传统定价模型与AI本质的错位

当前企业级人工智能的落地普遍受阻于采购团队对定价和估值模式的困惑。传统的软件授权通常采用“按席位（per seat）”或基于SaaS的计量方式，而AI供应商则倾向于使用“按Token（per token）”计费。作者指出，这种争论源于提问方向的错误。Token仅仅是衡量模型处理信息量的计量单位，类似于传统软件中的席位概念；而AI的核心本质是智能（intelligence）。随着企业经济投入要素从传统的人力与资本扩展至新增的“智能”，继续沿用旧有的产品思维来衡量这一新要素，必然导致价值评估体系的失效。我们需要重新思考智能如何为企业和客户关系带来根本性的改变。

案例解析：Cedar医疗支付公司的智能代理实践

以医疗健康支付公司Cedar为例，其部署的智能代理名为Cora。当患者在凌晨2点致电处理医疗账单时，Cora能主动接听、核实身份、解释费用明细并确认保险信息，最终协助患者当场完成支付。对于医院而言，关键指标并非通话消耗了多少Token，而是账单是否成功收回。这一案例生动地展示了AI代理如何将智能直接转化为经济价值。在这种场景下，企业不应关注底层的算力消耗（Token数量），而应聚焦于智能交付的业务结果。这要求企业从单纯的“购买算力”转向评估智能带来的商业回报，从而重构对AI价值的认知框架。

CFO的困境与员工角色的范式转移

对于首席财务官（CFO）而言，这种转变带来了巨大的挑战。虽然按Token计费有助于预算管控和支出结构化管理，但企业往往不清楚如何分配智能以获取投资回报率（ROI）。这导致AI合作伙伴的价值难以量化，企业陷入“知道花了多少钱，却不知道赚回多少”的困境。相反，对于个体员工来说，这构成了巨大的机遇：每个人都需要成为智能管理者（manager of intelligence）。领导层期望员工能够利用AI资源为公司创造价值，例如从单纯“加快报告生成速度”升级为让Agent“调查客户问题的根本原因并着手解决”。这种思维转变使员工从AI的使用者进化为资源的配置者和价值的创造者。

投资不足与“知道-how”的缺失

许多企业在AI采购中面临的核心问题是难以将智能转化为可衡量的ROI。由于缺乏相关的“知道-how（know-how）”，组织往往无法确定应将哪些工作分配给AI，甚至不知道如何判断答案的质量。作者强调，企业目前的投入严重不足（under invested）。虽然Token定价有助于控制支出上限以避免下行风险，但这掩盖了企业在规模化捕获智能价值方面的能力缺失。通用人工智能的价值很大程度上需要由使用者去发现和挖掘。即使采购流程确保了竞争力的价格，最终的产出效率仍取决于一线员工是否具备管理智能的能力、动机以及与企业使命的对齐程度。因此，解决AI回报问题的关键不在于压低Token价格，而在于赋能员工成为高效的智能管理者。

智能决策中的工程师角色与价值转化

在一家帮助客户维持设备运行的虚构但极具代表性的企业中，更廉价的智能使得提供更广泛的客户服务成为可能。当工程师发现客户反复报告某种故障时，AI代理可以整合维护记录并对比过往案例。然而，人类工程师的核心价值在于判断哪些运行条件至关重要、识别不可靠的记录数据，以及区分看似相同语言下隐藏的不同故障根源。这种知识改变了思考方式，使工程师能够深入挖掘问题的核心。

"You know which operating conditions matter, which records are not reliable... discover kind of the core of the problem to help pull apart the root causes."

一旦确定了方向，AI生成的解释往往无法直接解决问题。工程师必须管理智能的使用时机：决定何时深入挖掘，何时停止并转向人类沟通。作为个体贡献者，工程师承担着判断哪些工作值得深入调查、机器能处理什么以及何时需要人类介入的重任。这种对智能的精细化管理，是将技术转化为实际价值的关键第一步。

从服务到产品：向前部署工程的崛起

当工程师在足够多的案例中积累了可重复的机会，客户开始为预防故障的持续建议付费。公司利用与客户的关系、设备知识和对可信推荐的理解，将原本不存在的服务转化为可销售的产品。这一过程并非简单的ABC步骤，而是优秀AI管理的体现。过去，公司可能需要一年时间自行探索、雇佣专家或与供应商合作，且预期回报基于旧有执行方式衡量。

向前部署工程（Forward-Deployed Engineering） 被视为一条极具吸引力的路径。这些工程师在客户组织内部或紧密旁侧工作，将购买到的智能转化为运行中的系统。例如，OpenAI的部署公司描述其工作为与业务领导者和一线团队合作，识别机会并设计与测试连接到客户数据和流程的系统。Anthropic也采用了类似语言，通过与Blackstone等机构合资，致力于将AI应用于中型制造商和区域医疗系统等具体场景。

平衡学习与商业化：新型合作伙伴关系与定价模型

如果仅将向前部署工程视为永久性的服务，公司可能无法充分学习；若急于将其打包为产品，同样可能导致学习不足。关键在于平衡：需要一线人员与客户对话，并被赋予权力和奖励以投资该公司。当机会足够大时，这种关系可以进一步深化。AI供应商可能拥有超越令牌定价（token pricing）的非凡专业知识，从而使得基于结果的定价或合资企业成为可能。

"It's not about the procurement team negotiating a software discount at that point. It's about thinking about how much more value could a partnership create."

OpenAI对Thrive Holdings的投资并嵌入团队进入其会计和IT服务公司，便是这种深度合作的例证。在这种模式下，CFO面临的决策不再是采购团队谈判软件折扣，而是评估合作伙伴关系能创造多少额外价值、公司应保留什么以及需要承诺什么以获取收益。鉴于这是半个世纪以来新的经济投入，实验性地调整结构以确保能以惠及客户的方式应用该输入是合理的。虽然结果定价难以衡量，但这种基于共同解锁不成比例价值的深层伙伴关系，代表了AI经济模型的根本性转变。

传统管理逻辑失效与一线员工的能动性

在传统企业架构中，经济投入往往被视为管理层面的事务。高管通过调配团队和预算来推动工作完成，而员工通常只需执行既定指令。AI 的应用逻辑与此截然不同，它不再局限于管理层的自上而下部署，而是需要全员参与。这种转变使得一线工程师和面对客户的员工成为关键角色，他们必须自主判断何时使用 AI 以及如何使用才能为客户创造实际价值。

"AI is something we all apply... frontline engineers, it's frontline customer facing people who are actually figuring out when to use AI and when not to use AI."

这种自下而上的价值创造依赖于员工的内在动力。只有当员工感到公司支持他们、拥有“利益相关者心态”（skin in the game）并确信追求客户价值值得时，AI 才能发挥最大效能。一支受激励的团队在有效应用 AI 方面起着决定性作用。企业若忽视这一点，仅靠技术堆砌无法实现真正的商业价值转化。

基于结果的定价模式与闭环场景的适用性

Sierra 和 Cedar 的案例展示了 AI 商业模式的另一种可能性：按交付的业务结果付费。Sierra 正在积极探索这种基于结果的定价模式，并发现买卖双方对此都感到舒适。Cedar 的例子表明，当服务形成完整的闭环时（如患者账单解释及支付），这种按结果收费的模式是可行的。Sierra 的核心主张在于，企业应思考如何衡量这些成果并据此定价，从而将 AI 与其实质创造的价值紧密绑定。

然而，这种模式并非适用于所有场景。闭环交易（如客户服务）是此类定价的经典案例，Finn 已在该领域成功实践。但对于复杂的工作流程（如全面重构客户制造服务计划），由于无法简化为单一的交易结果，按效果定价变得困难。在这种情况下，重点应转向确保人员具备利用所选智能工具交付复杂价值的能力。按 Token 计费的模式仍将长期存在，因为它为实验和调整提供了灵活性。

Shopify 与 Block：高 AI 熟练度带来的财务回报

随着企业应用智能的深入，部分高度具备“AI 熟练度”的公司已能在财报中体现显著回报。Shopify 的首席运营官 Jess Hertz 展示了其 AI 投资的强劲回报率。她强调工程师应根据具体情况使用最佳模型，并监控支出，同时区分“采用率”与“实际影响”。Shopify 在两年内保持人员编制不变，而收入增长了 34%。这种通过提升生产力直接拉动营收增长的模式，标志着 AI 价值从个体故事转变为 CFO 可量化的财务数据。

"Shopify's head count has been flat... revenue has grown 34% in that time."

另一典型案例是 Block，其通过精简团队并将 AI 置于业务核心，实现了 25% 的毛利润增长。这些案例表明，AI 熟练度高的公司能够更早地展现 ROI。对于此类企业，商业安排的重点在于如何维持这种高效转化。相反，AI 熟练度较低的公司则需通过人员调整或合作伙伴关系来弥补能力缺口，以确保智能工具能真正解决核心业务难题。

成为“智能管理者”：个人在 AI 时代的价值重塑

无论企业层面的商业安排如何变化，个体员工在 AI 时代的作用并未减弱，反而更加关键。即使没有正式的管理头衔，个人也可以成为“智能管理者”（Manager of Intelligence）。员工可以通过展示如何应用 AI 来驱动公司的营收和利润，从而获得关注。特别是在那些对 AI 不够熟练的公司中，亟需这样的倡导者（Champions）来证明智能工具的实际效用。

"We can become managers of intelligence before anyone gives us a management title."

这种角色的转变意味着员工对“智能应置于何处”的判断变得极具影响力。通过深入理解这一新的经济投入要素，个人能够有效地服务客户并创造价值。这种价值创造最终会体现在公司的顶层和底层线上。因此，无论公司整体成熟度如何，具备 AI 应用能力并主动展示其商业价值的个人，将在组织中获得显著的职业优势。

前线员工引领AI应用浪潮

在当前的企业环境中，一线员工正成为推动人工智能落地的核心力量。这种现象在过去是难以想象的，因为组织通常缺乏赋予基层如此大权限的机制。然而现在，这些身处业务前线的个体看到了工具带来的巨大机会，并积极地将其投入实际工作中。作者对此表示强烈支持，认为这不仅是正确的做法，更是一种赋权。领导层正在从这些一线实践中学习如何更战略性地思考AI问题。对于职场人士而言，这是一个明确的职业信号：成为“AI管理者”是极具回报的职业路径。不要犹豫，深入拥抱这一角色，因为这是你展示价值、引领变革的最佳时机。

领导层需重构AI投资的价值评估逻辑

对于CFO、CEO等高层领导者而言，在评估重大AI投资时，必须跳出传统的“成本削减”思维陷阱。仅仅关注通过自动化降低开支是狭隘的，正确的对话轨道应当是将“公司创造价值的潜力”摆在台面上进行考量。AI带来的上行空间是没有天花板的。如果企业愿意大胆思考，完全有可能生成大量的顶层价值。领导者需要提出尖锐的问题：公司是否具备利用所购AI工具并自信地生成价值的能力？这种思维转变要求企业不再被动防御成本，而是主动寻求释放业务的上行潜力。只有当领导层将焦点从单纯的效率提升转移到价值创造上时，才能真正发挥AI的经济杠杆作用。

通过具体项目验证生产力释放的价值

为了将抽象的AI价值具象化，作者建议采取“挑战性测试”的方法。不要仅仅假设采用AI后生产力会提高，而是应该选择一个以前因资源不足而无法触及的、能产生收入的项目。例如：组建一个团队专门负责该项目，并明确归因于AI释放的生产力。如果项目开始产生收入，就将这部分收益直接归功于AI带来的资源解放。这种具体的、可归因的思考方式在现实中并不常见，但却至关重要。它要求企业通过实际案例来证明其AI fluency（流利度/熟练度），即如何运用这种新的经济投入为客户生成价值。通过这种方式，企业不仅能验证AI的效果，还能建立起一套清晰的“生产力释放-收入增长”的价值闭环逻辑。

共同探索AI经济学的未来范式

理解AI的经济学原理是不可避免的，无论是为了明确个人职业定位还是制定领导策略。目前，所有企业都在共同经历这一过程：如何与智能体一起创造价值？这是一个全新的、需要新思维的过程。作者呼吁读者分享各自的实践经验：你是如何作为AI管理者工作的？你的公司是如何捕捉AI价值的？ 无论是按Token定价还是基于结果（Outcome）的定价模式，哪种更适合你的业务场景？通过开放交流这些案例和数据，行业才能共同摸索出适应AI时代的定价与价值评估体系。这不仅是个人的职业机会，更是整个企业界重构经济逻辑的关键时刻。

结论

视频论证表明，传统按Token计费模型无法准确衡量AI带来的经济价值，核心矛盾在于企业缺乏将智能转化为可量化ROI的“知道-how”。优势体现在Shopify和Block等AI熟练度高企业实现了显著的营收与利润增长，证明智能管理能直接驱动财务回报。短板在于多数组织投入不足且缺乏评估能力，导致陷入成本管控困境而非价值创造。

适用条件方面，基于结果的定价仅适用于闭环场景（如Cedar、Sierra），复杂流程仍需Token计费配合人员赋能。最终结论是，AI价值释放依赖于一线员工成为“智能管理者”，通过向前部署工程将技术转化为具体业务成果，领导层需从成本削减转向价值创造评估。