看了40款AI產品的定價模式，我好像發現了營收1000萬美元的秘密

上次在《我有個朋友叫雷軍，有錢，做AI產品也有些思路》裡，提到了AI產品一些收費策略，還有快速驗證PMF的辦法。

用眾籌、收費等方式，小樣本驗證了需求的真實性、規模化的可能性，產品開始有了良性增長。

然而這才剛剛開始。

4P理論裡，我一向覺得Price應該放在第一位——先有Price，再有Product。

因為定價直接圈定了產品的性質、發展區間、人群、渠道等等。價格定了，其他就不容易改了。

產品，不過是價值的載體而已。

對產品外殼的無限雕花、對真實需求的臆想、對價值本身的極度忽視，是今天常見的買櫝還珠。

20年網際網路發展下來，產品、研發的人才向外溢位，開發側供給過剩，需求側的挖掘、渠道和銷售的理解很缺。

獨立開發者三件套：“AI搜尋、AI日記、擦邊bot”。

當產品數量比使用者數量還多，為了什麼樣的人群、提供什麼樣的價值、用什麼樣的價格來外化……這些問題可能更加值得去追問，尤其在產品做出來之前。

調研了“定價”這件事，發現了一份不錯的報告 How AI apps make money ，涵蓋了40款海外熱門的AI應用的定價策略，包括Jasper、HeyGen、VEED、Tome等產品。

以下是翻譯後的報告內容原文👇，獲取原版報告，可以關注回覆“定價”～

過去幾年，AI產品和應用呈現爆炸式增長——事實上，AI產品在過去一年已經吸引了北美超過20%的風險投資資金。

許多AI應用程式改變了我們與軟體的關係，從提高我們的生產力，轉變為創造全新工作產品。這也為創造新的創新定價策略創造了有利的市場條件，這讓我們不禁想知道：人工智慧應用程式是如何賺錢的？

在大型語言模型 (LLM) 領域和基礎設施層，自商業化以來，基於使用量的定價模型一直是常態。大多數公司按每個令牌收費，這與計算成本密切相關。我們調查了應用層 40 家領先的 AI 原生公司，以瞭解定價方面的情況。

您可以看到不同 AI 層的簡化版本。本文的重點是頂層——原生 AI 應用程式。

選擇公司的主要標準是外部資金和來自公共來源的吸引力，例如《福布斯》AI 50 強榜單和紅杉的生成式 AI市場地圖。

這 40 家公司包括營銷工具（例如：Jasper、Copy.ai）、生產力應用程式（例如：Tome、Glean）、垂直特定產品（例如：Harvey、Co:Helm）和其他公司（例如：Synthesia、HeyGen）。

具體來說，我們考察了圍繞“定價模型”、“價值指標”、“宣傳方式”、“免費版本”和“定價透明度”的公開資料。

我們特意關注AI原生應用，而不是現有產品，因為這些初創公司沒有先前安裝基礎或傳統定價模型的負擔。

40 款熱門 AI 產品定價策略

我們發現以下五點值得關注：

完整的產品定價資料表格如下👇

缺乏定價創新為第二波AI應用提供了機會

軟體公司歷來傾向於訂閱和按使用者收費模式（儘管有跡象表明正在轉向基於使用和混合模式）。在第一波突破性的人工智慧應用中，情況仍然如此。

我們看到第二波人工智慧公司中出現了非常創新的定價結構的跡象；這些定價模式可以加快客戶採用速度，同時獲得更多總體收入。甚至微軟也在為其新的 AI Copilot for Security測試創新的隨用隨付定價。

Fin (Intercom)、EvenUp 、Chargeflow （OpenView 投資組合公司）和11x.ai （之前在Growth Unhinged中介紹過）是實施基於成功（或基於結果）定價模式的公司的例子，客戶只需為成功的結果付費。

對於 Chargeflow 來說，這是一次成功的和解，對於 Fin 來說，這是一次成功的解決方案，而對於 EvenUp 來說，這是為一家律師事務所成功製作的需求包（值得聽 Sarah Tavel 解釋其工作原理）。

作為客戶，這很有吸引力，因為您正在建立雙贏的合作伙伴關係。只有您成功，供應商才會成功。這種定價還有可能增加採用率，因為客戶只有在產品產生實際效果時才會付費。

這與許多現有的 SaaS 提供商形成了鮮明對比，在這些提供商中，客戶最終購買的席位往往遠遠超過其實際需要。月活躍使用者率在 20-40% 之間並不罕見，從定義上講，客戶為他們所獲得的東西支付的費用遠遠超過了實際費用。

我們預計，隨著 AI 產品交付工作而不是提高個人生產力，傳統的按席位訂閱模式將面臨越來越大的壓力。

發現1：定價創新有限

在我們研究的 AI 應用中，絕大多數（71%）採用了傳統的 SaaS 訂閱定價模式。10 家公司（26%）採用了訂閱費用和使用費相結合的混合定價模式。PolyAI是唯一一家（3%）採用純基於使用量模式的公司。

雖然支援這些應用程式的基礎設施幾乎完全根據使用情況定價（LLM 和基礎設施），但這種定價並未轉化為終端使用者產品。

我們認為有以下幾個原因：

保持簡單：大多數人工智慧應用的核心目標是讓使用者採用其產品。買家熟悉按使用者每月支付費用。
基於使用量的定價很難實現：讓我們面對現實吧——基於使用量的定價並不容易實現。例如，它需要強大的資料基礎，而這是許多初創公司早期所不具備的。
尚難量化價值：一些人工智慧應用很可能透過這種方式創造的價值超過了它們收取的價格。但對於許多人工智慧公司來說，他們仍然很難確切瞭解他們創造了多少價值以及如何最好地獲取這些價值。
不想限制採用：定價創新可能會限制產品的採用。目前，初創公司希望在開發產品時獲得儘可能多的使用量。
不注重盈利：雖然零利率政策時代已經結束，但許多人工智慧初創企業的目標不是盈利，而是證明他們可以賺錢並與客戶一起成長。