纪录我们在网路上奔波的历程!

从 Token 到 Outcome:AI 正在寻找真正的价值计量单位

2026年11月17日

 

AI 行业正在发生一个容易被价格表掩盖、但实际上非常重要的变化:Token 的定价逻辑正在逐渐从生产成本走向替代价值,而整个市场却还没有真正完成从“资源定价”向“服务定价”的迁移。

今天我们讨论 AI 商业模式,最容易看到的是各种价格:每百万 Token 多少钱、一个月多少钱、一个 Seat 多少钱、一个 API Credit 多少钱、企业一年多少钱。不同模型之间甚至形成了越来越复杂的价格梯度。但如果把这些价格表放在一起看,会发现一个更深层的问题:市场实际上还没有找到一个能够稳定衡量 AI 经济价值的标准单位。

这不是 AI 商业化尚未成熟这么简单,而是因为 AI 正在改变“商品是什么”。

过去的软件和计算产业,可以比较清晰地回答“我们到底卖什么”。计算机卖的是计算能力,云计算卖的是计算、存储和网络资源,软件 SaaS 卖的是一套持续可用的软件能力。它们虽然也存在复杂的商业模式,但至少存在相对稳定的计量单位。

AI 却正在把这个问题重新打开。

Token 是 AI 生产过程中的计量单位,却未必是 AI 价值创造过程中的计量单位。

这可能是理解下一阶段 AI 商业模式最重要的一个入口。

Token 是一种非常好的资源计量单位,却不是价值计量单位

LLM 最初进入商业市场时,Token 定价非常自然。

模型需要 GPU,GPU 消耗计算资源,推理产生 Token,于是市场可以建立:

GPU → Compute → Token → Price

这套体系与云计算的资源经济高度相似。

每百万 Token 多少钱,本质上就是把模型推理能力转换成一种可以计量、可以比较、可以交易的计算资源。

这套模式对于模型 API 尤其合理,因为模型提供商面对的是开发者,而开发者需要把模型当成一种生产资料。他们关心成本、吞吐量、延迟、上下文长度和调用规模,因此 Token 是非常有效的内部经济计量单位。

问题在于,随着模型能力不断提高,Token 与价值之间的关系正在迅速变得不稳定。

同样是一百万 Token,一个模型可能完成简单的信息分类;另一个模型可能完成复杂代码重构;另一个模型可能完成一份专业研究报告;而一个具备工具调用能力的 Agent,则可能使用这些 Token 完成一次完整的业务流程。

Token 数量相同,创造的经济价值却可能相差几个数量级。

反过来也成立。

一次高价值任务可能只需要很少的 Token,而一个极其冗长的推理过程,即使消耗大量 Token,也未必产生高价值结果。

于是出现了一个根本性的经济学问题:

Token 可以准确测量 AI 做了多少计算,却无法准确测量 AI 创造了多少价值。

这意味着 Token 定价并不是错误的。恰恰相反,它在资源层面非常合理,只是它所解决的是“生产成本如何计量”的问题,而不是“最终价值如何计量”的问题。

这两个问题过去往往可以被软件产品的功能和使用方式自然连接起来,但在 AI 时代,这个连接正在断裂。

AI 定价正在经历从成本到替代价值的迁移

因此,今天 AI 市场出现的各种定价方式,并不是简单的商业模式创新,而是整个产业正在寻找新的价值捕获方式。

最底层仍然是 Token pricing:

$X / 1M tokens

它最接近资源销售。

往上一层,是各种 Subscription 和 Credit:

$X / month

用户购买的不再是明确数量的 Token,而是在一定范围内使用 AI 的权利。

再往上,是 Seat pricing 和 Enterprise License:

$X / user / year

企业购买的已经不完全是模型调用量,而是一种组织级 AI 能力。

再往上,则开始出现更接近工作量的收费:

$X / task

最终可能进一步走向:

$X / outcome

于是,AI 定价实际上正在形成一条非常值得关注的演化路径:

Resource → Capability → Work → Outcome → Value

这比简单的“Token 价格下降”更值得关注。

因为真正发生变化的不是价格,而是价格所对应的对象正在发生变化。

为什么会员制实际上是在隐藏 Token

很多 ToC AI 产品采用会员包月模式,看起来已经完全摆脱了 Token。

但从生产端来看,它实际上只是把 Token 隐藏起来了。

用户支付 $20、$30 或 $200,并不是因为某个 Token 本身值这么多钱,而是因为产品提供商预估一个用户群体在一定周期内会产生怎样的平均计算需求,然后通过会员费、模型分层、使用限制、速率限制和公平使用政策,把高度波动的 Token 成本重新包装成一个相对稳定的服务价格。

所以 Subscription 是一种非常重要的过渡形态。

它第一次真正把用户注意力从:

“我用了多少计算资源?”

转移到了:

“我拥有多少 AI 使用能力?”

但它仍然没有彻底解决价值计量问题。

因为一个用户可能一个月只让 AI 完成几件高价值工作,也可能每天进行大量低价值对话。

同样一个 Seat,价值差异可能非常巨大。

因此,Seat pricing 只是从 Resource Economy 向 Capability Economy 前进了一步,并没有进入真正的 Outcome Economy。

开源模型则把这个问题推向了另一个极端

开源模型的意义也不只是“免费”。

当一个模型被开放出来,并且大量竞争者可以基于类似模型能力进行部署、微调和服务化时,模型本身越来越接近一种 Commodity。

这意味着:

Model ≠ 最终价值。

模型的边际成本和市场价格不断下降,价值就开始向模型之外迁移:

Inference
Infrastructure
Hosting
Orchestration
Agent
Workflow
Data
Integration
Trust

这也是为什么模型能力越趋于普及,真正具有商业价值的竞争反而可能越来越集中在模型如何进入真实生产流程。

当“智能”本身越来越便宜以后,稀缺的就不再是智能,而是把智能可靠地组织成生产活动的能力。

这也是 AI 从模型经济走向 Agent 经济的真正原因之一。

真正困难的是:AI 服务很难像传统软件一样标准化

传统 SaaS 能够建立稳定的服务定价,一个重要原因是软件的服务对象比较容易被定义。

一个 CRM Seat 是一个 Seat。

一个云服务器是一个 VM。

存储是 GB。

支付是 Transaction。

这些单位虽然不是价值本身,但它们与服务能力之间存在比较稳定的映射关系。

AI 却不一样。

假设企业购买“市场研究 AI”。

一个研究任务可能消耗 50K Token,另一个可能消耗 5M Token。

但企业真正关心的并不是 Token 消耗量,而是研究结果是否准确、是否完整、是否及时,以及这个结果是否足以支持决策。

甚至可能出现:

5M Token 的答案,不如 50K Token 的答案有价值。

这意味着 AI 服务的成本函数和价值函数开始明显分离。

AI 的生产函数可以被计算,但 AI 的价值函数必须结合任务、情境、结果和责任才能被理解。

这正是 AI 服务标准化最困难的地方。

所以,真正的标准化可能不是“多少 Token”,而是“完成什么工作”

如果 AI 继续沿着 Agent 化发展,那么未来最值得关注的变化不是 Token pricing,而是市场能否逐渐形成新的工作计量单位。

例如:

每完成一次客户问题解决。

每获得一个合格销售线索。

每完成一份研究报告。

每完成一次财务对账。

每完成一次代码变更。

每完成一次合规审查。

这时价格的单位不再是 Token,而是 Work。

这一步非常关键。

因为它第一次建立了 AI 生产过程与人类经济活动之间的连接。

过去的逻辑是:

AI 消耗多少资源?

未来真正重要的问题可能变成:

AI 替代了多少工作?

进一步才是:

AI 创造了多少经济价值?

因此,AI 的商业化可能经历这样一个过程:

Token → Task → Work → Outcome → Economic Value

Token 仍然存在,但它逐渐退回到基础设施层。

就像今天用户并不关心一次 SaaS 操作到底消耗了多少 CPU,也不会关心一次支付到底使用了多少数据库 I/O 一样。

当 AI 真正成为基础设施之后,Token 也应该逐渐变成一种“内部燃料计量单位”,而不是最终用户理解 AI 价值的主要单位。

“替代成本”只是中间阶段,“结果价值”才是终点

因此,我会对“Token 正从生产成本定价走向替代成本定价”这个判断再做一次修正。

更完整的演化应该是:

生产成本 → 能力稀缺性 → 替代成本 → 工作价值 → 结果价值

生产成本决定 AI 服务至少需要多少钱才能被提供。

能力稀缺性决定某一种模型能力在市场上的溢价。

替代成本开始回答:

如果不用 AI,人类需要花多少钱完成同样的工作?

但替代成本仍然不是最终价值。

因为一个企业愿意花 $100 购买 AI 服务,并不意味着被替代的人力成本就是 $100。

真正决定价格上限的,是这个工作对企业产生了多少经济价值。

如果 AI 自动完成一个原本需要员工三小时处理的流程,那么它的价值可能来自:

人力成本 + 时间价值 + 机会成本 + 错误成本 + 响应速度 + 风险降低

于是 AI 的最终价值函数就不再是 Token 的函数,而更接近:

Value = Work × Outcome × Quality × Reliability × Economic Impact

这也是为什么“AI 能不能替代人”并不是最准确的问题。

更加准确的问题是:

AI 能否以足够低的成本、足够高的可靠性,完成一个原本由人承担的经济活动?

一旦答案是肯定的,AI 就从工具变成了生产能力。

而生产能力最终必然要求新的计量体系。

AI 真正的商品化,是 Token 从商品退回基础设施

这里存在一个看似矛盾、实际上非常重要的判断。

很多人把 Token 价格下降理解为 AI 商品化。

但我认为,真正的商品化并不是 Token 变便宜,而是:

Token 不再需要被作为最终商品理解。

GPU 曾经是昂贵而稀缺的计算资源。

后来计算能力逐渐成为基础设施。

用户不再购买“CPU 时间”,而是购买网站、软件、云服务。

同样,未来 AI 也可能经历类似变化。

当智能能力足够普及以后,用户不会再关心:

这个任务用了 300K 还是 3M Token?

他们关心的是:

这个任务完成了吗?

结果可靠吗?

花了多少钱?

比人工快多少?

如果出错,谁负责?

这意味着 Token 会从价值表达层退回到生产基础设施层。

Token 是 AI 的“燃料”,但燃料价格并不等于运输服务的价值。

这是理解未来 AI 商业模式非常重要的一条边界。

AI 市场真正缺失的,是“工作标准”

因此,今天 AI 市场真正没有解决的问题,并不是如何给 Token 定价,而是:

如何定义 AI 所完成的工作。

传统产业能够规模化,一个重要基础就是工作本身已经被标准化。

物流可以定义包裹。

支付可以定义交易。

制造可以定义产品。

云计算可以定义计算实例。

而 AI 的工作仍然高度开放。

“写一份研究报告”到底算一次工作,还是一个持续过程?

“修复一个 Bug”怎样判断完成?

“完成一次合规审查”由谁确认?

“客户问题解决”怎样定义成功?

“一个 Agent 完成任务”发生错误时,成本由谁承担?

这些问题看起来是产品设计问题,实际上最终都会变成经济计量问题。

谁能够定义工作,谁就可能定义市场。

谁能够定义一个可靠的 AI Work Unit,谁就可能建立新的服务标准。

因此,下一代 AI 商业基础设施可能不仅仅是 Model Gateway、Agent Runtime 或 AI Infrastructure,还需要出现某种:

Work Standard / AI Work Unit

它能够描述:

输入是什么
工作是什么
过程需要什么能力
什么叫完成
什么叫成功
什么质量等级
什么风险等级
谁承担责任
最终产生什么价值

当这些东西开始标准化,AI 才真正有可能从“模型 API 市场”进入“智能服务市场”。

AI 商业模式的真正变化,不是怎么收费,而是卖什么

所以回头看今天的 AI 定价,会发现那些看似彼此竞争的商业模式,其实处在不同的价值层。

Token pricing 卖的是资源。

Subscription 卖的是使用权。

Seat pricing 卖的是组织能力。

License 卖的是持续能力。

Agent pricing 开始卖工作。

Outcome pricing 则开始尝试卖结果。

它们并不是互相替代的关系,而可能长期共存于不同价值层。

真正的变化是:

AI 正在从“出售智能资源”,逐渐走向“出售智能完成的工作”。

而这意味着 AI 商业模式最终面对的竞争,不一定是:

谁的 Token 更便宜。

甚至也不一定是:

谁的模型更聪明。

而可能是:

谁能够以最低的总经济成本,可靠地完成最高价值的工作。

这是一个完全不同的竞争维度。

从 Token Economy 到 Work Economy

如果把整个 AI 产业重新抽象一次,我们会看到三种经济体系正在同时存在。

第一种是 Resource Economy:

GPU → Compute → Token

它解决的是 AI 如何生产。

第二种是 Capability Economy:

Model → Intelligence → Subscription / Seat / License

它解决的是 AI 能力如何被销售。

第三种正在形成的是 Work Economy:

Agent → Task → Work → Outcome → Economic Value

它解决的则是:

AI 如何成为真正的生产力。

今天 AI 市场之所以显得如此复杂,是因为这三种经济体系正在同时运行。

模型公司在卖 Token。

产品公司在卖 Subscription。

企业软件在卖 Seat。

Agent 公司开始卖 Task。

未来更成熟的服务可能直接卖 Outcome。

因此,所谓“AI 定价混乱”,某种程度上并不是市场没有找到答案,而是市场正在经历一次计价对象的迁移。

我们仍然在用上一代计算经济学的单位,描述下一代智能经济正在创造的价值。

这可能正是今天 AI 商业模式最值得观察的地方。

AI 真正的价格革命,不是 Token 从多少钱降到多少钱,而是市场最终会用什么单位来回答一个更根本的问题:AI 到底替人完成了什么,以及这件事情究竟值多少钱。

当这个问题有了稳定答案,Token 才会真正完成它的历史使命——从一种商品,退回一种基础设施。

而 AI,也才真正从“计算资源”成为一种可以被标准化交易的“生产服务”。

This Written at 2026-11-17 by loverty.

当AI学会了“都是为你好”:从工具理性到交互权力的悄然迁移 »

<< Home

AI助手

你好!我是哈斯日志的AI助手

我可以基于当前页面的内容回答你的问题。

有什么想了解的吗?
刚刚