摘要：本文编译了 a16z 与 Metronome（一家为 OpenAI、Anthropic 提供按量计费平台的初创公司）CEO Scott Woody 的深度访谈，探讨了 AI 是如何从根本上改变了软件的定价逻辑、不同类型的 AI 公司 CEO 又应该如何应对等话

AI 正在重构软件价值：基于 seat 定价的传统模式正逐步被基于使用量或结果的定价所取代。

面对这场定价范式的转变，不同类型的 AI 公司应该怎么做才能顺利实现定价转型？CEO 需要特别关注哪些方面才能真正将按量定价转化为企业竞争优势？

本文编译了 a16z 与 Metronome（一家为 OpenAI、Anthropic 提供按量计费平台的初创公司）CEO Scott Woody 的深度访谈，探讨了 AI 是如何从根本上改变了软件的定价逻辑、不同类型的 AI 公司 CEO 又应该如何应对等话题。此外，我们还在文中补充了定价专家 Madhavan Ramanujam 关于 AI 产品定价四象限的最新观点：

• 由于 AI 提高了人类的效率，使用软件的人数会减少，如果软件使用 seat 定价，价值上限会很低；

• 按量定价的实施难点在于：1）计费系统需要实时检测；2）定价模型是高度动态的；3）需要保留大规模的真实数据；

• 决定实施按量定价的 CEO 需要关注销售人员的薪酬方案和销售的职责划分，财务团队需要升级成实时数据中枢；

• 对于 infra 来说，按量定价是天然契合的模式；对于应用来说，未来几年的主导模式将是混合商业模式，即同时使用 Seat 定价和按量定价；

• AI 产品的定价模型可围绕归因能力（Attribution） 和自主性（Autonomy） 进行分析，当产品的价值归因能力强且自主性程度高时，通常拥有更强的定价权；

• 定价是一场达尔文式的进化过程，企业需要不断调整自身，保持敏捷才是唯一的制胜之道。

Scott Woody：Metronome 本质上是构建了一个计费基础设施，就是 Datadog 和计费引擎（billing engine）的融合体。公司的创立源于我在 Dropbox 的经历（2013-2019 年）。当时我负责货币化增长团队，核心工作包括定价策略设计、前端体验构建、新 SKU 与附加功能发布，最终目标是驱动收入增长。这段经历让我深刻认识到货币化、定价与产品包装对业务的价值。

在 Dropbox，我们曾遭遇三大核心挑战：

1. 每次定价调整（例如将$9.99 调整为$11.99）都需重写计费系统代码，由于系统非常脆弱，这个变更往往长达 1-2 个季度，相比之下前端改造仅需 1 天。

2. 变更后客户常常陷入混乱。计费脚本是按月或者季度运行的，但客户会每日查看产品价格与费用。低频的账单计算往往会导致客户在付费后才知道价格变动，这给客户带来了不好的体验。这也让我意识到计费应是持续的产品界面，而非月度工作流。

3.计费系统的数据价值被埋没。发票开具、回款追踪等数据目前仅汇总至总账，业务团队往往只能在季度末才能得知整体收入表现，比如“上季度收入为 600 万美元”这种滞后的信息。

因此我希望构建能够根治货币化痛点的系统，这是过去五年 Metronome 的核心使命。

a16z：促使你创业的关键转折点是什么？

Scott Woody：基础计费系统是工程师的噩梦，因为每家企业定价策略都存在微观差异，导致工程师必须为特定业务规则编写特定的编码。没有人愿意接受这种高压工作，Dropbox 的计费系统每年就是由实习生在更新。如果让大家在引擎优化和计费系统开发之间进行选择，所有人都会选前者，这导致计费系统的技术难题越堆越多，最后成了难以维护的代码泥潭。

而且，当采用 Seat 订阅时，计费逻辑相对简单，只需要将用户数量乘上单价。但比如 ChatGPT 这种万亿级查询是按 token 计费，且不同用量有不同的价格区间，这时候就不是简单地统计一下有多少用户了，而是要从 50 多个不同的数据源中拉数据，进行复杂的计算和对账。由于底层数据系统非常复杂，叠加上计费方式本身的复杂性，这个问题才特别值得解决，一旦做好，商业价值会远超上一代的系统。

Metronome 产品形态示意图

a16z：计费行业过去发生过很多重大变化，目前许多 AI 公司都在探索按量定价，你如何看待这种趋势？

Scott Woody：计费方式经历了三个阶段。第一个阶段是本地部署时代（on-prem），主要售卖软件许可证；接着是云时代（cloud），按 seat 订阅收费；现在已经进入了 AI 时代，也可以叫价值时代。

90 年代末，软件向云端迁移的趋势为 seats 订阅模式提供了条件。在本地部署时代，软件以一次性固定价格出售，用户为软件本身及其功能付费，并自行负责安装、维护和更新。云时代软件的价值已转变，软件不再部署在本地服务器，而是作为共享的数据平台运行在云端。例如，Salesforce 的价值体现在有多少销售人员能访问和使用系统，随着组织规模扩大，软件价值也随之提升，衡量价值的关键变成了“有多少人在用”。

如今，AI 正在重构软件价值：

1.软件不再只是辅助你完成工作，而是主动为你工作。核心价值不再是“谁能访问数据”，而是“软件能替我做什么”。例如，它是否能自动写代码？能否处理工单？

2. 使用软件的人数在减少，因为 AI 提高了效率。对于 SaaS 企业来说，用户数量这一传统核心指标趋于平稳甚至下降。而软件的价值转向了“它完成了多少实际工作”，这种价值难以通过按用户计费来衡量和变现，这种转变正在推动全新的商业模式出现。

Metronome 按量定价的仪表盘

a16z：以往的经验是，应用一般基于 seat 定价，infra 一般按量定价。这个规则现在是不是还适用？

Scott Woody：这个规则正在被颠覆，因为价值导向定价正成为主流。当前 SaaS 企业普遍采用混合商业模式，也就是同时使用 Seat 定价和按量定价。这种混合模式本质上是过渡阶段的产物，虽然理想情况下应该按量定价，但按量定价存在不确定性，企业难以预估成本。而基于 Seat 定价更加简单，具有可预测性，更具实操优势。

因此许多企业倾向于采用混合模式，以 Seat 和用户数量作为计费基础，并通过按量计费捕捉增量收益。比如 Salesforce 等大型成熟的 SaaS 厂商近期就增加了 AI agent 功能，并使用混合模式计费。只要 agent 能创造价值，即使客户不增加员工数量，SaaS 厂商的收入也能增长。

a16z：很多优秀的 infra 公司实施在按量计费的时候都遇到了困难，这是什么原因带来的？

Scott Woody： 想象你是一名正在使用云端 infra 的工程师。按量计费的机制在于，一旦启动机器，计费器就开始转动，费用实时累积。对于众多 AI 工具，计费器读数飙升得非常快。比如我能在三小时内通过 OpenAI 的 API 花掉一百万美元。这意味着理论上，短期内的支出可能无上限，因此不能仅按月统计用量数据，而是需要实时反馈。

因此，实施按量计费的第一个难点在于：如果将按量计费视为有“无上限的支出风险”，那就需要一个实时系统来侦测异常进程。

Segment 是一个典型案例，曾有一个来自印度、账户余额仅 3000 美元的小客户将自己的 CDP（Customer Data Platform，客户数据平台）错误地接入了全量生产流量，结果在一个月内触发了高达 8 万美元的账单。虽然 Segment 最终没有追收这笔费用，但这笔支出仍造成了永久性的坏账。

Segment 创立于 2011 年，核心产品是客户数据平台，帮助企业统一收集、清洗来自网站、移动端、服务端等渠道的用户行为数据，2020 年被 Twillo 收购。

第二个难点在于，定价模型看似静态，实则是高度动态的。每个销售合同都存在差异，因此构建一个能通用处理所有复杂情况的计费引擎的难度非常大。例如，我们上周接触了一家上市公司，他们每份合同的折扣幅度都是不同的，他们高达 10 亿美元的支出完全依赖手工处理。这些公司早期因特殊合同少、问题看似简单而选择自建系统；但六年后特殊合同积累到上千份，系统无法应对，最终只能全靠人工处理，这正是系统崩溃的起点。

最后，保留大规模准确而真实的数据是非常重要的。公司往往希望保留未来定价的灵活性，需存储大量数据（甚至其中很多都不会用于当前账单的计算）。假设未来你想调整定价，如果没有以财务级别的精度来存储历史数据，数据链条将严重断裂，数据准确性可能仅有 99%。但在财务意义上，99%的准确性依旧等同欺诈。因此，必须建立真正可靠的黄金数据链条。

a16z：按量计费模式对企业有什么战略意义？

Scott Woody：理解按量计费战略意义的最简单方式就是回归定价与价值的概念：它让你收多少钱，直接和你给客户创造了多少价值挂钩。这意味着企业销售的是基于价值的承诺。例如，企业向客户提供价值 100 万美元的信用额度，允许客户在使用数据仓库之类的产品时消耗资源，并产生相应的扣费。这种销售流程与传统的基于 Seat 定价的模式截然不同，后者通常在收取 100 万美元预付款后，按月摊销确认收入。

按量定价模式将收入与客户价值直接联系起来

在按量计费模式下，销售佣金必须等到客户实际使用产品后才会发放。因此，为了实现合理的薪酬结构，销售激励机制也需要随之调整。一个常见的误区是企业陷入“两头落空”的困境：一方面按照合同金额（如 100 万美元）提前支付销售佣金，另一方面却只能在客户实际使用产生费用时逐步确认收入，导致现金流和利润错配。

a16z：按量计费的影响非常广泛，会改变很多销售环节。

Scott Woody ：是的。我认为关键在于价值创造与捕获的闭环。价值创造始于首席营收官（CRO）团队，一方面需产品团队交付功能，另一方面需要客户真正使用产品并在月末或者季末实现收入确认。理论上，按量计费完美对齐了各方激励：客户仅为实际使用付费；销售团队可以主动筛选高价值客户（而非仅追求预付款）；产品团队聚焦提升使用量；财务团队实现价值关联的收入确认。

但现实中，硅谷过去 30 年形成的商业惯性没有真正推动产品价值的最大化。相反，由于高用量客户可能导致利润为负，企业反而更倾向于限制这些客户的使用量。以 Dropbox 为例，按团队人数收费的商业模式激励公司大力推广产品部署来增加用户数量，但完全没有动力去推动用户增加产品使用量。相反，使用量极高的客户对 Dropbox 来说是亏钱的。因此，从商业角度出发，Dropbox 反而希望用户只存储少量文件。

理论上按量计费能让所有人的目标一致。但现实是大多数公司不是这样的，因为采用这种模式意味着根本性的业务转型。我们在销售时，往往希望能直达客户公司的 CEO，因为只有 CEO 才会选择这条艰难的道路：围绕价值创造链条来构建公司，并确保销售、客户支持、产品、财务等所有部门协同一致。这绝非易事，也有别于当前硅谷大多数企业的运营方式。

所以在为企业提供转型建议时，我的第一条建议是：思考清楚你准备好了吗？你会全力以赴吗？因为如果你没有准备好，单纯更改定价模型无法奏效。你必须在整个过程中改变所有激励措施，才能让它持续下去。

a16z：决定转型采用按量定价模式的 CEO 有哪些需要关注的要素？

Scott Woody：销售人员的薪酬方案是首要关注点。其次是销售的职责范围划分，比如销售工作是否是在合同签完就结束了。

许多公司没有区分售前和售后，或者由一人兼任。售前往往只是快速确认需求。但若达成百万美元交易却没有实际使用量，本质上等于记录了虚假收入。更严重的是，销售成本是真实支出，如果客户后续使用量是零，会对业务造成巨大的伤害。相反，按量计费的真正价值在于：一旦产品真正契合市场，使用量会持续积累，创造出传统基于 Seat 定价模式无法比拟的增长飞轮。

但这要求将销售的每个环节都整合进新模式。因此，一方面要改革销售提成机制，另一方面必须重新定义 GTM 团队的职责分工：是需要拆分客户经理的角色，还是维持由同一人来全程负责？目前许多公司仍选择后者。

a16z：在这种情况下，客户支持团队会怎样呢？

Scott Woody：客户支持团队的作用比想象的要小得多。你需要的是一个深度参与公司成败的团队，但大多数挂着 客户支持头衔的人所做的工作并不足以支撑起这个定位。真正驱动客户支持的实际上是技术型专家（如 CTO），这类专家会主动帮客户优化使用方案、节省开支。因为他们深知，只要能合理优化客户的支出，客户就会更持久。

a16z：目前客户支持团队的 KPI 正越来越多地与总客户流失率和客户满意度评分（CSAT）等挂钩，而非聚焦于推动客户增购。这导致他们的工作重心变成确保客户继续使用产品、保持满意且不流失，却不深究具体原因。

Scott Woody：如果我是有决策权的 CEO，我会做三大核心变革：

首先，确保产品与工程团队深刻理解并围绕价值指标运作，比如像 Meta 等企业那样做到高度指标对齐，将增长思维融入产品研发。团队既要清晰定义并向客户传达这个指标，更要通过产品设计引导客户提升使用量，因为这直接等同于公司收入，产品团队实质上成为收入驱动力，这对团队能力提出更高要求。

其次，高管层（CEO、CRO 等）需像 Meta 那样每周甚至每天高频度审视核心使用数据，主动分析波动根源。例如当最大客户的新增负载导致消耗曲线斜率上升 2%，需立刻判断这是积极增长还是异常信号。这与基于 Seat 定价模式下疏于监控、临近续约才查看使用情况的做法完全不同。

最后，财务团队必须进行彻底转型，从传统的季度或月度节奏，升级为一个实时运转的数据中枢。财务团队掌握着用量与支出的核心数据源，因此必须精通数据、快速响应，成为业务团队的实时数据管家。否则，销售团队只能依赖滞后且不准确的数据开展工作，无法及时与客户沟通关键问题，例如：“新的使用负载导致原本预计可用 12 个月的预算在 8 个月内就被用完，这是否在您的预期之内？”

a16z：所有软件公司都会转向按量计费吗？是否存在分界线？

Scott Woody：对于 infra 层，按量定价是天然契合的模式。软件是 AI agents 的游乐场，这为按量定价创造了条件。基于 Seat 定价的好处在于可预测性和简单性，但 agent 根本不在乎简单与否，因为它们能实时决策。所以 infra 层终将走向按量定价。

而与人类交互的应用层，未来几年的主导模式将是混合模式。单纯从价值角度来看，软件的真实价值很少等同于拥有访问权限的人数，所以依赖 seat 计费模式意味着软件的价值上限会很低。公司必须采用混合策略。

企业选择定价模式时的考量因素

软件计费模型的发展历程

在 B2C 领域，我倾向于采用按 seat 定价，因为我不想让消费者频繁做购买决策，希望他们能无感地自动消费。比如为 Netflix 不按量定价就是因为如果每次登录看内容都要做次购买决定，那对用户来说，认知负担太重了。

中小企业的定价会是混合模式。大型企业则会越来越接近纯按量计费，因为按人头增长的阶梯式费用与大多数 CFO 的激励目标不符。此外，企业级部署的好处在于能通过较长的概念验证（POC）过程精准量化价值。

值得一提的是，agent 产品在面向大型企业定价时，在 POC 阶段，agent 提供商往往会上演一场迷你版的“麦肯锡式案例研究”，通过实际应用展示产品带来的效果。POC 结束时，他们会给客户展示关键指标如何下降了 27%，以及这意味着可以节省 X% 的人力成本，而产品的收费将是这部分节省金额的一定比例。在大型企业中，这种更加复杂、灵活、以结果为导向（Outcome-based）的定价模式正逐渐兴起。

Pricing your AI product: Lessons from 400+ companies and 50 unicorns | Madhavan Ramanujam

AI 产品的定价模型可围绕归因能力（Attribution） 和自主性（Autonomy） 进行分析。

在横轴上，从左往右，产品的归因能力逐渐增强，在纵轴上，从下往上，产品的自主性逐渐增强。当产品的价值归因能力强且自主性程度高时，通常拥有更强的定价权。

• 基于 seat 定价（上图左下角）：低归因能力 & 低自主性

在这一象限中，产品的价值难以清晰量化归因，且产品以 copilot 模式运行，不能完全自主。因此基于 Seat 定价通常是最合适的定价方式。这类 AI 公司的发展重点应在于提升价值归因能力（向横轴右侧移动），来增强定价权。

• 混合计费（上图右下角）：高归因能力 & 低自主性

这个象限中的产品已经能有效证明自身创造的价值，也就是具有高归因能力，但 copilot 的运行模式仍需人类参与。以 cursor 为例，cursor 带来的编码效率提升是可以明确归因的，但操作过程中仍需人类开发者主导。因此，对于这类产品来说，混合定价最为有效：保留基础的基于 Seat 的定价模式，同时叠加基于消耗量的收费。

• 按量计费（上图左上角）：低归因能力 & 高自主性

这类产品通常为后台或 infra 型产品，具备高度自主运行能力，但难以直接关联到企业核心 KPI，导致价值归因能力较弱。由于产品可以自主运行，基于 Seat 定价的方式并不适用，因此按量定价是合理选择，使用量在此充当了衡量产品所提供的价值的指标。

• 基于结果计费（上图右上角）：高归因能力 & 高自主性

这是最具定价优势的象限，这个象限的产品兼具较好的自主运行能力和强大的价值归因能力，可以实施基于结果的定价模型。在这个象限中，AI 不仅能完成工作，更直接交付可量化的业务成果，无需人工干预。典型案例包括客服平台 Intercom 的 Fin 产品，它的收费直接与 AI 能够自主解决的客服工单量挂钩。另一例子是 Chargeflow，按成功追回的拒付争议金额收取比例分成，比例可达 25%。基于结果计费的模式可以捕捉到 AI 产品所创造价值的 25% 至 50%，传统 SaaS 模式通常只能获取的 10% 至 20% 的价值份额。

目前，AI 产品最常见的定价方式是混合模型，这种模式反映了定价体系正从传统的按 Seat 定价的 SaaS 模式，逐步过渡到融合使用量计费的新模式。目前仅有约 5%的公司采用纯粹的基于结果定价。

但定价专家 Madhavan Ramanujam 预测，未来三年内采用结果定价模式的公司比例可能从 5%提升至 25%。对于希望在 AI 领域建立核心竞争力的公司来说，关键在于提升产品的自主性和价值可归因能力，从而进入高归因、高自主性的象限。这将成为释放更大商业价值的核心路径。

a16z：现在 AI 正在接管一切。

Scott Woody：从本质上讲，我们可以将任何软件转化为服务 agents 的 infra。这时候，软件的具体 UI 或外在形式就无关紧要了，比如 Slack 怎么和用户交互就不重要了，本质上就是一个连接不同实体的消息传输协议，而 agent 的价值根本上取决于它在网络中传递消息的能力。

a16z：回到 CEO 视角，假设你正试图改变你的组织，是否会有新角色出现？

Scott Woody：关于角色定位，我最喜欢讨论的一个话题就是和公司聊他们的定价委员会。我的观点是：你需要的不是一个定价委员会，而是一个定价独裁者——一个能明确告诉你什么是正确定价的人。这并不意味着这个人不需要听取来自收入、财务等团队顾问的意见和观点，但公司确实需要一个拥有集权的权威，来强有力地推动定价相关事项的落地执行。

因为在转型过程中，销售团队天然抵触重新培训，也不愿意重新思考他们的薪酬方案，如果没有一个强有力的核心人物能够力排众议、强力推进，并拥有清晰的愿景，那么整个进程就会停滞不前。但 CEO 必须在三个层面上做出妥协：第一，接受一线销售团队愿意销售且擅长销售的产品形态；第二，适应现有的技术架构，它必须能够精准计量你所销售或定价的内容；第三，配合财务端的收入确认规则。

在某种程度上，CFO、CPO、CRO 的目标函数都存在微妙的差异。如果你不能集中权力进行跨部门变革，最终的结果就是这些事情会演变成业务转型的炼狱，定价决策也会被搁置一旁。

同时，你的竞争对手正在飞速行动。你不能再像过去那样花几个季度甚至几年来磨蹭。以往的经验是基础定价模型每五年才改一次，但像 Salesforce 这样全球最大的公司之一，在过去 12 个月里就对基本定价结构进行了三次调整，他们正以前所未有的速度行动。

如果你还固步自封，一方面初创公司正在重塑你的市场，另一方面你却还在为一个定价变革进行长达九个月的案例研究，然后再花六个月到九个月去部署。等真正上线时，就已经落后了一年半，而且你的定价模型可能早就过时了。这对 CEO 来说是极其被动的局面。因此，你确实需要力量和决心，在这里，“硬性截止日期”反而是推手。否则，你会发现组织里有无数个理由让变革无法发生。

当下企业采用的 AI 计费模型

a16z：在现在这个时间点，如果企业还没有思考定价，是不是已经落后了？

Scott Woody：是的。如果你刚刚在公司的利润表上新增了一项昂贵的 AI 成本，但 CFO 还没生气，那只有两种可能：要么这个 AI 没带来任何实际作用；要么没人关注销货成本（COGS）。这个问题必须被正视并解决。但现实是，现在没有人拥有定价的标准答案。

我更倾向于把定价看作一场达尔文式的进化过程。我们正处于一次深刻的变革期，就像冰盖正在融化，没有人知道哪种模式能在这个新气候下真正存活。因此，你会看到大量的尝试和探索，哪怕是在最成熟的大企业内部也是如此。比如在 Salesforce 公开价目表背后，有上千种定价变体正在测试中，不断寻找能引发正向增长飞轮的定价方案。所以企业需要不断调整自身，进入探索模式，而非优化模式。

常有人问我“什么是正确的定价模型”，我认为这本身就是一种认知偏差，根本不存在唯一的正确模型，敏捷性才是唯一的制胜之道。

a16z：现在很多公司把定价当作战略武器，通过动态调整价格来平衡市占率和利润，这打破了“价格只能涨不能降”的老观念。这种做法可行吗？

Scott Woody：当前多重变革正在同步发生，但此刻硅谷最根本的魅力在于技术的价值基础正在以周为单位不断发生剧变。如果你的业务建立在 LLMs 之上，那么你现在能够提供的功能可能在一个月前还根本无法实现。但你只需进行一次“产品发布”，价格自然就上涨了。

事实上，现在有些公司采用的是成本加成定价：他们设定一个固定的利润率，比如 20%，然后对外宣称就维持 20% 的利润。这听起来可能不像是一门高利润的好生意，但如果你的目标是快速覆盖整个市场，这其实是一个有效策略，因为可以通过低价建立用户基础，之后再通过更精细的定价和产品打包策略来逐步提高利润空间。

但这个方式的 bet 在于：

1）市场巨大且增长迅猛；

2）通过维持固定利润率，公司有足够资本持续投入下一代模型或技术的研发；

3）可以给没有无限资金池的竞争对手施加巨大的压力。

还有一点需要特别强调：虽然定价与价值挂钩是评估上市公司的常见逻辑，但所有初创公司必须认清一个现实，如果所处的市场真的像预期那样巨大，例如能在未来几年内增长十倍，那么他们本质上是需要把资本当作武器，用牺牲短期利润的方式打压竞争对手、迅速抢占市场份额。至于如何盈利，那是以后的事。我认为在当下，这种策略是合理的。真正的赢家正在获得压倒性的领先优势，甚至出现了一种特殊现象：位于行业顶端的公司不仅没有放缓，反而在进一步提速，就像是在经历一场真正指数级的增长浪潮。

a16z：在互联网和 AI 领域，“赢家通吃”现象非常普遍：一个领先品牌往往能依靠网络效应和数据飞轮迅速占据超过 80% 的市场份额。用户的持续使用推动产品不断优化，再叠加几乎为零的边际成本，使得产品能在全球范围内高速扩张，垄断速度远超工业时代，带来了三十年未见的颠覆性格局。这本质是数据取代技术成为护城河的必然结果。

Scott Woody：当前，AI 领域在产品迭代速度、市场格局演变和资本流向等方面都呈现出前所未有的剧烈变革。同时，企业也在积极规划自身的成本递减路径。在这样的背景下，追求市场快速饱和的策略看起来非常明智。这也解释了为什么许多 AI 公司在早期选择基于 Seat 的定价模式，因为这个模式足够简单、稳定，便于快速落地。但随着成本结构逐渐清晰、市场接受度不断提升，企业开始转向更灵活的混合定价模式，并通过创新的定价策略传递品牌立场，强调和用户站在同一阵线。

a16z：互联网与 AI 浪潮本质上非常相似，可以以零边际成本引发爆炸式增长。核心差异在于，互联网早期缺乏变现手段，而当前 AI 已突破商业化瓶颈，按量计费模式正是 AI 变现的基础。这种计费方式不仅是策略选择，更是支撑本轮 AI 爆发的底层逻辑。

Scott Woody：是的，以向 CFO 销售软件为例，企业最大的支出通常是人力成本，其次就是 AWS 等云服务这类按量计费的资源。事实上，企业在管理这类变动成本方面，已经积累了超过 15 年的经验。这与互联网早期形成了鲜明对比，当时按量计费的模式尚未被广泛理解，甚至超出了多数人的认知框架，难以想象也难以接受。

a16z：当时人们甚至都不知道如何实现盈利，基本上最后只能靠广告。

Scott Woody：是的。当下技术条件已然成熟，AWS、Snowflake 等企业已向市场普及了“可变价值、可变支出”的理念，企业能够清晰地向客户证明，这项服务与客户的价值诉求完全契合。

以 Intercom 推出的 AI 客服产品为例，它能够自动处理客户问题，并以行业标准的 65% 问题解决率作为计费基准，按实际解决的问题数量收费，从而降低客户的人力成本。这个产品最具颠覆性的创新在于，如果用户正式使用 12 周后未达到预期解决率，公司将返还高达百万美元的费用。这对于一家主要服务中小企业的公司来说，是极具突破性的举措。

如果这种模式能在数十万家中小企业中成功推广，将充分证明市场已接受按量计费，会打破“中小企业难以应对复杂计费结构”的这个传统认知。事实上，随着市场环境日益复杂，企业对计费模型的理解也在不断加深。企业决策者真正关心的是能否以合理价格获得明确价值。因此，复杂但透明、基于实际效果的计费方式，反而是他们的首选。

a16z：SaaS 曾改变计费模型，而本轮变革中计费模型的战略地位得到了空前提升，企业需要思考如何将按量计费转化为竞争优势。

Scott Woody：按量计费企业的商业模式与传统软件公司存在本质区别。以工程师优化数据库查询为例，在传统公司中，如果性能提升了 50%，通常可以立即上线，并为工程师带来晋升机会；但在 Snowflake 这样的按量计费企业中，同样的优化往往需要分阶段推进，比如每个季度逐步释放 10% 的性能提升。

因为如果计算成本一夜之间下降 50%，将直接导致以计算或存储服务为核心的企业收入腰斩。虽然从长期看，这种优化对客户更有利，也能建立更健康的收入结构，但在这种模式下，工程师实际上掌握着公司收入的阀门。这种“技术优化直接影响营收”的思维模式与基于 Seat 定价的模式存在本质区别。因此，AI 公司普遍认为按量计费是最合理、甚至是唯一可行的定价方式。

但真正有转型阻力的是那些年收入达数亿美元的大型企业。对于这些公司而言，转向按量定价不仅意味着定价方式的改变，更涉及对整个数据体系、团队权限结构和决策流程的系统性重构。

来源：晚晚的星河日记一点号