随着 AI Agent 的兴起，“怎么定价”成了创业者和企业都绕不开的问题。近期更新的下列两篇关于AI agent定价的文章都分别提到一个观点，即按结果付费（Outcome-based Pricing）才是AI时代最先进的商业模式。
Why is AI pricing changing — and what does it mean for the future of software?定价成熟度曲线：AI Agent企业创造的价值≠收益？
How should I price my AI agent product?AI Agent 怎么定价最聪明？
但真实情况呢？我们来看数据。
哪一种定价策略用得最多？
在理想状态下，AI 应用的定价模型应该具备三大特征：可控、透明、且能够与客户感知的业务价值直接对齐。但现实往往不那么理想，尤其是在AI还处于早期落地探索阶段，客户对“价值”的理解、对“成本”的预期，以及对“效果”的归因都尚未成形。
硅谷创投 a16z对15个行业的100位CIO调研后，发现他们选择 AI 应用定价模式的偏好分布如下：
使用量计费占比最高39%：按 token 数、API 调用、时间等定价
混合模型占比23%：按使用量、人头数及结果混合定价
按座位计费占比21%：按每个账号 / 用户收取固定月费
按结果付费仅占比15%：按完成任务、成交线索、解决问题计费
因此，多数企业客户在评估AI应用时，倾向于从“简单易懂”的计费方式试水：比如按使用量（Usage-based）、按用户数（Seat-based），这些方式虽然可能无法完全反映AI的真实价值，但胜在容易预估预算、便于内部审批，也更能被采购流程接受。
而那些看似更合理的“按结果付费”（Outcome-based Pricing）方案，虽然概念上具备诱人的商业逻辑，却往往因指标难定义、结果难量化、归因难清晰而让采购者望而却步。
说到底，AI 作为一项新兴技术，它的“价值路径”尚未清晰，客户不知道这笔钱花下去能带来多大成效，也害怕最终成了买单的人。
按结果付费为什么“看上去很美”，却用起来很难？
在不少关于 AI 的讨论中，“按效果付费（Outcome-based Pricing）”被视为未来最具潜力的商业模式之一。但从硅谷创投 a16z对15个行业的100位CIO一线的访谈来看，现实远比想象更复杂。尽管这一模式听起来贴近业务价值，但许多企业在实际采购中却犹豫不决。
对基于结果定价（Outcome-Based Pricing）模式的主要挑战来自于以下几个主要原因：
缺乏明确、可衡量的结果（47%）：近半数CIO认为最大的障碍是无法定义或量化“成功结果”。这反映了在AI等新兴技术领域，许多业务目标（如“提升用户体验”）难以转化为具体指标。
不可预测或不可扩展的成本（36%）：超过三分之一受访者担心成本失控。基于结果的定价可能导致供应商为达成目标投入过高资源，最终转嫁费用给客户，或使模型难以规模化应用。
价值归因困难（25%）：在复杂的技术生态中（如多工具并用的AI系统），很难孤立评估某一工具的实际贡献，导致定价合理性存疑。
外部因素依赖（24%）：AI效果常受客户数据质量、内部流程等供应商无法控制的因素影响，结果达成存在不确定性，容易引发责任纠纷。
目标错位（20%）：供应商定义的结果可能与客户真实业务需求脱节，或者说即使完成了某个结果，也可能对实际业务价值没有帮助。
数据缺失（17%）：企业内部没有基准数据或分析体系，难以判断 AI 是否真的带来改进。
信任问题（16%）：担心供应商通过操纵指标（如选择有利的评估周期）多收费，例如 AI 通过“刷分”来达成虚假的 KPI，让客户为无效结果买单。
流程复杂性（13%）：法律条款和采购流程对灵活定价模式的适配不足。
由此可见，在缺乏统一度量标准与计费逻辑的今天，多数 CIO 更倾向于“按使用量付费”这一相对成熟、易于管控的方案。毕竟，在 AI 技术尚未标准化的阶段，“可预测性”仍是企业最看重的属性之一。
Outcome-based pricing is promising in theory, but until attribution and metrics mature, predictability wins “按结果付费”很美，但在归因与指标尚未成熟前，“成本可控”才是第一优先。
因此在一个定价模型逐渐演变的 AI 市场中，企业往往需要从使用量起步，建立信任，然后通过渐进式测试结果计费、混合模式等创新方式，同时也需要提前布局清晰归因、指标体系，为结果导向计费铺路。
AI 的价值远不止节省人力，更是解锁业务新可能的钥匙。唯有构建起 “客户愿意付钱 + 自己可持续盈利” 的模式，才能跑得远、跑得快。
