过去两年，几乎所有软件公司都在给自己的产品加上 AI。但绝大多数公司的收费方式没变：还是按席位、按订阅、按调用量、按 token。这件事其实很别扭。产品的能力来源已经从"人使用工具"变成了"Agent 替人干活"，但商业模式还停留在上一个时代。而定价不是财务问题，它决定了一家公司到底在向客户出售什么，也决定了它自己会被激励去优化什么。最近 Intercom 为它的 Fin for Sales 发布了一套基于结果的定价，我认为这是目前把这件事想得比较透的一个样本：
Fin 是怎么想这件事的
原则只有一条：交付了价值，你才付费
Fin 团队给自己定的核心原则很简单：Fin 交付了价值，你才付费。当 Fin 承担新角色时，这条原则不变，变的只是"价值"的定义。Fin for Sales 负责筛选线索、与潜在客户互动，并把高意向买家转给销售团队。它创造的价值不是"解决一个问题"，而是一条由合格商机组成的销售管道。所以他们按此定价：每条合格线索 10 美元。而且"合格"由客户定义，不是由 Fin 定义。这是销售场景下 AI Agent 的第一个基于结果的定价模型。前一轮结果定价教给他们的事
一年前 Intercom 就研究过：对 AI 而言，基于价值的定价究竟意味着什么。结论非常明确——没有买家愿意为"活动量"付费，他们想为结果付费。这个洞察塑造了 Fin 在客服角色上的定价：每次完结（resolution）0.99 美元，完结意味着客户问题在无需人工介入的情况下被彻底解决。后来他们又把该模型演进为"成果（outcomes）"，以覆盖 Fin 在复杂工作流中创造价值的更多方式。背后的信念有两层：定价应与价值交付对齐；产品表现不佳时，风险应由厂商承担。在销售场景里，他们判断最好的价值单位是销售管道（pipeline）。按正确的信号定价
今天大多数销售团队都被线索淹没。但这些潜在客户的质量，很难从在线表单和通用聊天机器人里判断出来，结果是销售代表被大量不会成交的对话占用。真正起作用的，是让正确的机会及时到达销售团队。当潜在客户访问网站、与 Fin 互动、回答资格问题、并被转给销售代表时，Fin 是在判断这个机会是否值得团队投入时间——它在这里交付价值。按对话收费，会惩罚那些每个好奇访客都来问一句、但并非买家的企业。按 token 收费，从来都是保护厂商、而不是保护客户的模型。他们需要一个能抓住 Fin 在销售场景中真实价值的指标：合格线索。为什么他们拒绝把"收入"当作结果
Fin 销售角色最"纯粹"的结果定价，应该是成交收入的一定比例：Fin 筛出线索，销售代表成交，厂商抽成。他们考虑过。纸面上这是与价值最对齐的模型，实践中会因为两个原因崩溃：第一，归因。从 Fin 判定线索合格，到交易最终成交，中间有几十个变量会影响结果：人工演示质量可能不同、产品可能出故障、潜在客户预算可能被砍。把 Fin 的价格绑在最终结果上，等于让它为完全无法控制的变量负责。第二，衡量。要追踪成交收入，就需要深度接入每个客户的 CRM，跟踪每个商机从资格认定到成交的全过程。这会带来显著的实施负担，拖慢价值兑现时间。于是问题变成：对 Fin 所交付的价值而言，最诚实的代理指标是什么？在这个指标上，价值显然是由 Fin 创造的。合格线索就是那个代理指标
合格线索代表 Fin 已经完成了自己的工作：它与潜在客户互动、收集了相关信息、按客户的标准做了评估，并判定对方合格。**到此为止是 Fin 的工作，之后是销售代表的工作。**每条合格线索 10 美元，正是在反映这条边界。- 由客户定义成功。客户根据自身业务情境设定资格标准。平均合同额很高的公司，可能会把门槛设得更低，因为漏掉任何人他们都承受不起；销售代表时间稀缺、客单价更小的公司，则可能把门槛设得很高，只把最有希望的潜在客户推到前台。标准随业务伸缩。
- 经济结构本身就被设计成分层的。作为 Customer Agent，Fin 可以在销售与客服等角色之间切换。即便部署的是 Fin for Sales，它仍可处理支持类问题（例如潜在客户询问产品），这些查询按每次完结 1 美元计费，与客服定价保持一致。取消资格（Fin 判定潜在客户不符合标准）同样是 1 美元。合格线索定价 10 美元，反映的是"创造销售管道"相对于"解决问题"的更高价值。
ROI 和研究
早期客户反馈的回报相当显著。在客户研究中，一位参与者说："我会说至少值 10 倍。你现在给业务的是它真正需要的东西，而不是活动量。我们销售领导层常说一句话——'我不按活动量给销售团队发钱，我按结果发钱。'我希望我的 AI 引擎也一样。"
把一条合格线索的成本，和 SDR 的全负载成本（薪资、福利、工具、上手时间等）相比，经济账很有说服力。对许多企业——尤其是那些从未配备过 SDR 的企业——Fin for Sales 不只是在替代人力，而是在创造一种以前在经济上根本不可行的新能力。这个模型来自大量客户研究，既有定性访谈也有定量研究。他们测试过按对话、按 token、按席位、收入分成、按合格线索多种概念，结果持续指向同一结论：与结果对齐的定价是更受欢迎的模型，而"合格线索"是在价值对齐、可衡量性与落地可行性之间平衡最好的指标。
新的思考
通过这个样本也让我对 AI 时代下的商业模式有了一些新的思考。我认为判断一个商业模式够不够 AI-native 的方法，就是去问一个非常简单的问题："如果这个 AI 明天能力提升 100 倍，这个公司的收入会不会自然增长 100 倍？"
按席位收费的公司，答案是负数。AI 能力提升 100 倍，意味着客户需要的人减少 100 倍，席位数下降，收入跟着下降。这类公司的商业模式和自己产品的进步是对着干的。它的每一次能力升级，都在削自己的收入基础。按 token、按调用量收费的公司，答案也是负数。模型越强、越高效，完成同一件事需要的 token 越少。更糟的是，这个模型奖励啰嗦：厂商在结构上被激励去让 Agent 多绕几步、多说几句。客户为过程付费，厂商为过程优化，没有人为结果负责。按订阅收费的公司，答案是零。能力提升 100 倍，客户还是付那个月费。价值全部溢出到客户侧，与厂商无关。厂商能做的只有涨价，而涨价是一场需要重新谈判的战争，不是自然增长。按结果收费的公司，答案才可能是 100 倍。AI 能力提升 100 倍，意味着它能完结的工单更多、能判定合格的线索更多、能独立走完的工作流更多。收入随能力线性增长，不需要多签一个客户，不需要重新谈一次合同。这就是我想说的 AI-native：公司的收入曲线和模型的能力曲线是同一条曲线。这个标准还有一个作用就是能够决定厂商会往哪个方向优化。只有按结果收费，厂商才会被迫去优化"这件事到底有没有做成"。因为没做成就收不到钱，产品不行的风险落在厂商身上，而不是客户身上。
实际上，结果定价在 AI 领域今天仍然少见，原因很实际：它要求厂商先承担风险，也要求产品真的能交付结果。这两件事都很难。但方向应该是清楚的。当软件从"卖工具"变成"卖劳动力"，定价就不该再按工具的方式收。你不会按键盘敲击次数给员工发工资，也不该按 token 给 Agent 付钱。 
去冥滩送外卖约 6 分钟