定价

Agent 产品的定价区别于传统 SaaS 的根本原因——服务成本是内生变量。三种基础模型、tier 设计原则、价格漂移应对。

套用 SaaS 定价的两种典型失败

固定 seat 月费直接套用到 agent 产品上会同时触发两种失败：

  • 重度用户毛利穿底——同样 ¥299/月订阅，重度用户的 token 消耗可达 ¥525，毛利 −76%（见 metrics/unit-economics）
  • 模型涨价时单方面承担——所有 tier 的实际容量被压缩，月费已签固定数字，成本上升完全由供应方吃下

根本差异在于：Agent 产品的服务成本是内生变量——每次推理都付钱，跟具体客户的使用强度高度耦合，不能独立于行为做定价。新的定价目标是把”成本随用量增长”显式编码进定价结构，不再赌用户行为对成本友好。

三种基础模型

订阅制（Subscription）

固定月费，使用量内含。

  • 适用：用户行为可预测、任务复杂度均匀、市场上有明确价格锚点
  • 风险：重度用户成为亏损源；定价过低难以覆盖成本
  • 必备护栏：tier 上限（见 economics/controls-and-roi）+ 超量降级或暂停策略

按量制（Usage-based）

按 token 数、任务数或工时数计费。

  • 适用：用户使用频次差异大；客户偏好”用多少付多少”的财务模型
  • 风险：客户对账单不确定性敏感；企业预算审批困难
  • 必备护栏：每日 / 月度上限 + 用量预警 + 透明的实时账单

混合制（Hybrid）

基础订阅覆盖中等使用量 + 超额按 token 计费。多数面向企业的 agent 产品采用此模型，权衡见 subscription-vs-usage。

Tier 设计

不同 tier 不是简单的”功能多少”差异——本质是模型预算的分层 + 任务量上限的分层。详见 tier-design。

价格弹性与漂移

模型单价是变量。OpenAI 与 Anthropic 在过去 18 个月推出新模型时，平均输入单价下降约 60%、输出单价下降约 50%。Agent 产品定价必须对这种漂移有应对预案：

  • 合同写”按当时模型公开单价 × 用量”而非固定金额——成本透明、风险共担
  • 或预留”成本 buffer”——月费足以覆盖最贵模型情形，模型降价时享受额外毛利
  • 不要赌”模型只会越来越便宜”——历史上价格波动通常双向

与其他章节的衔接

这页有帮助吗？
在 GitHub 编辑