AI 重新引入了边际成本,但并不意味着传统软件经济学被彻底破坏。未来的赢家不是 Token 消耗最多的公司,而是能用最低合理成本完成高价值任务、并将客户 ROI 转化为价格的平台。席位费提供稳定性,消费与 Agent 收费捕获使用量,结果收费提高上限;而模型路由、缓存与工作流优化,决定利润能否兑现。
边际成本回来了Marginal cost is back
边际交付成本极低
软件开发完成后,新增一个用户只增加有限的云资源、客服与支付成本。续费即可较快转化为毛利、营业利润与自由现金流——这是高估值的基础。
成本随使用量扩张
每次请求都消耗输入/输出 Token,并产生上下文读取、向量检索、工具调用、记忆存储、推理与结果验证成本;Agent 多轮规划、重试会进一步抬升单任务成本。
判断盈利能力不能只看 AI 年化收入、付费客户数或调用次数,还要追踪每项任务的收入、每项任务的推理成本、成功完成率与失败重试成本。如果客户用得越多、公司亏得越多,高使用量反而放大经营压力。
五层收费模式:风险如何分配Five pricing models
席位收费 · Seat-based
按员工/用户数收费,收入稳定、预算可预测;但 AI 提效后席位增长可能放缓,若 AI 免费打包则模型成本侵蚀利润。代表:ADBE、TEAM、WDAY、CRM。
AI 增值套餐 · AI Add-on
基础订阅外对高级模型/自动化/Copilot 额外收费,提升 ARPU。关键:客户是否愿为 AI 独立付费。代表:MSFT、INTU、NOW、CRM。
使用量收费 · Usage-based
按数据处理量/模型调用/算力/Token 收费,最能直接捕捉 AI 需求,但更易受客户优化周期影响。代表:SNOW、DDOG、MDB、NET。
Agent / 任务收费 · Agent-based
按数字员工/Agent 实例/自动化任务收费,比席位更接近 AI 价值;但需清晰定义 Agent 范围、资源与超额计价。代表:NOW、CRM、MSFT、PLTR。
结果收费 · Outcome-based
按成功解决/完成交易/提升转化/节省成本收费,价值捕获上限最高;但归因、责任与收入确认最复杂。代表:SHOP、TOST。
① 席位收费:稳定,但被 AI 提效侵蚀
收入稳定、可锁定合同;但若把模型成本包进固定席位价,客户在同一席位内大量调用前沿模型时——收入不增,销售成本却持续上升,供应商承担使用量风险。
② AI 增值套餐:能缓解,但怕被视为"基础功能"
MSFT、INTU、CRM、NOW 都在探索。关键是客户是否认为 AI 有独立价值、愿意升级层级;若 AI 最终被视为基础功能,公司可能被迫免费打包却继续承担推理成本。
③ 使用量收费:收入与成本最匹配,但周期性强
SNOW、DDOG、MDB、NET 收入本就随消费提升,能较快捕获 AI 上行;但客户一旦优化调用、缩短上下文或转向更便宜模型,收入可能立即受影响。
④ Agent / 任务收费:介于席位与消费之间
比席位更接近 AI 价值,比纯 Token 更易被企业预算接受;但需清晰定义一个 Agent 能做什么、可调用多少资源、超额如何计价。
⑤ 结果收费:最接近 ROI,也最难归因
SHOP、TOST 等交易/支付平台更易把 AI 业务增量转化为收入;但若结果受客户品牌、市场与员工决策共同影响,软件公司很难独立证明自身贡献。
四条核心判断Four core takeaways
收入增长 ≠ 利润增长
AI 重新引入了边际成本,高使用量未必带来高利润。
路由/缓存/小模型/批处理是守住毛利率的关键
成本治理能力,和模型效果同等重要。
最优平台不是 Token 消耗最多
而是单位任务利润最高的那家。
长期赢家:定价权 + 工作流控制 + 成本治理
三者同时具备,才能把 AI 收入守成利润。
大摩:毛利率承压 ≠ 营业利润率结构性下降Gross margin ≠ operating margin
产品毛利率与公司整体盈利能力不是同一个概念。AI 推理成本可能抬高销售成本、压低单品毛利率;但 AI 同时能提高研发效率、减少客服需求、改善销售转化、降低运营费用。若经营费用节省超过毛利率稀释,营业利润率与自由现金流率仍可能稳定甚至提升。
六大降成本杠杆Six cost levers
模型路由
简单任务给低成本小模型,只把高价值/高风险任务交给前沿模型。
Prompt 缓存 / 上下文复用
避免每次请求都重新读取相同信息。
批处理
相似任务集中执行,提高算力利用率。
开放权重 / 领域小模型
保证效果的同时降低外部 API 成本。
压缩上下文 / 检索优化
只取与当前任务相关的信息;好的数据治理同时降 Token 与错误率。
减少无效循环
限制重试、设终止条件、增加工具调用验证,低价值场景优先用确定性规则。
未来软件公司的研发能力,不只体现在模型效果,也体现在推理成本治理。同样的基础模型,两个产品的单位经济可能完全不同——工作流控制权,不仅带来定价权,也带来成本优化能力。
会重演 2022–23 的云优化周期吗?The optimization cycle — unevenly
Tokenomics 即 AI 软件收入、使用量与模型成本之间的经济关系。随着 AI 进入生产环境,企业财务会审查每项应用的 Token 消耗、单位任务成本与 ROI,供应商也需把模型费用更明确地反映到定价中。
补贴型 / 实验性使用
原型测试、从未进产的代码、缺乏业务回报的 Agent 循环、靠补贴维持的实验性使用。
嵌入关键工作流的生产用量
能缩短客服时间、降低安全损失、提高转化率的 Agent——企业不会因 Token 单价变化就停用,而会持续优化模型组合。
工作流丰富的现有软件公司(ServiceNow、Microsoft、SAP 等)可成为企业的 AI 优化层:路由模型、限制低价值调用、统一管理预算/权限/用量,并提供每项任务的成本与回报分析——不仅卖 Agent,还帮客户控制整个 AI 体系的成本。
不同软件类别,毛利率风险不同Margin risk by category
若 AI 功能无法形成独立价格、却增加持续推理成本,产品毛利率与营业利润率可能同时承压;反之,若 AI 能提高续费率、交叉销售与运营效率,净影响仍可能为正。
投资者要看的指标,变了New metrics to watch
规模与留存
年度经常性收入(ARR)、净收入留存率(NRR)、客户数量、毛利率。
单位经济与成本关系
AI 付费客户、每项任务收入、每项任务 Token 成本、模型成本占收入比、Agent 成功率、自动化任务数、客户节省金额、AI 产品贡献利润。
公司若只披露调用次数与用户数、而不披露收入与成本关系,很难判断商业化质量。
短 · 中 · 长期What to track
- AI 功能是否开始独立收费
- 推理成本是否对毛利率造成明显影响
- 模型成本下降能否快于 AI 使用量增长
- 是否建立有效的路由、缓存与预算控制能力
- AI 是否真正带来经营费用杠杆
- 从"卖工具"升级为"按任务/结果收费的高效执行平台"
后续分析的核心,是判断哪些公司既能扩大 AI 收入,又能守住贡献利润、营业利润与自由现金流。
配套阅读:AI Software 五层框架 · GOOG/NOW 毛利率警报 · 选股 5 标准 · ← 研究库