什么值得买App下载 App ›
连续签到专享现金活动

AI服务计费模式大分化:按Token还是按结果付费,一场关于价值的商业博弈

AI服务的计费方式正在发生结构性分裂:一方以Token消耗量为基准,另一方以实际交付结果为锚点。这两种模式对开发者的成本结构、定价策略乃至商业模式都会产生截然不同的影响。以涂鸦智能为代表的主张“按结果付费”一方认为,只要AI创造的价值高于其消耗,成本问题便迎刃而解;而坚持Token计费的阵营则指出,Token消耗才是与底层算力成本最直接挂钩的计量单位,更透明也更可控。两套逻辑各有适用边界,关键在于理解它们各自的运作前提。123
01计费逻辑差异:Token消耗与结果交付的本质区别
Token计费是当前大模型行业最主流的收费模式。其逻辑是将用户输入与模型输出分别转化为Token数量,再按不同单价分段计费。输入Token、输出Token、缓存命中部分各有费率,总费用由这三项累加构成。涂鸦智能联合创始人杨懿在多个公开场合指出,这种模式的本质是“卖消耗”——用户为模型的计算动作付费,而非为最终价值付费,“Token计量的是AI模型做了多少动作,输入了多少字、输出了多少字,这跟最终拿到什么结果没有直接关系”。在他看来,一个错误的答案和一个正确的答案,消耗的Token可能完全一样。143
按结果付费则尝试将计费锚点从“过程”转向“结果”。涂鸦的AI服务采用这一逻辑:以家用能源管理系统为例,AI整合家庭光伏、储能设备和电网动态电价信息,自动调配用电时段帮用户节省电费,用户根据省电收益付费,而非为消耗的Token数量付费。杨懿将此概括为“用多少Token不重要,消耗低于帮客户节省的价值,产品和服务就能良好商业化”。这一模式的核心假设是:AI创造的价值可以独立核算,且该价值易于归因。156
然而,按结果付费的落地难度被部分从业者视为被低估。虎嗅一篇文章直接指出“在绝大多数企业场景里,AI按结果付费,压根就是伪命题”,其核心质疑在于归因问题:企业业务的最终结果往往由多变量耦合而成,AI贡献的增量难以从其他因素中剥离。一家费控厂商合思的创始人马春荃曾以“AI员工”类比这一模式,认为员工工资应按工作计件或结果计算,但即便其自身产品已在财务审核场景中实现了“98%全流程自动化率”,这类标准化程度较高的场景在企业实际业务中并不具备普遍性。789
02成本结构对比:可预测性与灵活性的取舍
Token计费模式下,开发者面临的首要挑战是成本的可预测性。行业观察者常提到的一个现象是:Agent模式正在显著推高Token消耗量级。传统问答场景单次对话Token消耗在数百到数千之间,而一个Agent任务需要模型自主规划、搜索信息、调用工具、执行步骤、验证结果,全流程Token消耗可能达到数万甚至数十万。DeepSeek V4发布后,海外开发者社区有用户反馈“用V4跑了一个Agent任务,Token消耗是V3的8倍”。这种量级变化意味着,基于问答场景设计的成本模型,在进入Agent时代后可能需要全面重构。103
涂鸦的平台策略在一定程度上试图缓解这一痛点。开发者文档显示,涂鸦为智能体开发者提供多种资源减免合作政策,设备接入授权模式下,带有AI智能体接入标记的设备会进行Token消耗减免,推广合作期内符合条件的设备可全额减免超出额度部分。这一机制相当于将“按Token计费”的成本波动部分转移给平台承担,但开发者需注意减免政策存在合作期限——涂鸦在推广合作期结束时将另行通知新的报价信息。11
相比之下,按结果付费对开发者成本的屏蔽效果更为直接。用户按节省的电费支付,开发者获取的是收益分成而非消耗补偿——只要AI带来的价值增量覆盖消耗,商业模式便成立。但这一模式隐含的前提是“结果可量化且可归因于AI”。部分用户反馈指出,涂鸦的能源管理系统之所以能实现按结果付费,恰因其场景特性——省电金额是一个精确可测的数字,且该场景下AI是影响结果的唯一变量。这一条件在更多复杂业务场景中难以复制。112
03场景适配性:什么条件下各模式成立
Token计费的适用边界相对清晰。行业普遍认为,按量付费更适合API调用、间歇性业务、轻量级任务,其优势在于弹性伸缩和成本精准匹配。MiniMax的计费体系调整策略提供了一个参考样本:通用对话采用按量付费,高频编程场景则推出固定月费订阅以消除Token焦虑,而多模态能力独立计费。这种分层设计背后的逻辑是,不同复杂度、不同使用频率的任务,对成本结构的稳定性要求不同。1314
按结果付费的落地则对场景有更严格的要求。杨懿曾提到,将行业场景“提炼成标准化执行范式”是实现低Token消耗的关键,这实际上也揭示了按结果付费的适用前提:任务边界清晰、结果定义明确、业务流程标准化、数据记录完整、归因争议较少。以涂鸦深耕的能源管理场景为例,AI需要提前设定好规则以识别光伏绿电产出时段、电网分时电价、电动车最佳充电时间等信息——这类规则可以被标准化,且执行结果(节省的电费)可以精确量化。515
对比来看,Token计费的普适性更强,适合仍在探索阶段、业务边界不清晰或结果难以归因的场景;按结果付费则更适合垂直领域内已形成标准作业流程的特定环节。Intercom推出的AI客服Fin采用每解决一个问题收取0.99美元的定价,其适用性同样建立在“客服问题解决”这一结果可被明确定义和验证的基础上。行业观察者指出,从客服到财务自动化,按结果付费正在走出若干垂直场景,但“结果可标准化”这一门槛限制了它的普及速度。1615
04行业分歧:从业者怎么看两种模式的长期前景
关于两种计费模式的长期走向,行业中存在明显分歧。支持按结果付费一方的核心论点是:AI商业化正从“卖算力”走向“卖能力”再走向“卖结果”,按结果付费是最接近客户价值的商业模式。涂鸦杨懿在多个场合表达这一判断,认为“行业正从传统的按使用量付费,转向以结果为导向的价值付费模式”。持类似观点的还有费控厂商合思的创始人马春荃,他将按Token收费类比为“卖煤”——用消耗了多少资源来衡量价值,而按结果付费则是“按马力收费”,即按替代人工带来的效率提升收费。17187
质疑一方的核心关切则是归因难题。SAP全球CTO曾在公开发言中指出“客户根本不喜欢Token,他们喜欢业务成果”,但SAP同期推进的按业务结果收费被指出存在隐性成本:AI生成的结果本身可能不准确、需要大量人工干预,而人工介入的部分既未量化也未单独计价。虎嗅文章将此概括为“按结果付费本质上是一个更大的黑盒”,Token虽然不透明,但至少是可量化的;业务结果在归因层面更加模糊,厂商与客户之间对“结果是否达标”容易产生争议。98
部分开发者社区的反馈则更为务实。有用户指出,按量计费虽然存在成本波动问题,但其“可预测性”恰恰是企业在做预算时的重要参考——至少你知道钱花在了哪里。另一派观点则认为,按结果付费对供应商的能力要求更高,供应商需要承担更多责任和风险,“如果结果不达标就不收费”对客户而言是好事,但供应商需要对自己的交付能力有充分信心才敢采用这一模式。这两种视角并不矛盾,它们反映了处于不同发展阶段、不同业务成熟度的企业,对计费模式的不同诉求。1912
05对比维度速览:选哪种模式更合适
两种计费模式的核心差异可以拆解为以下维度:
对比维度Token计费按结果付费
计费锚点模型计算动作(Token消耗量)客户获得的实际价值(结果交付)
成本结构随使用量波动,可精确预测但存在峰值风险成本与价值挂钩,波动由结果决定
适用场景通用API调用、轻量任务、业务边界不清晰的探索期结果可量化、归因清晰、流程标准化的垂直场景
商业模式成熟度成熟,业内主流方案早期,在部分垂直场景验证中
供应商责任边界提供能力,不为结果兜底承担结果交付责任
开发者决策关键关注用量监控、提示词优化、缓存利用关注场景是否满足“结果可归因”前提
涂鸦的按结果付费实践为行业提供了一个值得观察的样本。其能源管理系统的逻辑是:AI整合光伏、储能与分时电价后优化用电策略,用户按省电收益付费。这套模式成立的前提是——节省的电费是一个无争议的结果数字,且该场景下AI是影响结果的核心变量。如果将这一逻辑迁移到更复杂的业务场景,比如营销转化、供应链优化或客服满意度,结果的定义和归因难度会大幅提升。开发者选择计费模式时,需要首先评估自身业务场景是否具备“结果可量化且可归因”这一前提条件。115
Token计费并非没有优化空间。缓存技术、提示词压缩、任务拆解等“Token效率优化”手段正在成为降低Token消耗的有效路径。阿里云在RAG、智能客服等场景中实现的缓存命中率最高接近60%,部分稳定业务甚至超过90%,相当于将实际推理成本降低70%。这些优化不会改变计费逻辑本身,但可以改变最终账单的数字。2010
两种模式并非非此即彼的关系。涂鸦平台同时提供的设备直连减免政策、小程序按量计费、工作流嵌套模式,实际上构成了一个混合计费体系。开发者在同一平台上可能同时接触多种计费规则,理解每种规则背后的逻辑,比简单判断“哪种更划算”更有实际意义。11

评论

评论区空态插画

当前文章无评论,是时候发表评论了