你知道，今年我听到的每一个企业AI愿景都卡在了类似的地方。它卡在定价和估值上，采购团队问道：“我们该如何为此付费？为什么按席位收费？为什么按Token计费？”我认为，我们正在问错误的问题。Token是衡量算力的方式，席位是传统的SaaS度量标准，而AI是智能。这是传统的产品思维。只要有公司存在，我们就一直有两种经济投入：人和资本。现在我们有了一种新的投入——智能。让我展示一下从这里开始事情可以有何不同。

Cedar是一家医疗保健支付公司，到目前为止一切顺利。它当然运行着一个名为Cora的AI代理。患者可以在凌晨2点打电话咨询医疗账单，Cora会接起电话，明亮而轻快地回应。它会核实对方身份，解释费用明细，确认保险信息，然后让患者在通话中直接处理账单。对患者来说，这很不错：混乱的账单可以得到解释，并在一次电话沟通中解决，无需等待背景音乐。

医院并不关心那通电话消耗了多少Token。它只关心账单是否已支付。因此，在那个世界里，我们需要以不同的方式思考智能为商业和客户关系带来的价值，并重新考虑如何评估它。如果这听起来有些抽象，我们将具体探讨为什么我认为这是2026年AI与就业的关键突破口。从根本上说，我们正进入一个世界，其中AI代理直接将智能带给客户以创造经济价值。

这改变了我们对企业职能的思考方式，也改变了对所有工作性质的看法。如果你是首席财务官（CFO），这将在软件方面给你带来巨大难题。如果你的公司按Token等计费，它可能清楚自己支付了多少钱，但因为它不知道如何分配智能，所以可能不清楚如何从中获得回报。这改变了合作伙伴关系对你的价值。

如果你是个人，这将为你创造巨大的机会。你可以成为智能的管理者。事实上，从领导层的角度来看，这正是每个人希望你扮演的角色，因为领导者需要个人弄清楚如何利用智能为公司创造价值。这是大家正在共同探索的事情。因此，学会将这种资源转化为有价值的工作，可以改变你被赋予的职责范围。

想想你定期生成的报告。你可以要求代理更快地完成它，或者让它调查客户问题的根本原因并开始修复它——对吧？这是一个非常简单的答案，尽管我亲眼见过这种情况发生。但这类思维转变正是人们从仅仅成为AI用户转变为成为AI管理者的例子。

你的公司可能已经向你提供了智能，因为嘿，你在看这个频道。你正在决定该公司部分资源将用于何处。你正在分配智能，而你的决策具有真正的经济影响。然而，无论是从领导层的角度还是作为个人，我们都尚未很好地认识到这一点。

那么，我为什么在这里谈论定价？为什么会出现定价问题？我认为企业购买智能的一个根本问题是难以估值。你可以像采购团队那样将其放入熟悉的框架中：按Token购买，或按席位购买，这通常是标准做法。它是服务还是产品？但随后你作为公司就假设你知道如何评估并将这种智能转化为产生真正投资回报率（ROI）的东西。

许多公司并不具备这种能力，它们需要帮助将智能转化为投资回报率。因此，如果你正在与这一挑战搏斗，我鼓励你首先退后一步，认识到为什么当前体系不太适用。Token定价可以适应你的预算，帮助你管理和构建支出预期，这并非坏事。我不是说要废除Token定价。

Token是衡量模型处理信息的有用单位，它们有价值。但是，它们并不提供固定数量的有效思考。Token是否有用取决于公司里的我们所有人——也就是作为AI管理者的我们。而我们通常获得的合同将这一关键假设、这种负担留给了买方：你购买了它，你必须捕获足够的价值以证明成本合理。

我认为，这就是为什么我们看到公司试图弄清楚如何为AI预算并限制支出的根本原因。公司尚未找到从智能中大规模捕获真正投资回报率的方法，因此目前它们希望进行实验并限制支出上限，以避免严重的下行风险。我理解这一点。但是，我必须告诉你，你投资不足。你没有投入足够的资源。

现在你必须弄清楚要投资于什么，这是一个不同的问题。这是关于野心的问题，是关于能动性的问题。你必须思考如何赋能员工以大规模做出正确的赌注并使他们保持一致。这些都是难题，不是你可以问Claude来解决的问题。但是，它们是正确的问题，我认为提出这些问题的人和公司将会增加对AI的投资并收获最大的利益。

换个说法说，对于通用智能而言，其中很大一部分价值需要由使用它的人类去发现。你可以在学会将哪些工作分配给它之前购买这种能力，在学会如何改变周围流程之前购买它，甚至在你学会如何判断答案好坏之前就购买了。模型在演示中可能令人印象深刻，而组织却极不具备使用它的能力。我常常见到这种情况。

我认为这种缺失的知识解释了AI回报挣扎的大部分原因。采购流程可以确立你以具有竞争力的价格购买了智能，但你的投资案例仍然取决于我们这些AI管理者使其变得高效。即使是个人贡献者，我们也都是AI管理者。因此，对我们的问题是：我们能否释放这种价值？

我们感到有动力吗？我们觉得自己装备齐全了吗？我们相信公司信任我们吗？我们与使命保持一致吗？这些都是人的问题，但在我们都分配智能的AI时代，它们具有真正的现实意义。让我们考虑一个例子。

一家设备公司帮助客户保持机器运转。这家公司是假设的，但它非常贴近我见过的真实故事。我之前曾谈到过更便宜的智能如何让更广泛的客户支持变得负担得起。我想在这里继续追踪这项投资决策，以便让你对此有所感知。究竟谁能在此构建并运营该服务？公司应该为所获得的结果支付多少费用呢？

假设你是该公司的一名工程师。你意识到客户反复报告的一个 recurring failure（重复性故障）。一个智能体可以为你汇总维护记录并对比之前的案例。你知道哪些运行条件至关重要，哪些记录不可靠，以及何时看似相同的表象实际上是两种不同故障以相同语言呈现。这种知识改变了你的思维方式，因为你可以深入挖掘，要求正确的对比并检查证据，从而发现问题的核心以厘清根本原因。

此后，你实际上需要与客户深入沟通，以确定下一步该做什么。在那一点上，让 AI 智能体去生成更多解释并不能解决问题。你必须管理这种智能，并做出判断：何时深入挖掘你的 AI 以及何时停止并与人类交谈。因此，归根结底，作为一名独立贡献者工程师，你正在决定公司的哪些工作值得进一步调查、机器能处理什么、哪里需要另一个人介入以及你何时停止并与人类交谈。所有这些责任都在于你。

现在，想象一下你已经处理了足够多的案例，你的团队开始在这里看到可重复的机会。客户可能会为有助于他们预防故障的持续建议付费。公司现在与客户建立了关系，拥有关于设备的知识以及理解可信推荐所需条件的人才。它开始转化为一种公司此前未曾拥有的、可以销售的产品。

现在，必须有人将这些环节串联起来并为其定价和打包等。我意识到这并不像 ABC 那样简单，一周就能完成。但当我看到公司在优秀 AI 管理中发挥效力时，这正是我所看到的历程。以前，公司可能需要花一年时间自行发现如何做这类事情。它可能会雇佣已经知道该怎么做的人。或者与供应商合作。而这些路径的预期回报都是以公司能以旧方式执行的内容来衡量的。

这就是我如此感兴趣地看待“前置部署工程”（forward-deployed engineering）作为一条路径的原因。这些是与 AI 一起工作、在客户组织内部或紧密伴随其旁管理 AI，从而将技术转化为运行中系统的工程师。他们帮助你具备将从外部购买的智能转化为价值的能力。OpenAI 的部署公司以完全相同的术语描述其参与项目。

它的工程师与业务领导者和一线团队合作以识别机会，然后设计、构建、测试和部署连接到客户数据和流程的系统。这项工作始于选择智能应用的位置，并一直持续到确保其在日常运营中产生回报为止。Anthropic 在谈论前置部署工程及其与黑石、Hellman & Friedman 和高盛宣布的合资企业时，使用的语言也非常相似。

他们正与中型制造商、区域医疗系统等企业合作，最终试图以对这些公司相关的方式实际应用 AI。我认为，“前置部署工程”是理解良好的 AI 管理在允许公司随时间收割价值的结构中呈现为何种样貌的一种绝佳方式。如果你永远只将其作为服务保留在前置部署工程阶段，你可能学得不够多。

如果你试图立即将其推向为产品，你也可能学得不够多。这里存在一种平衡，而我试图论证的一部分是：我们需要前线真正敏锐的个人与客户交谈，他们被授权并因对公司的投资而感到回报，从而反过来应用这种智能以创造价值。有时这类机会足够大，足以证明建立更长远关系的合理性，我想谈谈这一点，因为这是智能能在经济模式中产生的那种差异。

OpenAI 在 Thrive Holdings 中持有股份，并宣布将研究和产品工程团队嵌入 Thive 的公司。最初的焦点是会计和 IT 服务，我们将看到它后续的发展。但我想强调这一点，因为当我们开始思考如何评估智能的价值时，我们必须认识到 AI 供应商在其领域可能拥有非凡的专业知识，无论他们是否是实验室。

他们可能不是实验室。该领域中还有其他公司做着类似的工作。但 AI 供应商可能拥有提供公司所需的、远超代币定价的价值的能力。因此，在这些世界中，这可以被称为结果定价（outcome pricing）。在某些有 appetites 的情况下也可以称为合资企业。但根本而言，这涉及更深层的伙伴关系，双方都致力于共同努力如何利用这一新的经济投入来为客户释放不成比例的价值。

因此，如果合作伙伴能帮助使这种业务成为可能，首席财务官将面临一个截然不同的决策。此时不再是采购团队协商软件折扣的问题。而是思考伙伴关系能创造多少额外价值？在那种情景下公司保留什么？为了达到那里需要承诺什么？收益是什么，以及为达成这些交易每个人必须经历的给予和获取是否值得？

我并不是说所有人明天都会进入伙伴关系。我也不是说世界明天就会全部转向结果定价。结果定价难以衡量。但我认为，如果我们拥有半个千年来第一个新的经济投入，那么稍微试验一下我们的结构以确保我们能够以造福客户的方式应用该投入可能是有意义的。

这又回到了我们个人身上。这也是你会注意到我反复强调的事情之一。

传统的经济投入实际上是管理性的。如果你是公司的传统高管，你可以调配团队和预算来完成公司的工作，员工们只需照做即可。但在人工智能时代并非如此。AI是我们每个人都需参与的工具，因此我在视频中特意列举了前线工程师和面向客户的员工如何决定何时使用AI、何时不使用，从而创造客户价值和最终的企业价值。

这只有在他们感到被激励时才可能发生：如果公司支持他们的尝试，让他们有“利益相关”感并认为追求客户价值是值得的。拥有一支受激励的团队比以往任何时候都更重要，这在有效应用AI时会产生巨大差异。现在让我们回到Sierra的话题。

我最初通过讨论Sierra和Cedar以及“为交付的业务成果付费”这一概念开启了整个对话。这是Sierra正在积极探索的领域，他们找到了可以按结果定价的交易案例，买卖双方对此都感到舒适。Cedar的例子展示了这种完整工作如何展开：患者获得账单解释并进行支付，这是一个原则上可按结果条款收费的闭环服务交互。

虽然我不知道Cedar的具体合同条款，但Sierra更广泛的提议是：如果我们想将AI与其创造的价值挂钩，我们就应该开始思考如何衡量成果以及如何据此定价。这在拥有闭环的场景中可行，例如客户服务就是经典案例。Finn已在客户服务方面实现了这一点。

但当工作更复杂时，这种方法就不那么清晰了。如果你要彻底重构客户的制造服务程序（如我 earlier 提到的例子），这就不是单一简单的闭环交易，无法直接按结果定价。但这值得深入思考，以确保你的团队配备了足够的智能来交付你购买的技术所能提供的价值。

我认为按Token定价将会持续存在。如果你的公司知道如何应用智能，购买用量为调整任务、实验以及保留发展带来的收益提供了大量空间。你不需要每次使用模型时都分享所有权，没人会这么做。尽管如此，随着我们基本搞清楚如何在AI熟练度不同的公司中应用智能，我们将看到多种模式的出现。

以Shopify为例，首席运营官Jess Hertz描述了她对AI支出健康回报的信心。她表示工程师应根据情况使用最佳模型，并在此过程中监控支出。她将采用率与影响区分开来：Shopify的员工人数持平（推迟招聘约两年），而在此期间收入增长了34%。

从她的角度来看，她确实获得了AI投资的真实投资回报率（ROI），因为她以影响业务总收入的方式大幅提高了生产力。我认为这是将我喜欢讲述的个人故事转化为影响季度报告、进入CFO数字的一个公开示例。

还有其他案例，如Block提到其毛利增长了25%。他们著名地精简了团队，将AI置于业务核心，并深度投入其中。到目前为止，他们已经展示了由此带来的利润增长。我们将拭目以待这是否会持续下去。每家公司在此都会有不同的故事，但总体而言，组织正在学习使智能变得高效。

我不认为每家公司都需要相同的商业安排才能达到这一目标，但我确实看到商业安排因公司AI熟练度的不同而有所差异。Shopify和Block都是极度精通AI的公司，坦白说，我预期它们此时能展示ROI。

我与许多公司交谈时发现，它们的AI熟练度不高。在这种情况下，你需要思考需要做哪些人员变革，以确保有聪明的人应用AI，从而在你将AI应用于最困难的问题时产生价值。这可能表现为合作伙伴关系、完全部署的工程师，或者是带有咨询的传统软件模式。

公司有许多做法，但你必须开始将使用这种新经济投入的熟练度深深嵌入团队中，以使你的顶层结果发生真正转变。这使得ROI讨论不再是让人眯眼审视的东西，而是你可以自信指出的事实。

我不想在此过程中忽视个人作用，我不断回到这一点：这是我们在AI改变工作时寻找自身定位的重要时刻。在任何人给我们管理头衔之前，我们可以成为智能的管理者。我们所能指导的工作范围很容易超越个人能力所及，因此我们对“何种智能应用于何处”的判断变得极具影响力。

在我的经验中，特别是如果公司AI熟练度不高（因为它们需要倡导者），就需要那些知道如何做到这一点的人。如果你在那种公司工作，觉得“Nate，我看你的频道，但我不知道该怎么办，我的公司不理解”，你可以成为公司的AI管理者。

你可以通过自己的熟练度展示如何应用AI，从而真正驱动公司的顶层和底层收入。这会吸引关注，这很简单：这是一种新的经济投入。如果你有效地服务客户，就会创造更多价值，这将反映在顶层和底层收入中。这是我们作为个人能够做到的事情。

这是一种我们以前未曾具备的能力，也是一种我认为极具赋能意义的举措。在我看到的许多案例中，实际上是前线员工在引领这一浪潮。他们看到了这些工具带来的机遇，并急切地将其投入工作。我在这里为你们加油打气。我想说的是：“这绝对是正确的方向，而管理层正在向你们学习如何更战略性地思考这一问题。”

那么，如果你想知道“这里的职业回报在哪里？”答案就在这里。成为AI管理者吧！深入其中，你绝不会后悔。同时，我也想对管理层说几句。如果你是CFO、CEO或正在评估下一项重大AI投资的人，请将公司创造价值的能力摆上台面，与常规的定价讨论并列。提出那些棘手的问题：你的公司是否具备利用所购AI并自信地创造价值的能力？

我发现，当我们仅仅着眼于降低成本时，往往陷入了错误的对话轨道。我们希望处于这样一个位置：真正思考如何释放业务的上升空间，因为上限是没有天花板的。如果你愿意大胆思考，就能创造大量的顶层价值。一个很好的例子是：假设你预期采用AI后公司生产力会提升，那就去挑战这一观点。进行测试。选择一个此前无法触及、但能产生收入的项目，并宣布：“我们将组建团队负责该项目，以前我们无法配置资源，但现在可以。”

如果因此获得了回报，开始产生收入，我们就将其归因于AI，因为我们释放了生产力并得以实现。我发现这种具体的思维方式并不常见，但如果你想弄清楚如何应用AI以展示你对流畅性的思考，以及如何利用这一新的经济投入为客户创造价值，这就至关重要。我知道这听起来可能有点像经济学入门课程。但要理解我们在其中的位置、我们的职业以及领导者该如何行动，就无法回避对经济学的理解。

如果你目前处于领导岗位，正在纠结在AI上投资什么或应该为何种AI付费，我想告诉你并不孤单。我与许多团队合作过，我必须说每个人都在应对和挣扎于同一个问题。我们正在共同探索如何与智能创造价值，这是一个全新的过程，需要新的思维。

现在是你发声的机会了。告诉我你是如何成为AI管理者的？作为领导者，你如何在公司内思考并捕捉AI的价值？哪些地方奏效了？按Token定价对你有效吗？结果导向定价呢？你有没有看到好的例子？我很想听听。请在评论区分享，我们下次再见。