Agent產品的定價、打包策略

Agent模式正在顛覆傳統SaaS的經濟邏輯，從按席位收費轉向為AI自主創造的業務成果定價。本文將剖析四種新興變現模式的優劣，從熟悉的權限定價到極具前景的成果定價，并提供一個兩步法框架幫助產品經理制定與智能體成熟度匹配的定價策略。

———— / BEGIN / ————

Agent模式正在推動軟件領域中主體能動性、控制權以及人類參與模式的范式性變革。

通過主動解讀目標、拆解任務并自主采取行動，軟件服務從人類作為操作者、遵循預設確定性工作流的模式，演變為系統自主規劃并執行工作、人類僅作為監督者的全新形態。

這一轉變顛覆了傳統 SaaS 的核心經濟邏輯。

在經典 SaaS 模式中，收入、利潤率與客戶價值隨用戶采用率和交互頻次同步增長；而在智能體產品中，客戶價值主要隨AI 模型能力升級與智能體自主化程度提升而擴張。

傳統 SaaS 依賴正向規模效應 —— 用戶越多，收入越高；智能體產品則徹底反轉了這一規模公式：自主化程度越高，所需人類用戶數量越少。

因此，產品負責人不能再將按席位收費的貨幣化模式作為智能體產品的核心增長引擎。

以 AI 為核心、原生面向智能體的產品，需要一套能精準捕捉自主系統價值、將增長杠桿與智能體精準度和自主化升級綁定的貨幣化策略。

盡管成本、競爭、客戶價值與支付意愿這些核心定價要素并未改變，但定價的核心挑戰已從收取軟件使用權限費，轉向為自主、非確定性智能體創造的業務成果定價。

01 新興變現模式

多數企業仍在探索如何實現價值創造與價值捕獲的匹配，構建能最大化客戶終身價值的經濟模型。目前四類定價模式逐漸成型，隨著智能體 AI 能力持續迭代，各類模式的長期可持續性差異顯著。

按權限定價：熟悉易用，但脆弱不堪

按權限定價模式下，SaaS 服務商對 AI 能力的使用權限收取固定 recurring 費用。

為控制風險，服務商通常會設置合理使用上限，限制過度消耗，但核心邏輯仍圍繞使用權限而非實際用量。

Harvey、OpenAI（ChatGPT 企業版）、Anthropic（Claude 團隊版）均采用此類模式，通過按月 / 按年的席位訂閱提供 AI 服務。

該模式能為客戶提供更穩定的成本預期，也簡化銷售流程。

但隨著LLM能力持續增強、AI 智能體實現高度自主化與高精準度，這一模式將形成反向飛輪效應：AI 自主完成的工作越多，所需人類席位越少，基于席位數量的收入不增反降。因此，該模式僅為過渡性方案，而非最終形態。

在產品早期迭代階段可以考慮采用按權限定價，降低市場準入門檻，但不適合作為長期的變現策略 —— 其經濟邏輯與智能體 AI 的技術進步呈負相關。

按用量定價：邏輯合理，但存在局限

按用量定價模式下，客戶根據可量化的計算活動或交互量付費，定價與消耗令牌、計算單元、交互次數等資源直接掛鉤。

Salesforce（Agentforce）、Cursor、OpenAI（GPT API）及公有云 AI 服務均采用此類模式。

該模式讓收入與資源利用率綁定，幫助 SaaS 服務商維持穩定毛利率。但存在兩大結構性缺陷：

底層云資源成本持續下降，將經濟模型錨定在算力或令牌上，易導致收益遞減，加速 AI 能力的商品化認知；

對客戶而言，資源消耗與價值產出的關聯極不透明。模型行為、提示詞設計、檢索質量與交互模式的差異，讓客戶難以預測用量、無法將使用量與業務成果關聯，既造成預算不可控，也無法形成清晰的 “價值 – 成本” 對應關系。

對產品而言，該模式最適用于基礎設施類產品，或客戶價值尚未明確的早期定價階段。

按智能體定價：售賣數字勞動力

按智能體定價模式下，客戶通過訂閱購買獨立智能體，企業將智能體定位為承擔特定任務的數字員工；部分變體模式則將能力抽象為生產吞吐量進行售賣。

盡管該模式旨在用數字勞動力補充或替代人力，但完全替代的場景極少。

• 微軟（Copilot Studio）、11x.ai 將 AI 作為可部署數字員工定價；

• Lovable、v0.dev 則按系統可自主完成的工作或任務計費，而非單個智能體實例；

• Nominal 基于需整合的實體數量采用智能體中心定價；

• 在醫療等高監管行業，Hippocratic AI 提供按角色定制的智能體定價。

當前人機協作模式下，人類需全程審核智能體輸出、避免低質 AI 內容，帶來大量額外成本，限制了生產力提升。客戶因此認為 AI 智能體的價值有限，支付意愿隨之降低。

對SaaS產品而言，該模式極具潛力。

隨著智能體可靠性、質量與自主化程度提升，人機協作成本下降，數字勞動力的經濟價值將逐步凸顯。可持續的按智能體定價，依賴差異化能力、質量與可靠性。

按成果定價：極具前景的終極形態

按成果定價模式下，AI 產品價格直接與客戶可感知的實際業務成果掛鉤，業務成果與投資回報率（ROI）直接相關，如實際財務收益、任務成功完成等，價值計量單位即為最終結果。

該模式最適用于 AI 成果邊界清晰、可明確歸因的場景。

難點在于，供需雙方往往難以界定可量化的業務成果，也難以剝離其他因素、單獨核算 AI 系統的貢獻。

Sierra 采用按成果定價，客戶僅為成功完成的任務付費；Chargeflow 按回款收入比例定價；Intercom 采用混合模式，基礎版按能力計費，高價值版結合按成果定價，引導客戶從用量模式逐步轉向成果模式。按成果定價對服務商風險更高，但最具長期適配性。

該模式是理想的長期定價方案，但需在成果歸因、量化衡量上具備成熟運營能力，同時建立客戶信任，才能大規模落地。

02 產品定價決策框架

我學習到一種兩步法制定智能體產品定價：

第一步，篩選經濟與技術層面均可行的定價模式；

第二步，選擇與客戶價值認知、預算規劃、價值論證方式最匹配的模式。

不同定價模式的可行性，取決于智能體自主化程度、成本結構、成果可預測性、歸因清晰度與風險承受力，確保定價與產品技術成熟度、企業財務約束匹配。

第二步則將定價模式與客戶價值感知對齊，讓定價貼合客戶的預算邏輯與 ROI 衡量標準，降低銷售阻力。

隨著技術成熟、智能體產品精準度與自主化能力提升，借助該框架可以很容易地迭代優化定價策略。

03 框架落地實踐

埃森哲發布的國外的某個智能體云成本優化產品的案例：產品掃描云基礎設施、評估數千項資源，并自動執行成本優化操作，約 42% 的操作需人工審核。整體成本節約可驗證，但難以將收益完全歸因于智能體操作。

根據決策框架：

• 按席位定價非最優，因價值源于自主執行而非用戶數量；

• 按用量定價可保障利潤率，但隨著邊際成本下降、自主效率提升，長期不再適用；

• 產品僅部分自主、成果歸因存疑，完全按成果定價為時過早；

• 最終指向按智能體能力定價。

從客戶視角看，一家中型企業每年云支出數百萬美元，通過該產品實現持續可觀的成本節約。

按智能體、令牌或操作量定價，與財務團隊預算邏輯不符。

能順利通過預算審批的價值主張，是可核算的成本節約，因此采用混合定價結構：例如產品每年帶來 20 萬美元云成本節約，可設定 4 萬美元固定訂閱費 + 5% 實際節約收益分成。

這套兩步法制定的定價模式，對服務商具備結構可行性，同時貼合客戶的預算審批、支出論證與續費邏輯。

04 打包策略

傳統 SaaS 常用 “基礎版 – 進階版 – 旗艦版” 的分層打包，按功能做捆綁與分級；

智能體類型產品雖然保留這一形式，但層級差異核心變為AI 智能體的認知能力、自主化程度、精準度與業務覆蓋范圍。

例如 ChatGPT、Claude 的免費版僅提供基礎推理能力，從免費版升級到 Plus、Pro 或 Max 版，每一層級的認知能力均顯著提升。

這類打包設計旨在形成正向循環：用戶采用推動模型學習，學習提升智能體精準度與自主化，更高能力解鎖更大用戶價值，進而加速采用。

智能體 AI 已經從根本上重塑軟件產品的價值鏈。對產品人而言，如何實現其貨幣價值已成為整體產品戰略的核心，而非僅用于優化獲客漏斗與利潤率的后置環節。

核心要務是設計一套隨 AI 智能體精準度與自主化升級同步擴張的貨幣化策略。

智能體產品的定價，需同時對齊客戶價值認知與最大化客戶終身價值的經濟模型，構筑企業競爭壁壘。

本文來自公眾號：朱莉的產品筆記 作者：朱莉的產品筆記