📈 economics

A Commodity-Indexed Pricing Framework for Autonomous AI Agents

本文提出了一种借鉴长期液化天然气（LNG）合同的、以商品为指数的三项定价框架，通过将基础设施成本、价值捕获和平台费用进行分离，来应对 AI 智能体对传统 SaaS 模型带来的营收挑战，同时引入了“推理捕获率”（Inference Capture Ratio）作为一项关键健康指标。

原作者： Abha Dalmia

发布于 2026-06-25

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Abha Dalmia

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇用简单、日常语言解释该论文的说明，通过类比使概念清晰易懂。

核心问题：具有“自我毁灭”倾向的软件

想象你经营着一家出租车公司。你每趟行程收取客户 10 美元。如果你雇佣 100 名司机，你能赚大钱。

现在，想象你发明了一个自动驾驶机器人，它非常出色，可以胜任 100 名人类司机的活。你的客户非常喜欢它，因为它更便宜、更高效。于是他们解雇了那 100 名人类司机，只买了一个机器人。

问题在于：因为你的定价模式是基于“每位司机”来计算的，你的收入从 1,000 美元暴跌到了 10 美元。你创造了一个如此优秀的产品，却亲手摧毁了自己的业务。

这正是当今软件公司（SaaS）正在面临的困境。他们按“席位”（每个用户）销售软件。但现在，AI 智能体（AI agents）可以完成许多人的工作。随着 AI 变得越来越强大，需要购买席位的人类就越来越少，导致软件公司收入缩水。

失败的解决方案

论文指出，公司曾尝试过另外两种方法来解决这个问题，但两者都有明显的缺陷：

按“Token”计费（成本加成法）： 这就像是根据机器人消耗的每一滴汽油来向客户收费。
- 问题在于： 客户会感到恐惧。他们看到账单在实时跳动，就会为了省钱而停止使用机器人，即便这个机器人正在为他们解决极其昂贵的问题。他们最终变成了“盯着计价器看”，而不是在获取价值。
仅按“成功结果”计费（纯结果导向法）： 这就像是说，“只有机器人修好了问题，我才拿钱”。
- 问题在于： 如果机器人尝试了 100 次，其中 25 次失败了，公司要为全部 100 次尝试付费，但只能从 75 次成功中获得报酬。如果机器人的表现出现一点小故障，公司就会迅速亏损。这对卖家来说风险太高了。

解决方案：“LNG”配方

作者在一个意想不到的地方找到了解决方案：**液化天然气（LNG）**合同。

40 年来，各国一直在买卖天然气。石油和天然气价格每天都在剧烈波动。如果仅仅按当前市场价格收费，一方会破产；如果把价格固定一辈子，另一方则会亏损。

因此，他们发明了一个由三部分组成的公式，来平衡风险：

价格 = (天然气成本) + (交付价值) + (最低保证额)

论文建议 AI 公司也应该使用完全相同的配方。

AI 定价的三个组成部分

1. “转嫁成本”（天然气成本）

定义： AI 公司将计算机芯片和 API 费用的实际成本直接转嫁给客户。
类比： 想象你雇了一名管道工。你直接支付管道工的时薪。如果管道工的工会涨了工资，你就多付一点；如果他们降价了，你就少付一点。
为什么有效： AI 公司不需要去猜测成本。他们只是进行转嫁。客户为 AI 使用的“燃料”买单。

2. “价值分享”（交付奖金）

定义： 公司从 AI 创造的价值中抽取一小部分比例。
类比： 管道工不仅收汽油钱，还会因为他修好了你被淹的地下室（为你节省了 5,000 美元的损失）而收取一笔奖金。如果他帮你省了 5,000 美元，他可能会向你索要 1,000 美元。
为什么有效： 如果 AI 做得好，公司就能赚钱；如果 AI 什么也没做，公司就拿不到奖金。这让双方的目标趋于一致。

3. “底线”（最低保证额）

定义： 无论如何客户每月都要支付的一笔小额费用。
类比： 这就像是一个“照付不议”（take-or-pay）条款。即使你这个月没用天然气，你仍然要支付一笔小额费用，以维持管道畅通和工厂的运转。
为什么有效： 它覆盖了 AI 公司的固定成本（服务器、工程师、房租），这样即使使用量下降，公司也不会破产。

健康指标：“ICR”

论文引入了一种衡量此类业务是否健康的新指标，称为推理捕获率（Inference Capture Ratio, ICR）。

类比： 把这想象成柠檬水摊位的利润率。
- 如果你卖一杯柠檬水收 1 美元，而制作成本（柠檬+糖）也是 1 美元，那么你的比例是 1.0。你几乎只是在保本。
- 如果你卖 2.50 美元，而成本是 1 美元，那么你的比例就是 2.5。你是健康的，可以进行扩张。
目标： 论文指出，AI 公司应该力求达到 2.5 或更高 的比例。这意味着对于他们投入的每 1 美元 AI 成本，他们能获得 2.50 美元的收入。如果比例低于 1.0，业务就在亏损。

现实世界的证明

论文研究了 Salesforce、Microsoft 和 Zendesk 等大公司。

他们尝试过仅按“对话次数”计费（仅限价值分享），但被财务部门拒绝了，因为账单难以预测。
他们尝试过仅按“动作次数”计费（仅限成本转嫁），但客户因此停止使用了工具。
结果： 他们都在慢慢转向三部分模型（成本 + 价值 + 底线），因为这是唯一行之有效的方案。

安全网：“断路器”

论文还警告了“失控机器人”（AI 进入死循环并产生数千次调用）的风险。

解决方法： 就像家用保险丝盒会在电流激增时切断电源一样，AI 计费系统也需要一个断路器。如果成本出现意外飙升，系统会自动暂停 AI 并提醒人类，以免造成灾难性的账单。

总结

论文认为，由于 AI 取代了人类，传统的按人头销售软件的方式已经失效。新的方式是模仿天然气行业：

将原始的计算机成本转嫁给客户。
分享 AI 创造的价值。
保留一笔小额最低费用以维持运营。

这既保护了软件公司免于亏损，又防止了客户产生“账单冲击”，并确保当 AI 表现出色时，所有人都能获益。

技术摘要：一种面向自主 AI 智能体的商品化指数定价框架

问题陈述
本文指出，随着自主 AI 智能体趋于成熟，传统的软件即服务（SaaS）商业模式正面临结构性失效。核心问题在于软件价值与人类员工人数（headcount）之间的脱节。在传统的按席位计费模型中，收入随用户数量规模化增长。然而，当单个 AI 智能体取代多个真人用户时（例如，一个智能体解决了 80% 的支持工单），客户的席位数量会骤降，而交付的价值却在上升。这创造了一种反向激励：提供商的技术卓越性直接破坏了其自身的收入。

现有的定价替代方案被认为是不充分的：

按席位计费（Per-Seat Pricing）： 失效，因为价值不再与用户数量成正比。
成本加成定价（Cost-Plus Pricing）： 虽然解决了提供商的偿付能力问题，但产生了“监控计量器”（meter-watching）问题，即客户为了避免账单冲击而限制使用，从而无法捕捉到完整的成果价值。
纯结果定价（Pure Outcome Pricing）： 将所有的推理成本风险（例如：失败的尝试、模型不稳定性、失控的循环）全部转嫁给提供商。在大规模应用时，这种波动性构成了破产风险，因为成功率的下降或 Token 成本的飙升可能会瞬间抹去利润空间。

方法论与框架
作者提出了一种借鉴自长期液化天然气（LNG）合同的定价框架，这类合同数十年来一直成功管理着波动的商品价格和高额的固定资本成本。所提出的计费周期 $T$ 的定价公式为：

$P = \sum_{i=1}^{n}(\alpha_i \cdot C_i) + \beta \cdot V + \gamma$

其中：

基础设施项 ( $\sum \alpha_i \cdot C_i$ )： 一个多提供商的成本转嫁机制。不同于单一的混合系数，该项通过不同的推理提供商（ $i$ ）来分解成本。 $\alpha_i$ 代表基础设施系数（设定为提供商当前的 API 成本）， $C_i$ 是消耗量（Token、调用次数、分钟数）。这确保了提供商不会暴露在前端商品（LLM Token）的价格波动风险之下。
价值捕获项 ( $\beta \cdot V$ )： 成果价值的份额。 $\beta$ 是针对特定垂直领域和成果类型的价值乘数， $V$ 是量化的生成价值（例如：解决的工单数、获取的潜在客户数）。这捕捉了 AI 效率带来的收益。
平台底价 ( $\gamma$ )： 一个承诺的最低收入（类似于 LNG 合同中的“照付不议”条款）。无论使用量多少，该项都用于覆盖固定的基础设施成本（研发、编排、SLA 支持），以确保基础的偿付能力。

核心贡献

三项定价结构： 本文引入了一种混合模型，能够同时保护提供商的成本（通过 $\alpha$ 和 $\gamma$ ）、捕获成果价值（通过 $\beta$ ），并为企业客户提供可预测的收入基准。
多提供商分解： 该框架明确应对了智能体系统通常需要在多个 LLM 提供商之间路由任务（例如：针对推理、视觉或语音使用不同的模型）的现实。它主张使用独立的转嫁系数（ $\alpha_i$ ）而非单一的混合费率，以在单个提供商价格波动时保持利润完整性。
推理捕获率（ICR）： 作者引入了一个新的健康指标：
$ICR = \frac{\beta \cdot V}{\sum(\alpha_i \cdot C_i) + \gamma}$
ICR 衡量的是与成果挂钩的收入与总基础设施及平台成本的比率。论文指出，健康的货币化目标阈值为 ICR $\ge$ 2.5x，类似于传统 SaaS 的毛利率要求。与净收入留存率（NRR）不同，ICR 是一个可以从输入变量（ $\alpha, \beta, \gamma, V, C$ ）计算出的前瞻性规划工具。
运营基础设施要求： 论文详细说明了支持此模型所需的底层技术栈，包括：
- 实时多提供商计量： 采用异步事件捕获，具有亚分（sub-cent）级的精度，用以计算 $\sum \alpha_i C_i$ 而不产生延迟。
- 财务全景视图（Financial Pane of Glass）： 一个能将工程指标（Token、延迟）转化为财务术语（运营支出 OPEX、利润率、投资回报率 ROI）的仪表板，面向 CFO。
- 计算断路器（Computational Circuit Breakers）： 自动化的机制，如果每小时成本出现统计学上的异常偏差（例如：超过平均值 3 个标准差），则停止智能体运行，以防止失控的计费场景。

结果与市场证据
本文并未呈现新的实验数据，而是通过分析主要 SaaS 提供商的定价演变来作为市场趋向该结构的经验证据：

Salesforce Agentforce： 追踪了其路径——从纯结果定价（每场对话 2 美元，因波动性被 CFO 拒绝）到纯使用量定价（每次动作 0.10 美元，导致了“监控计量器”现象），再到 2026 年的“灵活协议”（Flex Agreement），该协议结合了承诺基准 ( $\gamma$ )、使用量额度 ( $\alpha$ ) 和成果价值 ( $\beta$ )。
Microsoft, Intercom, 和 Zendesk： 这些公司被证明正处于为定价模型添加缺失组件的不同阶段（例如：在席位许可中增加消耗计费，或引入基于解决率的费用），从而在无意中向所提议的三项框架靠拢。

意义与主张
本文声称，AI 推理定价问题与 LNG 产业具有相同的结构性约束：波动的上游商品成本、高额的固定资本，以及对长期合同稳定性的需求。该框架的意义在于其能够：

实现收入与人数脱钩： 允许提供商即使在 AI 智能体减少人类用户需求的情况下，仍能维持或增长收入。
降低偿付能力风险： 通过确保提供商不对推理失败或 Token 价格飙升的全部成本负责。
实现 CFO 可理解的预测： 通过为企业客户提供可预测的基准 ( $\gamma$ ) 并允许分享收益 ( $\beta$ )，使 AI 的采用在财务上对大型企业具有可行性。

作者总结道，市场正在独立地向这一结构收敛。那些能够主动采用该框架的提供商，可以更快地实现这种收敛，减少收入波动，并从第一天起就具备必要的计量基础设施，而不是在发生利润压缩后才被动反应。