or 上班量 产品定价形式的新思索 基于人数 AI 对

作者 | Vikram Sreekanti & Joseph E. Gonzalez

编译 | 岳扬

给产品定价从来是个难题，咱们并不自夸为定价专家。目前，咱们还在初步尝试为 RunLLM（​ ​runllm.com​ ​） 找到一个适宜的定价形式，这个疑问最近不时萦绕在咱们的心头。咱们感觉，将咱们随着与客户互动的深化而逐渐成熟的思索环节分享进去，以及讨论人工智能产品的个性如何影响定价规则，或许对大家有所启示。

便捷来说，咱们失掉的启示是，基于用户人数的定价形式并不理想，人工智能工具更应依照成功的上班量来设定多少钱。 这个观念或许对某些人来说是显而易见的真谛，对另一些人来说则是保守的新观念，但这绝非什么离奇的想法，甚至算不上是一个新概念。

Source: DALL-E 3.

从以往来看，大少数办公效率工具的价值在于能够与整个公司严密联合。像 Slack、Linear、Notion 这样的团队单干工具，团队规模越大，其经常使用频率就越高。虽然每个新成员带来的经常使用频率增长或许不是相对线性的，但团队规模和产品经常使用量之间确实存在正相关。即使没有创立更多的新义务或撰写更多的文档，让每个团队成员都能经常使用这些工具，其优势也是显而易见的。

但是，基于人工智能的效率工具打破了这一传统形式。以电子邮件为例，我在 RunLLM 负责 CEO 和在加州大学伯克利分校负责传授时，每天收到的邮件量与 RunLLM 的工程师或普通钻研生收到的邮件量有着大相径庭。因此，假设一款基于人工智能的邮件回停工具依照人数来不要钱，那就显得不太正当了 —— 毕竟，每天撰写 100 封邮件所需成功的上班量远远超越了仅写 2 封邮件。

这正是 Notion AI 等工具让人感到不平的中央。当团队中某些成员因上班需求而须要投入少量期间写作时，为每团体每月支付 10 美元申请 Notion AI 就显得有些不正当。（再加上咱们还感觉 Notion AI 的实践成效并不大…） Notion AI 与 Notion 的惯例则价形式须要有所区别，由于在后者这种状况下，即使用户不常写作，能接触到公司文档自身就具备价值。 而人工智能的价值在于其提供的智能化服务（它所成功的上班）。因此，咱们更宿愿依照这一服务量来付费。

这就是基于上班量的定价准则，咱们发现越来越多的 AI 产品开局驳回这种定价形式。RunLLM的计费形式是依据所回答疑问的数量来确定的。基于 AI 的 SDRs（Sales Development Representatives） 则是依据布置的会议数量来不要钱。而模型提供商，人造是依据所生成的 token 数量来设定多少钱的。

01 基于服务经常使用量的定价形式并非新事物

咱们所说的基于上班量的定价，实践上就是一种基于服务经常使用量的定价形式，这种形式自云计算软件兴起之初便已存在（其历史甚至可以追溯至公元前 3000 年，美索不达米亚地域对灌溉用水的计价）。 如今，从AWS、GCP等云服务提供商那里经常使用的绝大少数服务，其计费都是基于租用的计算资源期间（以秒或小时计）和数据存储量。随着 serverless 架构的盛行，计费形式变得愈加精细：用户只有为自己实践经常使用的资源付费，而不是为租用的资源付费。

但是，企业从来关于齐全基于服务经常使用量的定价形式持保管态度，由于这种形式下的费用难以预测，估算编制也相对艰巨。实践上，当云函数（cloud functions）开局盛行时，一家干流云服务提供商泄漏，他们面临的最大应战是企业客户们尚未预备好接受云函数的固定经常使用量合同 —— 由于他们驳回的是纯正的基于服务量的计费形式，企业客户对此类基础设备的采意图愿不高。

在基础设备层面实施基于服务经常使用量的定价形式，从来也很难实施。虽然计算某个函数运转期间相对便捷，但如今须要在不可胜数的主机和数百个数据核心中牢靠地跟踪这些数据（即使在出现缺点的状况下）。此外，服务的启动和封锁也发生了老本，而且随着在不同上班负载之间频繁切换，这些老本的发生频率也会更高。因此，直到最近，基于服务经常使用量的定价形式关键还是运行于基础设备层面（这一畛域的团队领有处置相关疑问的专业才干），而其余畛域则普遍驳回了基于经常使用人数的定价形式。

02 基于服务经常使用量的定价形式更适宜 AI 产品

AI 产品理当失掉不凡看待。咱们在上文做了简明总结，解释了为何基于上班量的定价形式对 AI 产品而言具备关键价值，但这一话题值得深化开掘。

精心打造的 AI 产品能够大幅优化企业消费劲，以低于传统形式的期间消耗和老本产出高品质、堪比人类的上班成绩。这象征着，那些人们通常不情愿做的单调义务 —— 例如，回复成千盈百次相反的客户咨询、处置重复的电子邮件、开掘潜在的开售线索 —— 将交由人工智能来成功。智能化处置越多这样的繁琐义务，人们就能有更多期间投入到更有价值的上班中。

这一变动带来了两个关键成绩。 首先 ，企业的付费形式将从按人头计费转变为按实践成功的上班量计费。团队成员能够了解 AI SDR 的上班状况，提高了透明度，但并不会扭转产品的产出。 其次 ，在定价形式中，可以实践思索到上班的成功品质。就像人类一样，AI Agents 有时也会犯错，这一点可以在评价产品参与的价值时予以思索。

举个咱们很相熟的例子，客户允许团队通常依据他们处置的工复数量和处置速度来权衡其上班效率；RunLLM 能够以更低的老本和更高的准确性成功这项上班，所以咱们依据回答的疑问数量来向客户不要钱。但假设收到一个不相关的疑问，比如“谁赢得了拿破仑抗争？”或许假设找不到数据来回答一个相关的疑问，咱们就没有为客户发明任何价值，所以咱们不会向客户不要钱。

随着讨论的深化，这种做法听起来越来越像是咨询公司的上班形式。普通来说，这是件善报。与传统软件不同，AI 能够生成连接的端到端上班（end-to-end work），这正是咨询公司希冀能够提供的服务。假设你置信这股 AI Agents 热潮，那么你或许会以为这象征着你将领有一支 AI Agents 团队，为你处置一切繁琐的上班。能否每个畛域都会出现这种状况还有待观察，但关于那些 AI 曾经展现出良好上班才干的畛域 —— 如客户允许、开售、文档编写等，这曾经成为事实。

03 按上班量定价面临的应战

当然，切换到基于上班量的定价形式并不是万能的处置打算。依据产品成功的上班量向客户不要钱会引发一些边缘状况，这些疑问是间接驳回基于人数的定价形式可以防止的。

最显著的一个疑问在于如何界定“已成功的上班”。 以基于 AI 的 SDR 服务为例，你是依据预订的会议、实践举行的会议还是转换成功的会议来不要钱？有些咨询公司会依据这三种不同的形式不要钱，不要钱越高象征着每项服务的老本越高。这里没有规范答案，但关键应战在于如今的客户对 AI 愈加持疑心态度。人类犯的失误可以随便补偿：“对不起，咱们会确保不再出现！”而 AI 犯的失误则会被愈加细心肠审查，咱们必定不遗余力地让大家置信，人工智能可以像人类一样学习（有时甚至更快！）。在产品的大规模运行时，这些 AI Agents 必定能够自主运转，因此您须要赢得客户的信赖，让他们置信您的产品会按其应有的形式运转。

正如咱们上文所讨论的内容，关于基于服务经常使用量的定价形式，企业估算的治理也很辣手，但这是一个相对比拟容易处置的疑问。咱们观察到的普遍准则 —— 同时也是 咱们在 RunLLM 所驳回的方法，是一个分层的、基于服务经常使用量的定价形式。客户须要为预期的服务经常使用量预付必定金额，而后关于超出局部按计费单位付费。 这种计费形式在以往也是相当规范的做法，所以并没有什么特意的秘诀可言。

最幽默，也是最具应战性的疑问在于了解所做的上班对用户的价值。咱们之前分享的云基础设备例子，属于低利润但高上班量的业务。GPU 服务的多少钱不只仅取决于你经常使用了多少秒，还取决于你经常使用的资源（GPU）的老本。另一方面，交付上班（Delivering work）则是一个高利润但低上班量的业务。这象征着每单位上班量的多少钱会更高，甚至或许会让一些企业感到异常。虽然如此，咱们以为基于上班价值（大抵同等于你须要支付给人类来成功这项上班的费用）的定价形式是正确的方向。

再次强调，这一疑问没有相对正确的答案。 但咱们曾经看到，随着客户逐渐了解他们不是在为计算资源付费，而是在为高品质的上班成绩付费，他们的想法正在出现变动。虽然如此，咱们还有很长的路要走，才干将这一消息有效传播给市场。

04 凡事总有例外

凡事总有例外。在这种状况下，最显著的例外就是引发了 GenAI 反派的两款工具：ChatGPT 和 GitHub Copilot。这两款产品都驳回固定的基于人数的定价形式，而不是依据服务经常使用量来定价。

这种定价形式之所以可行，关键有两个要素。首先，预测这两款工具的经常使用量十分艰巨，因此基于像经常使用的 tokens 数量这样的目的来定价或许会发生负面处罚 —— 你不知道自己要付多少钱，所以 或许会担忧假设不小心或许会参与经常使用老本 。更关键的是，在这种状况下， 量化“上班量”的难度 甚至比前文形容的案例还要大。ChatGPT 如何判别它能否成功了义务，或许 GitHub Copilot 如何确定其代码智能补全能否具备价值？在这两种状况下，都须要依赖于用户的反应，而用户的反应或许是不准确的，并且可以被控制。

从这两个例子中可以看出，由于义务老本相对较低且义务性质相对通用，基于人数的定价形式在短期内或许会继续有效。咱们或许会在其余通用产品中看到雷同的趋向，但随着市场的成熟，咱们宿愿看到像 Copilot 这样的产品能朝着更片面地成功义务，并依据成功的上班量收取相应的费用的方向开展。

虽然 AI 市场在过去 18 个月里出现了渺小变动，但咱们依然处于十分早期的阶段。每一家真正的 AI 原生企业都在学习了解客户行为，这象征着从定价战略（pricing）到利润率（margins），再到基于数量的折扣（volume-based discounts），一切都在不时地探求和调整之中。咱们和其他人一样，都在这个探求的环节中，咱们并不以为自己曾经找到了答案，但最近几周咱们不时在思索这个疑问，由于咱们正在从新设计 RunLLM 的定价战略。

这里还有一个关于“如何实施基于服务经常使用量的计费形式”的子话题，以及能否值得为许多为成功这一环节智能化而出现的服务付费。咱们还没有构老自己的观念 —— 而且这也并没有特意针对人工智能产品，所以咱们临时不深化讨论这个疑问。

无论最终的详细机制如何，咱们坚信基于上班量的定价形式是 AI 的开展方向，当然关于企业而言也宿愿如此（译者注：这种形式愈加合乎他们关于效率和老本控制的需求），兴许关于面向普通消费者的技术产品也雷同实用。兴许 AI 正是咱们须要的打破口，让互联网上无处不在的微买卖（micro-transactions）成为或许？

Thanks for reading!

Hope you have enjoyed and learned new things from this blog!

About the authors

Vikram Sreekanti

Co-founder & CEO of RunLLM

Joseph E. Gonzalez

Professor at UC Berkeley and Co-Founder at Run LLM

本期互动内容