无需深入理解人工智能的技术原理，即可察觉传统技术定价逻辑正在发生根本性转变。AI 正在打破数十年来技术服务赖以生存的“努力-成本-价值”关联机制。
以管理服务提供商应对生产事故为例：传统模式下，工程师需耗费五小时追踪日志、检查依赖关系以定位根本原因；而借助 AI 驱动的可观察性工具，问题可在几分钟内被识别，自动触发补救措施并在用户察觉前恢复服务。尽管后者投入的时间大幅减少，但其创造的价值却更高。这引发了一个核心疑问：更少的工时是否意味着更低的收费？
企业技术服务正面临同样的定价挑战，且规模更为宏大。旧有模式将更多的小时数等同于更高的成本和理论上更大的价值。然而，随着 AI 推动组织从被动支持转向自我修复，这一假设已不再成立。数据显示，在相关客户实践中，自动生成的工单数量下降了 70%，约五分之一的运营事件实现了自动解决。
虽然这在理论上应直接降低成木，但 CIO 和 CFO 面临的现实更为复杂。当 AI 能以更少的努力提供同等甚至更高的价值时，原有定价背后的基本假设便受到削弱。对于服务提供商而言，当传统的努力、成本与价值之间的关系失效时，如何重新定义服务价格成为难题。目前，可预测性的缺失已取代能力本身，成为最大的挑战。
高层领导人对人工智能的看法
在与 CXO 及 IT 以外的业务领导者对话中，识别正确的人工智能用例已成为焦点。各方共识在于，成功的人工智能项目始于具体的操作问题，且 AI 的复杂性需与该问题的规模相匹配。
这意味着组织必须愿意围绕 AI 的能力重新设计运营流程，从而与客户和供应商就价值与价格展开有意义的讨论。例如，某企业客户的财务团队曾试图在数十个市场和货币中建立单一、准确的现金状况视图。由于各地区多年来以不同方式记录相同交易，领导层花费五年多时间试图标准化流程。在此之前，缺乏可靠的基准使得衡量改进和达成 AI 预期价值的共识几乎不可能。
客户的商业运营往往与其底层技术支持一样不稳定。现有的合同条款大多是为人员配置固定、范围明确且需求稳定的过去时代设计的，难以适应当前环境。
没有一个正确的定价模式
面对不确定性，业界自然寻求新的定价模式，但单一模式无法解决所有问题。基于结果、基于消费和基于 AI 的定价方法各有优势，同时也引入了新的权衡。挑战在于构建足够的灵活性，以应对劳动力、成本和需求不再呈现可预测变化的局面。
基于结果的定价在结果可明确定义和归因时有效。然而，当 AI 驱动的工作流程相互交织时，追踪特定系统或步骤对业务结果的贡献变得愈发困难。
基于消费的定价将成本与使用量挂钩，看似公平，却面临“代币悖论”：尽管单次 AI 查询的价格不断下降，但总支出仍在上升，因为每个步骤都会触发后续步骤并产生独立行项。
一家银行客户推行由 20 名开发人员组成的现代化项目提供了借鉴案例。此前，每位开发人员的代币成本攀升至每月约 1,000 美元。通过优化策略——包括将简单任务路由至低成本模型、识别代币消耗量达团队平均值四倍的使用模式，以及在无需 AI 参与的重复性任务中采用确定性自动化——该团队成功将成本降至每月 200 美元。
利润共享模式虽因提供者承担更多风险而颇具吸引力，但若双方对提供者工作带来的具体改进及各方应得的赞誉比例存在分歧，其管理难度将显著增加。
为什么价格灵活性至关重要
上述定价模型均假定努力、成本或需求将保持足够可预测的状态，但这在当前环境下越来越难以实现。
虽然市场尚未确定单一最佳方案，但混合结构被认为最具潜力成为 AI 支持的管理服务的首选商业模式。这种模式结合了核心服务的可预测基础费用、与 AI 消费相关的可变组件，以及在结果可准确测量时的基于结果的激励措施。
对于 CIO 而言，这种方法提供了更大的预算可预测性，同时对消费增长提供了一定保护；对于供应商来说，它有助于管理 AI 消费的波动性，并为效率提升、持续改进和价值创造提供激励。
设计合作伙伴关系以应对不确定性
目标并非寻找完美的人工智能定价模式，而是建立能够在条件变化时灵活调整的商业结构。在任何利润分享或基于结果的谈判开始前，首要任务是确立明确的基线。
合作框架应在计划的时间点上进行建设，以便重新调整范围和定价，而非被锁定在传统三年合同中。业绩、成本、治理和人工智能成果的透明度应被优先考虑。
目前行业仍处于探索初期。显而易见的是，人工智能正在改变技术合作伙伴的角色，从单纯提供能力转向帮助企业管理不确定性和加速业务成果。企业必须在定价模式中嵌入足够的灵活性，以适应技术、需求和价值方程的变化。
虽然无人能完美地为未来定价，但我们可以设计出更具适应性的商业模式。
