张聚焦于节省时间。然而却未给出明确且能被识别的结果。比如文档审查、安全扫描这类。
每位代理都有其价格。要是您替换可预测的任务，那么就要把它定位成部分FTE替换。
每个工作流程都有价格。若您的代理完成了带有步骤值的多步骤工作流程。那么就以节省的时间乘以小时费率作为基准。
第二，AI代理成果能够被准确衡量吗？
如果您对您的代理能够始终如一地提供可识别的结果充满信心：
每项成果的价格：与创造的价值直接挂钩
基于结果的奖金：通过绩效激励补充另一种定价模式
第三，AI代理的任务量是否难以预测？
而这些任务可能存在很大差异
每次行动价格的定位是消费模型。该模型可能会与“每次代理”相混合。其收费方式是按离散行动来收取费用。比如按照行动数量乘以行动率来收费。
04 总结
从长远角度看。理想的定价模式。应当和客户对价值的感知方式相契合。也要与客户衡量价值的方式相匹配。
比如，AI代理能实现全流程工作自动化。此时可采用按座席计费方式，充分利用员工预算。对于变化的工作量，按操作计费。对于复杂流程，按工作流程计费。对于可衡量的结果，按结果计费，以此最大限度获取价值。
AI代理定价处于持续调整进程中。企业能从简易模型起步。之后依据对客户真正看重内容的了解持续改进。并据此迅速调整。最终精准定位自身。
本文源自微信公众号“乌鸦智能说”。作者是林白。36氪获授权后进行发布。
