过去几年，很多 AI 产品都采用固定订阅模式。

例如 ChatGPT Plus、Claude Pro 以及其他 AI 工具，常见的收费方式是按月支付固定费用，用户获得一定范围内的模型使用权限。

这种模式和传统 SaaS 很像。

但随着 AI Agent、长上下文、代码执行、文件处理、图片生成、视频生成等能力不断增加，固定订阅模式开始遇到一个问题：

不同用户产生的计算成本差异越来越大。

这也是为什么越来越多 AI 产品开始引入：

• Token 计费
• Credit 计费
• API 按量计费
• Agent 按任务计费
• Action 按执行次数计费
• Outcome 按结果计费

从商业模式上看，AI 软件正在从传统的“按账号收费”，逐渐向“按实际消耗收费”过渡。

一、传统 SaaS 为什么喜欢按账号收费？

传统 SaaS 常见的收费单位是 Seat，也就是席位。

例如一个企业软件每个账号每月 20 美元。

如果企业有 100 名员工需要使用：

100 × 20 = 2000 美元/月

这种模式的优势很明显。

对于软件厂商来说，收入比较稳定。

对于企业来说，预算也比较容易预测。

更重要的是，传统 SaaS 的边际成本通常不会随着单个用户使用频率大幅波动。

一个员工一天登录 5 次，还是 50 次，对服务器成本的影响通常有限。

因此，按用户数量计费非常合理。

但 AI 产品的成本结构不一样。

二、为什么 AI 不适合一直采用固定订阅？

AI 服务的计算成本和用户行为高度相关。

例如两个用户都购买同一个 AI 会员。

用户 A 每天只做一些简单任务：

翻译一段文字
润色一封邮件
总结一段内容

用户 B 则每天执行：

长文档分析
代码生成
网页搜索
图片处理
复杂推理
AI Agent 自动执行任务

表面上，两个人都是一个用户。

但后台消耗的资源可能完全不同。

AI 推理成本通常会受到多个因素影响：

模型规模
输入 Token 数量
输出 Token 数量
上下文长度
推理时间
工具调用次数
代码执行次数
外部 API 调用
Agent 运行时间

因此，传统的“一个账号一个价格”越来越难准确反映真实成本。

三、AI Agent 让这个问题更加明显

普通聊天机器人通常是：

用户提出问题
↓
模型生成回答
↓
任务结束

但 AI Agent 的执行流程更复杂。

例如用户输入：

帮我调研 20 家公司的产品信息，并整理成表格。

从用户角度看，这只是一次任务。

但后台可能包含：

搜索网页
打开页面
读取内容
分析数据
调用模型
调用代码工具
整理表格
再次验证
生成最终报告

一次任务可能触发多次模型调用和工具调用。

这意味着 AI Agent 的成本不再适合简单按照“对话次数”计算。

因此，很多厂商开始采用 Credit 或 Action 这样的中间计量单位。

四、什么是 Credit 计费？

Credit 可以理解成 AI 服务内部定义的一种“计算额度”。

不同操作会消耗不同数量的 Credit。

例如：

普通文本生成：少量 Credit
复杂推理：更多 Credit
Agent 执行：更多 Credit
图片生成：单独计算
视频生成：单独计算

这种模式的优势在于：

用户不需要理解底层 GPU 成本，也不需要直接计算 Token。

平台只需要把各种计算资源统一换算成 Credit。

这也是目前很多 AI 产品正在采用的方式。

五、什么是 Action 计费？

Salesforce 的 Agentforce 就采用了类似的思路。

它不是简单按照用户和 AI 聊了多少句话计算，而是按照 Agent 执行了多少个业务动作来计算。

例如 AI Agent 执行：

查询客户信息
创建销售线索
更新 CRM
生成总结
触发自动化流程

每完成一个标准业务动作，就会消耗一定数量的 Flex Credits。

这种模式实际上是在把计费单位从：

“用了多少 AI”

变成：

“AI 完成了多少业务操作”

对于企业来说，这种方式通常比 Token 更容易理解。

六、为什么 Token 可能不是最终的计费方式？

Token 对开发者很熟悉。

API 通常按照：

输入 Token
+
输出 Token

进行计费。

这种模式对模型厂商很合理，因为 Token 和计算成本存在一定关系。

但对于普通企业用户来说，Token 并不是一个直观的业务指标。

企业真正关心的问题往往是：

AI 解决了多少客户问题？
AI 自动处理了多少订单？
AI 完成了多少销售任务？
AI 节省了多少人工时间？

因此，AI 软件的计费模式正在进一步向业务结果靠近。

七、Outcome 计费是什么？

Outcome 可以理解成“按结果收费”。

例如某些 AI 客服产品不会简单按照对话次数收费，而是按照：

AI 是否真正解决了一个客户问题

来计算费用。

如果 AI 成功解决问题，则产生一个可计费结果。

如果最终仍然需要转人工处理，则可能采用不同的计费规则。

这种模式的逻辑是：

Token
↓
模型调用
↓
Agent Action
↓
Business Outcome

也就是说，AI 计费单位正在越来越接近企业真正关心的业务价值。

八、未来 AI 软件可能出现三层收费结构

从目前的发展趋势来看，AI 软件未来很可能长期存在三种计费方式。

第一层：固定订阅

例如：

Pro
Plus
Business
Team

这种模式仍然会存在。

原因很简单：

对普通用户来说，固定订阅最容易理解。

每个月支付固定费用，不需要关注复杂的使用量。

第二层：按量计费

重度使用场景可能按照：

Token
Credit
API Request
Agent Run
Action

进行收费。

这种模式更适合开发者和企业。

第三层：按结果计费

更加成熟的 AI 产品可能最终按照：

完成任务数量
解决问题数量
生成有效线索数量
自动处理订单数量

进行计费。

这种模式实际上已经越来越接近“数字劳动力”的收费方式。

九、AI 成本管理为什么会成为新问题？

过去企业采购 SaaS 时，财务管理比较简单。

例如：

10 个软件
×
固定月费

基本就能计算全年预算。

但 AI 工具开始采用按量计费以后，情况会复杂很多。

一个企业可能同时使用：

ChatGPT
Claude
Gemini
Cursor
AI Agent
模型 API
图片生成工具
视频生成工具

这些服务可能采用完全不同的计费方式。

有些是固定订阅。

有些是 API。

有些是 Credits。

有些还支持自动充值。

这就容易出现一个问题：

AI 成本变得越来越难预测。

因此，未来企业可能需要单独做 AI Spend Management，也就是 AI 成本管理。

例如：

不同部门独立预算
不同项目独立支付
API 调用设置上限
Agent 设置消费阈值
不同工具分别统计成本

这其实和云计算时代的 FinOps 有些类似。

十、虚拟卡在 AI 成本管理中的一个实际场景

对于同时使用多个海外 AI 和 SaaS 工具的团队来说，一个比较常见的做法是：

不同工具使用不同的支付账户或虚拟卡。

例如：

ChatGPT → 卡 A
Claude → 卡 B
Cursor → 卡 C
API 项目 → 卡 D

这样做的主要目的不是支付本身，而是方便区分不同项目和不同工具的成本。

例如可以更清晰地看到：

哪个工具本月支出最高
哪个订阅已经不再使用
哪个项目需要限制预算
哪个服务需要暂停续费

我们自己的 MXK8 虚拟卡也主要应用在海外 AI、SaaS 和开发者工具支付这类场景。

对于有多工具订阅需求的团队来说，拆分支付账户确实会比所有费用集中在同一个账户里更容易管理。

这里更重要的其实不是“怎么付款”，而是：

AI 工具越来越多以后，怎么把费用管理清楚。

十一、AI 软件的核心变化不是涨价，而是计费单位改变

如果只看表面，很容易把按量计费理解成：

AI 软件开始变贵了。

但更准确的说法应该是：

AI 软件正在寻找更适合自身成本结构的计费方式。

传统 SaaS 的计费单位是：

用户
Seat
账号

云计算时代变成：

CPU
存储
带宽
请求次数

AI 时代则开始出现：

Token
Credit
Action
Agent Run
Outcome

这背后代表一个很明显的变化。

过去的软件主要是工具。

现在的 AI 越来越像可以持续执行任务的计算服务。

因此，它的计费逻辑也正在从：

买软件

逐渐变成：

买计算资源
买任务执行
买业务结果

结语

固定月费的 AI 会员短期内不会消失。

对于普通用户来说，订阅模式依然是最简单的选择。

但对于开发者和企业来说，未来越来越多 AI 产品可能采用：

固定订阅
+
按量计费
+
结果计费

的混合模式。

因此，未来判断一个 AI 产品是否“便宜”，可能不能只看每月订阅价格。

更重要的问题会变成：

这个 AI 每完成一次任务，实际成本是多少？

这可能才是 AI 软件定价下一阶段真正需要关注的问题。