【学习笔记】Agent 产品怎么定价：红杉对谈里的四种付费模式与定价成熟度曲线

这是一篇访谈整理加我的分析。原文是 Founder Park 公众号 2025-05-12 发布的编译稿《Agent 产品如何定价？一文说清 AI 产品的四种付费模式》，内容来自红杉资本 Training Data 播客栏目对 Manny Medina 的访谈。这位受访者的履历值得先交代一句：他是销售自动化公司 Outreach（估值 44 亿美元）的创始人，卸任 CEO 搬到伦敦之后，新办的公司 Paid 专门给 AI 公司做账单、定价和利润管理——也就是说，他每天的工作就是围观几十上百家 Agent 公司怎么收钱、怎么赔钱。

为什么要整理一篇一年多前的访谈？因为它回答的问题在今天反而更迫切：Agent 产品从「能不能做出来」进入到「怎么收钱」的阶段后，按席位收订阅费和按 token 收消耗费这两套从软件时代和云时代继承来的定价法，都开始失灵。这篇访谈给出的框架足够简单（四种模式一条曲线），案例足够具体（每个判断都挂着公司名），而且是卖铲人视角——比创始人自己的叙事少了一层美化。下文引号内的文字均为编译稿原文，前六节是整理，第七节是我自己的分析，与受访者无关。

先说结论：

1. 四种付费模式构成一条成熟度曲线：按工作量 → 按工作流 → 按结果 → 按智能体。越往上，定价与客户价值的对齐越深，合同越难被替代；停留在最底层的「按量收费」，终局是和一堆长得一样的对手打价格战。
2. 跑得顺的 AI 应用公司都在做「刺猬」：挑一个足够窄的问题钻研到底。它们的共同点是不取代人，而是取代 BPO（业务流程外包）——「只要某个领域高度依赖 BPO，就意味着 AI Agent 有巨大的切入空间」。
3. 全文最锋利的洞察是预算科目：按智能体定价的本质，是把收费从客户的「工具预算」挪到「人头预算」——2 万美元一个的智能体对标 9 万美元全成本的人类 SDR，预算从营收运营（RevOps）科目挪进人力资源（HR）科目，「后者的预算要大得多」。
4. AI 先取代的是没人愿意做的工作，不是薪酬最高的工作。高薪创造性岗位适合「辅助驾驶」（copilot），低薪重复性岗位适合「自动驾驶」（完全接管）。
5. 成本端是一组与主流相反的判断：token 单价不会降（推理时计算越来越贵）、Agent 的成本栈里 LLM 只是一部分（语音通话、外呼、虚拟形象等第三方 API 才是推手）、以及「你不知道哪个客户对你来说是盈利的」的利润黑箱。

一、背景：从 44 亿美元的 Outreach 到给 AI 公司管钱的 Paid

Manny Medina 在 Outreach 推广智能体产品时想搞清楚智能体业务的基本面——利润多少、为客户增加了多少价值——结果发现底层的支撑软件帮不上忙：「它不是为这样一个定价需要不断发展、智能体交付的不只是比特和字节而是完整结果的世界而构建的。」

卸任后他花了几个月给各路创始人打电话交叉验证，发现大家运营智能体业务全靠电子表格，于是创办了 Paid：AI 公司的「业务引擎」，覆盖账单、发票、变现、定价，如今还做收款、收入确认和供应商、利润管理。切入点是变现引擎和利润管理引擎，然后向相邻环节叠加——解决了变现就要解决收款，解决了利润就要解决供应商管理。他们甚至内置了一个我很喜欢的功能：输入一个活动或工作流，服务会查询「同样的工作量在哪个国家的人力等价物是多少」（按工种查时薪、按耗时折算），直接给客户定价指导。

这段背景决定了访谈的性质：他见的样本量足够大，而且立场是卖铲人——这点在第七节分析时会再回来。

二、刺猬阶段：窄场景正在「印钞」

访谈第一节讨论哪些 AI 应用公司进展顺利，Manny 用了刺猬和狐狸的比喻（以赛亚·伯林的经典划分：狐狸追求多种目标，刺猬把一切联系到一个核心原则）：「如果你选择一个非常狭窄的问题，然后像刺猬一样钻研进去，成为解决那一个问题的佼佼者，那现在简直就是在印钞。」

他点名举的例子整理如下：

HappyRobot 的例子最能说明「窄而深」长什么样：想把啤酒从密尔沃基运到波士顿，你打电话给经纪人帮你找卡车司机，HappyRobot 会启动 2000 个智能体，智能体给卡车司机打电话、互相协商直到订下这批货，然后一路跟进到交货。XBOW 的打法也如出一辙——不上来就说「我要成为完整的网络安全解决方案」，而是说「我就要持续不断地敲打你每一个应用和后端的门，以尽可能高的质量找出渗透进去的方法」。

反过来说，范围太宽的项目现在行不通吗？Manny 的措辞很谨慎：「我把它归类为哪些现在行得通，哪些『尚未』行得通。」他点名的反例是 AI 销售开发代表（AI SDR）——「它包含了很多东西，对不同的人意味着很多不同的事情，这就会产生混乱」。Fyxer 这种行政助理产品也类似：他自己很喜欢用，但因为工作横跨三个时区（联合创始人在印度、客户在太平洋时区、自己在美国东部），就还不顺手；但如果客户是单时区、单业务线的房地产经纪人，「那它们就完美契合那个特定场景」。他的总结是一句口诀式的判断：大问题，窄场景，AI 就适合搞定它。

三、AI 先取代的是 BPO 和没人愿意做的工作

访谈里最直接的观点交锋在这一节。Kleiner Perkins 合伙人 Mamoon Hamid 有个流传很广的假说：AI 将从薪酬最高的工作开始取代——逻辑上说得通，先瞄准最贵的开发者、律师、会计师、医生。Manny 明确表示完全不认同：

我认为那些收入最高的人会把 AI 当作附属品来购买，然后像抛弃生活中其他东西一样频繁地抛弃它。我认为 AI 真正能「站稳脚跟」的地方，是它能完全接管那些没人愿意做的角色，比如，保险精算师或保险理算员。

他给的证据是社会性的而非技术性的：BPO 公司里不停打电话的人「做那份工作只是为了过渡到另一份工作，通常只干六个月，这些工作的流动率非常高」；而保单续订这类岗位正在因为从业者退休而自然消失、没人补位。AI 不是在抢人的饭碗，是在接没人端的碗。

主持人随后做了个两边各打五十大板的综合，我觉得比原假说和原反驳都更准确：对薪酬更高、更具创造性的工作，「辅助驾驶」模式（赋予人超能力的 copilot，如法律领域的 Harvey、医疗领域的 OpenEvidence）确实行之有效；对薪酬较低、创造性稍差的工作，「自动驾驶」模式（完全接管的自主智能体）行之有效。而 copilot 模式的护城河问题在于——那些看起来很有钱的大领域，竞争必然极其激烈，而且「我如何区分一个 copilot 和另一个类似的产品到底谁好？它们都可以说，我和 XX 产品一样，但是更好或更便宜」。

这节还有一个对定价至关重要的推论。取代 BPO 生意的好处是价格锚点清晰：

我价格的上限是劳动力成本，价格的下限是我的利润率。

上限被人力成本钉死、下限由自己的毛利决定——这就是窄场景「印钞」的经济学结构。顺带一提，这节里 Manny 还表达了对 vibe coding 的态度：Paid 用一个半月就搭出来了，其中一半是 vibe code，后来不得不扔掉。「但这就是『vibe code』的美妙之处：你可以扔掉它，然后重新快速搭建」——不调试，部署到生产环境，崩了就重来。他的原话是「你总是可以重新开始」（主持人吐槽：这对你的客户来说真是莫大的安慰）。他也由此判断 Asana、ServiceNow 这类靠协作工作流起家的公司不会再有：「现在任何人都可以凭借 vibe code，快速搭建出一个 ServiceNow。」

四、核心框架：四种付费模式与定价成熟度曲线

访谈的正片。Manny 观察到四种正在「站稳脚跟」的收费方式：

主持人追问这四档是不是一条成熟度曲线，Manny 的回答是肯定的，但补了一句「也带着一点『自己闯关』的意味，因为最终还是要看底线」。整理成阶梯：

按工作量（数活动量，卖「活」）
   ↓  摆脱纯粹为工作量付费的循环
按工作流（按完整流程收费，卖「事」）
   ↓  定义什么是工作流、它为什么重要 → 更深的价值对话
按结果（结果奖金，卖「果」）
   ↓  打开价值对齐的大门 → 一个客户一份定制合同
按智能体（岗位对标，卖「人」）
      客户动用人头预算而非工具预算

几个关键机制值得展开。

结果奖金是通往价值对齐的门票。 Manny 反复向客户推荐的不是「按结果收费」本身，而是「与其按结果收费，不如设立一个结果奖金」：如果达到了某个可衡量的特定质量的结果，就可以为此收费。「这样就为关于价值对齐的对话打开了大门。一旦你打开了价值对齐对话的大门，你就会开始与每个客户签订更多定制化的合同，而这种合同是极难被取代的。」

定制合同的时代已经到来。 主持人质疑：历史上基于价值的定价很难实施。Manny 认为 AI 彻底改变了这一点——过去要把一切塞进 SKU（库存量单位）的小盒子里，按行列数数量、算折扣，那是 CPQ（配置、定价、报价）的世界；而「如果你去看那些最大的公司，比如 ServiceNow 或 Salesforce，他们所有的大合同都是定制的」。以前做不了是因为解读合同、核算单位经济效益的成本太高，现在可以让 AI 直接问：「帮我解读这份合同，告诉我年化价值」，还能查询所有已签合同主体、了解增长和整体状况。

按智能体定价的完整算法，用 AI SDR 演示。 Manny 一直在和很多 AI SDR 公司合作导入这个概念，因为它们取代的是普通 SDR 80% 的重复性工作，而「一个全成本的 SDR 每年会花费公司大约 7 万到 9 万美元」。报价方式：

人类 SDR 全成本：70k–90k 美元/年
智能体报价：20k 美元/个 × 部署数量
             + 结果奖金（预定客户会议、成交机会）
客户侧变化：工具预算（RevOps）→ 人头预算（HR）

工作量的边界像给人类 SDR 定配额一样划定：打 X 个电话、约 X 次客户会议、转化 X 个成交客户，产出对标同一个配额。然后是那段我认为全文最重要的引文：

你可以和客户谈：「与其支付 9 万美元，不如为这个智能体支付 2 万美元，然后为预定客户会议、成交机会给我奖金。」这与雇佣人类 SDR 非常相似，而且这样一来，客户就可以动用人头预算，而不是工具预算。所以从预算来源来看，这不再属于营收运营的范畴，而是属于人力资源的范畴，后者的预算要大得多。

这就是他试图引导客户不要像给工具定价那样收费的原因：按工具收费，你只能从 CRO 那里分到一小块预算；按岗位收费，你面对的是完整的人头替代预算。

五、三个陷阱：氛围收入、同质化价格战与 BPO 反扑

陷阱一：氛围收入（vibe revenue）。 「我看到的情况是，绝大多数 AI 智能体公司目前都在做 PoC（概念验证）。PoC 看起来像是合同，看起来像是收入，但实际上，企业是把它们当作试用版购买的。」下一步是续约期，那时才能分出谁真正有粘性、谁在裸泳，「也正是在那时，真正的盈利模式才会显现」。而推动这轮洗牌的将是买方，因为「AI 在很多维度上都有风险，而按结果付费实际上降低了风险」——客户会主动要求往成熟度曲线上端迁移。

陷阱二：按量收费的同质化血战。 每个人都必须摆脱按工作量销售的模式，否则「就会有人出现说，『我能用更便宜的价格做同样的事情』」，然后你陷入一堆长得一模一样的竞争对手里，客户唯一能做的就是一个个去试、不停地换供应商。他举的现场案例还是 AI SDR：很多公司进场时按 token 或积分收费，「随后就变成了一场血战，大概有 50 家看起来差不多的同类公司」——除非能承诺「我能给你带来五个合格的客户会议机会」，或者干脆按取代人类的智能体收费，否则就会被淘汰。他同时很诚实地承认，第一年客户默认会选最容易买的方式（固定价格或按消耗量价格），「但如果确实有效，那么 AI 公司就可以和客户聊按照更有价值的方式，更合理的计费了」——爬曲线是分阶段的，不是第一天就要一步到位。

陷阱三：BPO 的反扑。 瞄准 BPO 预算的公司眼下用「比 BPO 便宜、7×24 小时在线、还积累数据」的话术进场，但 Manny 提醒这只是中间步骤：「BPO 不会坐以待毙，它们都是相对较大的公司，完全可以购买某家公司的 AI 技术并进行部署。」一旦 BPO 用内部数据微调出自己的智能体、全力以赴保卫领地，游戏会怎么走向平衡，他说他不知道答案。顺带一提，他跟波士顿咨询聊过，「他们不愿告诉我他们正在与 BPO 进行大量合作，但我感觉到了」。

六、成本端：token 会降价吗？——一组与主流相反的判断

「每个人都告诉我 token 的成本会下降，这将变成一种商品」——Manny 的第二个逆主流观点就顶在这句话上。他的论证：在需要推理的世界里，推理时计算（inference time compute）的价值正在超过训练时计算，模型要「更深层次的思考」，所以「我看不出 token 价格会如何下降」。佐证是市况：「你看每一个新模型出来，输入 token 的价格都比它们淘汰掉的模型贵六七八倍。」主持人补了一个更周全的表述——数量和价格之间的赛跑：固定工作负载的价格会随时间下降，但工作负载本身在膨胀（推理投入更多算力、处理更复杂的任务）——他完全同意长期是这样。

第二个观察他自称是自己的 a-ha moment：智能体是复合成本栈。你从文本模态起步，掌握了就想用所有其他模态——打电话、接来电、虚拟形象——「然后你就会产生并非来自 LLM 而是来自第三方 API 的成本」。看一家虚拟形象或电话智能体公司，成本大头可能是通话时长、外呼数量、形象运行时长，云成本加 LLM 成本加一堆第三方采购，「这才是推高成本的原因」。

第三个是利润黑箱：因为智能体的所有活动都要过评估框架（在 token 进入 LLM 之前充当 Agent），成本归因变得几乎不可能——「你不知道谁产生了什么成本。所以你不知道哪个客户对你来说是盈利的，哪个客户正在负面影响你的利润。你不知道哪个智能体做得好，哪个做得不好。你只能看到一个整体。」

这节的结论句几乎是宣言式的：「价值正在流向客户，而不是流向智能体业务。客户捕获了所有节省下来的价值，这种情况需要改变。」 改变的工具就是 Paid 这类平台——回到他卖铲人的身份了。

七、我的分析（整理之外的话）

7.1 四种模式本质是一条「风险与价值的转移阶梯」

把四档模式排开看，真正在移动的东西只有一个：交付风险的归属。按工作量收费，模型好不好用、有没有效，风险全在买方，所以买方只肯付商品价，卖方必然陷入价格战——无风险承诺等价于无差异化。按智能体定价，卖方几乎承担了雇佣关系里的全部交付风险（干不完配额自己吃亏），也因此才有资格去分岗位薪酬池。中间两档是过渡形态。这解释了曲线两端为什么都「名副其实」：底端最容易卖（客户零风险）也最容易被「更便宜的同款」替换；顶端最难谈，但「风险共担」本身就构成了切换成本——换掉一个按结果结算的供应商，意味着重新校准一整套验收标准。顺着这个视角，访谈里那句「买方会推动按结果付费以降低风险」也更通顺了：当买方被 PoC 烧怕了，把风险推回卖方反而是他们的理性选择。

7.2 按结果与按智能体定价，被访谈轻描淡写的落地难点

Manny 把「设立结果奖金」说得像打开一扇门，但门后有几件重活访谈基本没碰：

• 计量与归因：「合格的客户会议」「成交机会」谁说了算？销售归因本来就是公案，两套系统对不上数是常态。按结果定价的第一基建不是合同而是计量管道。
• 逆向选择：客户有动机把难做的活留给按结果付费的供应商、把肥活留给按量付费的或内部团队，卖方的期望收益会被系统性侵蚀。
• 收入质量：奖金制收入波动大，财务确认、续约预测、融资叙事都要重新设计——讽刺的是，这恰好是 Paid 的生意，立场见下一小节。
• 失败成本归属：智能体搞砸了的赔偿、兜底、连带责任，文中只在「按结果降低买方风险」处反向带过一句，真到签合同时这是律师团主战场。

这些不是否定框架，而是爬曲线前要先备好的配套：验收标准、计量口径、争议仲裁条款，一个都不能少。

7.3 把受访者的判断放回他的立场和时间点里看

两点折扣要打。其一，Paid 卖的正是定价、账单、利润这套基础设施，「定制合同时代已经到来」「利润是个黑箱」这些论断和他的商业利益严丝合缝——框架本身有价值，但叙事被选择性强化是肯定的。其二，「token 单价不会降」发布于 2025-05，此后一年多里同能力档位的推理价格整体呈下行趋势，单看这段预测不算准；不过主持人和他共同补上的「数量与价格的赛跑」（单价降、工作负载涨得更快）更接近实况，而这恰好反过来支持他的核心论点：只要工作负载在膨胀，按量计费就永远算不平账，必须往价值端爬。另外，文末「更多阅读」里第一条《红杉 AI 峰会闭门 6 小时，150 位创始人共识浮现：AI 不再卖工具，而是卖收益》正是同一主题的后续——半年之后，「怎么定价」在红杉系内沉淀成了「卖收益」的共识，这条思想脉络可以连起来读。

7.4 给做 Agent 产品的团队的实操启示

• 第一天就为爬梯子留接口：第一份合同按客户最容易买的方式（固定价、消耗量）拿到手没问题，但计量单位要从底层设计成可聚合的——token 能聚合成工作流，工作流能聚合成结果指标，否则后面每次爬梯都是一次数据迁移。
• 想清楚你的钱进对方哪个预算科目：工具预算还是人头预算，直接决定天花板。这是全文最值得抄走的一问。
• 定价是故事的一部分：访谈里引了 Seth Godin——「如果故事变了、价格却没变，那故事最终还是一样」。Sierra 在官网不公开价格，先跟每个客户聊出唯一在乎的指标（解决时长、CSAT、NPS），再围绕它搭一个「结果函数」，「这与机器学习里的目标函数一样：先设定目标，然后不断迭代直到达成」。
• 收窄 ICP，忽略 TAM：Manny 复盘 Outreach 的教训是「我可以卖给所有人，但这实际上让问题变得更糟」；他给 AI 创始人的唯一建议也是这条——「只要你提供卓越的体验，小 TAM 也会变成大 TAM」。

八、快问快答与出处

访谈结尾的快问快答，顺路记录：

• 创始人偶像：Jeff Bezos（「他是我生命中一位重要的创始人」）、Pendo 的 Todd Olson、Sam Altman（「有规律地推动创新并且在世界上扮演一个善于展示的人」）、Stripe 的 Collison 兄弟。
• 每个 AI 创始人必读：Chris Manning 的统计自然语言处理「很老的书」——编译稿没给书名，按描述应为《Foundations of Statistical Natural Language Processing》（Manning & Schütze，1999，斯坦福 NLP 课程曾经的必读物，此为我的推断）。他的理由很有意思：不懂马尔可夫链和下一个词预测的起源，「我不知道你是否能理解它的走向」。
• 模型正在商品化吗：「不，还没。在推理的世界里还没有。我认为我们才刚刚触及这个领域潜力的皮毛。」
• AGI 时间表：「我认为它在某种程度上已经在这里了，只是以一种未被充分利用的方式存在……我认为它就在三号门后面之类的（意指近在咫尺）。」
• 最乐观的未来：「它是人类想象力的脚手架……这有点像有人把你扛在肩上，突然之间你就能看得更远、更久。」
• 给 AI 创始人的一条建议：「保持专注于非常狭窄的客户群体。不要担心 TAM。忽略风投关于寻找尽量大的大 TAM 的建议。」

出处：

• 原文：Founder Park《Agent 产品如何定价？一文说清 AI 产品的四种付费模式》（微信公众号，2025-05-12 19:39 发布）：mp.weixin.qq.com/s/KKrHIs5o9UiAwzLPqGZ9yQ
• 源头：红杉资本 Training Data 播客对 Manny Medina 的访谈（英文），Founder Park 编译。
• 文中提及公司均为访谈原文口径，未做额外核实；第七节为我的个人观点。