AI智能体改变SaaS定价：席位、动作与成果

AI智能体正在重写SaaS收费方式：按席位、调用量，还是按完成的工作收费？

传统SaaS有一条非常成熟的商业公式：企业按员工人数购买软件席位，再按照月费或年费持续付钱。这套机制适合CRM、协作办公和设计工具，因为通常是一个员工登录软件、操作功能并创造价值。AI智能体出现后，这个逻辑开始受到挑战：一个Agent可能在夜间自动处理几千张订单、查询数据库、生成报告，甚至调用多个软件，而真正登录系统的员工可能只剩下几位管理者。软件公司应该按人收费、按使用量收费，还是按完成的工作收费？

一、按席位收费为什么会遇到增长天花板

过去的软件价值通常与使用它的员工数量相关，按席位计费既容易理解，也有助于预测收入。但AI工具的目的往往是用更少的人完成同样多甚至更多的工作。如果一家企业从50名人工客服优化到20名人员加多个AI智能体，按照员工席位收费的供应商可能出现悖论：客户越成功提高效率，购买的席位反而越少。

这并不表示席位制必然消失。需要由员工本人持续使用的设计、审计和协作工具，仍然可以按照个人账户提供价值。真正变化的是那些“软件代替人去执行任务”的场景，价值单位可能从用户数转向任务数、动作次数或实际业务成果。

二、市场已经出现多种并存的收费单位

观察官方产品定价，Salesforce的Agentforce同时提供按使用量计费的Flex Credits、按会话计费等选择；微软Copilot Studio也有预购额度与按量付费的方案。需要注意，不同厂商对一次“动作”“消息”“会话”的定义不完全一样，而且官方价格可能因地区、方案及时间变化。

这些产品并不能证明全行业已经转向纯结果计费，但说明AI智能体的商业模式正在探索不同衡量单位。企业采购时不能直接拿“每条消息几分钱”与“每次动作几分钱”做比较，必须先把一次真实业务完成所需的所有消息、工具调用和人工干预折算进去。

三、按调用量收费容易落入成本转嫁陷阱

对平台而言，按量计费能覆盖模型、数据库和云资源成本；对客户而言，结算公式也比较透明。但是模型可能因为推理链过长、任务反复重试或自动调用工具而增加用量。企业真正购买的是完成工作，不希望为系统自身的低效率无上限买单。

假设AI客服每完成一张有效工单需要平均12次内部动作，如果按每次动作收费0.02元，表面费用是0.24元。但当出现复杂问题、系统重试增多时，动作数可能提高到50次，费用增加到1元，且这还没有算人工复核。以上只是透明计算示例，不代表任何厂商实际收费。采购合同应约定用量上限、异常重试政策和明确的对账字段。

四、结果计费看起来最合理，实施却最复杂

按成果付费听起来公平：AI帮你处理一张工单、约成一次会议或完成一份审核，就向客户收费。但什么叫完成？客户说“已解决”，与系统把问题标记成“已关闭”，可能不是一回事。若只奖励处理件数，智能体可能选择容易完成的任务，把难题推给人工；若只奖励销售成交，它可能采取过度营销方法。

真正可用的结果指标需要设置质量门槛、客户复核、撤销和争议处理。对于代码生成，可以定义“通过自动化测试并经人工合并”；对于文档归档，可以定义“字段齐全且通过抽检”；对于客户服务，则需要把首次解决率、投诉及重开率综合考虑。只计成功数量，不计失败成本，容易扭曲供应商行为。

五、为什么混合收费可能成为企业级主流选择

对很多AI产品，更现实的方案可能是基础平台费加可控用量费，再结合质量服务等级或部分结果奖励。基础费用覆盖数据安全、系统维护及客户支持；可变费用覆盖模型和工具实际调用；成果奖励则让供应商有动力真正帮助客户完成业务。不同场景需要不同权重，不能简单给出统一公式。

比如某企业的AI Agent月基础费用为2000元、有效任务费每单2元、质量不达标的任务不收费，并给每月超额调用设置预算上限。这是一套供讨论的假设，并不是推荐行业报价。方案能否成立，还要看供应商承担的模型成本、客户使用波动、验收争议以及规模化后的利润空间。

六、投资人应该重新审视AI公司的收入质量

传统SaaS重视每月经常性收入、净收入留存、客户获客成本和毛利率。AI智能体公司仍然需要这些指标，但必须额外披露任务完成率、每个合格任务的综合成本、异常用量、人工接管比例以及客户真实节约的资源。如果一家公司收入越增长、推理和人工交付成本就越同步上涨，它可能更像重运营服务商，而非可持续高毛利的软件平台。

投资人还要区分“用户购买了AI能力”与“客户工作流程离不开该能力”。最有价值的企业不一定拥有最贵的基础模型，而是能把模型变成稳定的业务结果，同时拥有数据接入、权限治理、产品体验和行业流程沉淀。客户愿意续费的根本原因，是工作持续完成得更好。