按使用量计费重塑 AI 云市场

Google News 展示了 Cloud Wars 的一个鲜明观点：按使用量计费正在重塑 AI 供应商争夺企业支出的方式。

这一转变以与 token、请求次数、计算时间或已完成工作量挂钩的浮动机制，取代了软件行业中一种可预测的传统假设。它让供应商能够收回服务高强度 AI 工作负载的成本，同时也将更多预测风险转移给客户。

这种张力之所以重要，是因为 AI 智能体的行为并不像普通软件用户。它们可以持续工作、调用多个模型、检索文档、使用工具，并重试失败的任务。一家公司可以减少员工数量，却不减少软件消耗量。

云计算行业此前已经见过这种模式。Amazon Web Services、Microsoft Azure 和 Google Cloud 都围绕按量计费的基础设施建立了业务。如今，AI 供应商正将这一逻辑从服务器和存储扩展到日常软件。

结果并非按需付费定价的简单胜利，而是供应商经济效益与客户可预测性之间的一场较量。计量活动最多的公司，并不必然提供最多价值。

Google News 标题实际传递的信号

真正重要的变化并非某一项计费公告，而是 AI 平台、软件供应商和云服务商正围绕按量使用计费趋于一致。

Google News 的标题指向的是一场行业转型，而不是一次孤立的产品发布。AI 公司越来越多地根据客户消耗的资源收费。这些资源可能包括输入 token、生成 token、模型调用次数、图像、处理时间或预留推理容量。

Token 是语言模型处理或生成的一小段数据单位。因此，token 计费将收入与模型活动的规模和复杂度直接关联。

这种关联解决了供应商面临的真实问题。传统软件订阅通常假设，服务一名额外用户的增量成本相对较低。生成式 AI 改变了这一计算方式，因为每一次提示、响应、检索和智能体操作都可能消耗计算资源。

Anthropic 的企业文档说明了正在形成的混合模式。其基于使用量的企业安排将用户访问与根据实际 token 消耗收取的额外费用相结合。该公司表示，这类消耗通常依照其标准应用程序编程接口费率计量。

这种结构保留了熟悉的账户关系，同时避免无限制的模型活动演变为供应商无上限的支出。它也意味着，客户即使未增加员工，成本仍可能上升。

云平台已经提供了同一取舍的多种版本。客户可以在需求不确定时使用按量推理，为稳定工作负载预留容量，或结合两种方式。

Microsoft 通过基于 token 的部署和预配吞吐量说明了这种区别。预配吞吐量会预留模型处理能力，并按已部署的容量计费，即使客户没有完全使用这些容量。该公司的计费指南将这一模式定位为纯 token 消耗之外的替代方案。

Amazon Bedrock 提供了类似选择，可在按需推理与专用吞吐量之间进行取舍。其吞吐量文档解释称，客户可以在固定期限内预留模型容量，而不必完全依赖由请求驱动的访问方式。

这些选项揭示了市场的真实形态。按使用量计费正成为默认入口，但大型工作负载往往会转向承诺额度和预留容量。

这一演进与早期云计算周期相似。客户最初看重只为实际使用量付费的自由；当工作负载变得不可或缺后，他们便以部分灵活性换取容量保障和更可预测的经济效益。

AI 又增加了一层复杂性，因为其使用量单位更难解读。虚拟机小时描述的是一种基础设施资源，而一百万个已处理 token 几乎无法说明员工是否获得了有用的答案。

在智能体系统中，这种错配会更加明显。智能体可能在规划、搜索、检查工作以及从错误中恢复时消耗 token，而最终结果可能只是解决了一起支持案例，或更新了一个软件组件。

因此，客户需要两类记录：第一类衡量技术消耗；第二类将这些活动与业务结果关联起来。

缺少其中任何一类，即使发票足够详细，问责效果仍可能很弱。它可以准确展示组织消耗了什么，却无法说明这些消耗是否值得。

为什么 AI 供应商正超越按席位软件模式

当软件能够独立于登录人数完成工作时，按席位定价便会失去效力。

传统订阅软件通常随员工人数扩张。企业招聘更多员工、配置更多账户，并为更多席位付费。收入随客户的员工规模增长。

AI 智能体打破了这种关系。一名员工可以发起数百项自动化任务，而无人值守的工作流可以在所有人离开办公室后继续运行。一个小团队产生的模型活动，可能比使用传统软件的大型团队更多。

这给供应商带来一道棘手的方程式。两家计算需求差异巨大的客户，可能带来相近的固定订阅收入。除非供应商限制访问、提高订阅价格或引入按使用量收费，否则重度用户的盈利能力会更低。

基于使用量的计费提供了直接回应。供应商记录模型活动，并按照消耗量收费。收入便会随客户带来的基础设施负担同步上升。

行业研究表明，这一模式在当前 AI 智能体浪潮之前便已扩展。McKinsey 报告称，2015 年至 2024 年间，采用按使用量模式的软件公司数量增长了一倍以上。其AI 软件分析将 Salesforce、Zendesk、Intercom 和 LexisNexis 列为通过面向消耗量的结构实现 AI 商业化的公司。

这项变化不只是以 token 替代席位。供应商正在测试多种计量单位，因为没有任何单一技术单位能代表每一种应用中的价值。

写作助手可以统计生成的文本；客户服务平台可以统计自动解决的问题；开发者工具可以衡量模型请求或已完成任务；图像平台可以按生成次数、处理时间或积分计量。

基于结果的计费试图缩小消耗与价值之间的距离。在这种模式下，客户仅在系统产出约定结果时付费。对于企业买家而言，一次已解决的支持互动比包含多类 token 的发票更容易评估。

不过，结果计费也会引发自身的争议。买方和供应商必须就何为已完成结果达成一致，还需要为重新开启的案例、低质量输出、客户错误以及需要人工修正的任务制定规则。

Token 计费在技术上更简单，因为模型服务已经会统计 token。它不要求双方认定这项工作是否具有价值。

这种简洁性使 token 计费对基础设施供应商颇具吸引力。但对于成品业务应用而言，这种方式说服力较弱，因为客户期待供应商管理技术复杂性。

一家将原始模型成本暴露给每位客户的软件公司，实际上是将其基础设施架构变成了商业指标。低效提示、不必要的上下文和重复的模型调用，随后都可能出现在客户的发票上。

这种安排可能削弱供应商减少使用量的动力。如果更多计算带来更多收入，效率与收入便不再朝同一方向发展。

竞争可以抵消这种压力。能够以更少资源完成同一任务的供应商，可以提供更好的可预测性或保留更高利润率。买方也可以比较完成一项工作流的总成本，而非仅比较 token 单价。

最具持久性的定价体系很可能仍将是混合模式。基础承诺额度可以支持访问、管理、安全性和可预测的服务容量；按使用量收费则可以覆盖异常密集的工作负载。

Deloitte 对AI 软件经济学的分析称，按使用量定价正日益普遍，但可预测性较低。该机构还指出，随着智能体使用增长，计量、计费、可观测性和财务合规必须变得更加即时。

这种运营负担很容易被低估。使用数据必须从应用程序流转至计量系统、定价引擎、发票、会计系统和客户仪表板。每一次转换都可能引发争议。

供应商还必须决定何时记录使用量。失败请求、重试、缓存输入、后台推理和委托工具调用，都会影响总量。

因此，计费模型也是产品架构的一部分。它决定开发者会优化哪些操作、客户会限制哪些行为，以及销售团队会承诺哪些结果。

云端 AI 计费让超大规模云服务商重回中心

按使用量定价强化了云服务商的地位，因为它们控制着 AI 市场大部分环节底层的基础设施计量单位。

AI 应用可能将自己呈现为独立的软件产品，但其中许多依赖超大规模云服务商提供模型访问、数据存储、网络和计算容量。每一层都可能形成独立的使用量记录。

一次智能体请求可能从存储中检索文档、搜索向量数据库、调用多个语言模型、执行代码并记录其活动。客户看到的是一项任务，而基础设施栈看到的是一连串可计费操作。

这一链条赋予 Amazon、Microsoft 和 Google 多项战略优势。它们早已运营成熟的计费系统、企业合同、身份控制和成本管理工具，并且可以将模型访问捆绑到客户用于其他基础设施的既有关系中。

云服务商还可以提供多种经济模式。按量推理服务于不确定的需求；预留容量服务于可预测的工作负载；批处理则服务于不需要即时响应的弹性工作。

Google Cloud 修订后的支出承诺展示了行业如何融合按使用量计费与合同可预测性。该公司的FinOps 说明描述了一种转变：基于消耗模式提供直接折扣价格。

承诺额度并不会消除使用量计量，而是在其周围划定商业边界。客户同意消耗规定数量的资源，供应商则获得收入可见性和基础设施规划信心。

这种平衡正是云战争的核心。供应商希望工作负载随着 AI 采用而增长，但也需要客户在每一单位需求完全确定之前作出承诺。

模型公司也面临类似的选择：可以直接销售访问权限、通过云市场分销，或同时采用两种渠道。对于已有云服务承诺的客户而言，市场可以简化采购流程。

但同一个市场也可能削弱模型公司与客户之间的直接商业关系。云服务商控制账单、折扣框架以及部分客户体验。

大型软件供应商还有另一项优势：它们可以将部分 AI 消耗隐藏在更广泛的合同中，或提供买家熟悉的额度。较小的 AI 公司往往缺乏足够的产品收入，难以吸收不可预测的推理需求。

这种差距会影响产品设计。初创公司可能设置严格限制、优先使用较小模型，或将任务路由至不同供应商。大型平台则可以利用承诺、内部基础设施或产品组合经济效益，支持更广泛的使用场景。

按消耗量计费也让模型路由在商业层面变得重要。路由会根据任务预期的质量、速度和资源需求，为每项任务选择模型。

简单的分类任务并不总是需要能力最强的模型。应用可以将高能力系统留给复杂工作，同时让较小模型处理常规请求。

提示词缓存提供了另一项杠杆。它允许供应商复用此前已处理的上下文，而不是再次处理相同材料。当大量请求共享指令或文档时，这可以减少重复工作。

对于不要求即时结果的任务，批处理可以降低资源压力。当流量保持稳定时，预置容量可以提升可预测性。

每种技术都会在不改变可见用户界面的情况下改变经济性。因此，买家必须评估 AI 功能背后的架构，而不只是其宣传的计费单位。

令牌单价最低的供应商不一定能提供最低的工作流成本。一个需要更多重试、更长提示词或额外验证的模型，整体上可能消耗更多资源。

质量失败也会带来模型账单之外的成本。员工必须检查不可靠的输出、修正错误并重复被中断的工作。这些活动很少会出现在 AI 用量仪表盘中。

因此，云端竞争将超越基准测试分数。供应商必须证明，其模型、基础设施和成本控制措施能在真实工作负载下产生可靠结果。

Google News 的报道可以吸引人们关注头条层面的变化，但企业决策将取决于这些更为低调的细节。计费粒度、容量保障、路由控制和可审计性，将决定哪个平台能够获得持续使用。

可预测性问题仍未解决

按消耗量计费可以让单笔费用更透明，却可能让总预算更难预测。

企业可以估算一次模型调用的成本，却仍无法预测年度 AI 支出。缺失的变量是行为。

当工具变得有用后，员工会改变使用频率。产品团队会将 AI 功能加入更多工作流。智能体会产生不对应于活跃人工会话的后台活动。

当供应商更新模型时，需求也可能发生变化。新版本可能以不同方式使用上下文、生成更长的回复，或鼓励客户自动化更复杂的任务。

结果是一个包含多项相互作用变量的预测难题。财务团队必须估算采用率、任务频率、输入规模、输出规模、模型选择、重试次数以及未来产品变化。

技术效率并不保证总账单更低。较低的单位消耗会让先前不具经济性的任务变得可负担。随后，组织会自动化更多工作，导致总需求上升。

这一模式类似于其他技术中出现的反弹效应。效率降低了一项活动的成本，从而鼓励更多使用。客户在每项任务上的支出更少，但完成的任务数量大幅增加。

AI 智能体会加剧这种可能性，因为它们可以发起子任务。一个研究智能体可能搜索多个来源、比较论断、生成草稿、核查引用并修改结果。

每一步都可能提升质量，也都可能产生额外消耗。

买家需要在账单到来前就能发挥作用的控制机制。预算、配额、告警、模型路由策略和任务级限制，可以防止有缺陷的工作流无限消耗资源。

他们还需要归因能力。每次模型调用都应映射到用户、应用、客户或业务流程。否则，组织只能看到总用量，却无法识别由谁造成。

成本分摊会将技术支出分配给应对其负责的业务部门。成本展示则报告相同信息，但不实际转移费用。这两种做法都能帮助团队将使用量与责任主体联系起来。

FinOps，即跨财务、工程和业务团队管理可变云支出的学科，为此提供了有用基础。AI 引入了新的计量单位，但问责问题并不陌生。

然而，传统云工具通常围绕账户、服务和基础设施资源来组织支出。AI 负责人还需要理解任务、模型、提示词和结果。

一个智能体可能在一次工作流中跨越多项服务。如果这些费用仍然彼此分离，团队就可能低估该任务的总成本。

标准化计费数据可以改善这一流程，但标准化本身并不能建立价值。一条技术上准确的成本记录仍需要业务背景。

在接受按消耗量计费条款前，客户应直接向供应商提出几个问题：

• 哪些确切事件会产生可计费单位？

• 未成功的尝试、重试或缓存输入是否计入？

• 管理员能否设置硬性支出上限？

• 用量多久会显示在仪表盘中？

• 能否在用户和工作流层级导出记录？

• 模型变更会如何影响消耗？

• 供应商能否将一条账单项目追溯至一项业务任务？

• 当自动化流程进入循环时会发生什么？

这些并非采购细节。它们决定了企业能否安全地将 AI 扩展到受控实验之外。

供应商也需要让其计量方式易于理解。积分可以简化界面，却可能掩盖技术用量与最终费用之间的关系。

当不同模型或功能的兑换比例不同时，积分体系会变得难以评估。客户或许知道还剩多少积分，却不知道这些积分能支持多少工作。

PwC 认为，计费透明度、预测、告警和面向客户的回报衡量，是可信按消耗量模式的必要条件。其定价分析指出，使用指标应与客户成果直接相关。

这种相关性正是尚未解决的问题。令牌描述的是模型活动，并不衡量准确性、客户满意度、已完成收入或节省的时间。

结果指标听起来更好，但它们需要双方都信任的定义。客服智能体可能错误地结案；编程智能体可能完成一项后来引入缺陷的变更。

最稳妥的合同可能会结合技术与业务指标。技术消耗可以决定账单的浮动部分，服务质量、错误率和成功结果则可以决定积分补偿或商业保障。

客户也应保留将工作路由至其他地方的能力。结合专有模型、不透明积分和有限导出控制的平台，可能造成经济锁定。

更换供应商并不总能解决问题。提示词、评估数据、安全审查和工作流集成可能很难迁移。计费单位或许可移植，但应用本身未必如此。

开放模型和本地推理提供了另一种缓冲方案。对于稳定、高容量的任务或需要更严格控制的工作负载，它们可能是合理选择；但也会引入硬件、人员、维护和利用率风险。

预留云容量则提供了一条中间路径：在不要求客户运营每一层基础设施的前提下，提升可预测性。

Microsoft 明确区分预留模型容量和令牌消耗。这种做法表明，AI 经济模式不会走向单一通用计量表，而是正在形成由用量、容量和承诺选择构成的组合。

这种复杂性有利于经验丰富的云服务买家。较小组织可能缺少专职成本工程师或采购团队，因此它们需要更清晰的产品级限制，而不是另一门专业财务学科。

对知识工作者而言，这个问题以更个人化的形式出现：如果每次操作都显得昂贵或受到严密监控，员工可能会犹豫是否使用 AI 工具。

组织需要制定政策，既鼓励有价值的使用，也抑制浪费。当员工需要从自身文档中获取上下文时，可搜索的个人知识库可以减少重复检索工作。

目标不应是尽可能低的令牌数量，而应是以最低的可靠成本获得有用结果。

三个信号将决定云端战争的下一阶段

胜出的计费模式将使 AI 支出对技术团队和财务负责人都可衡量、可治理且可辩护。

第一个信号是混合合同的普及。关注是否有更多供应商将基础承诺与计量用量、预留容量结合起来。这将证实，纯订阅模式无法支撑高强度 AI 工作负载。

这也将表明，纯按需付费对核心企业系统而言过于不可预测。承诺给予供应商规划确定性，而用量组成部分则保留了与需求的联系。

第二个信号是供应商呈现在客户面前的计费单位。令牌定价对开发者和基础设施团队仍将十分重要。业务买家则会推动采用与已完成任务、解决事项、文档或其他可观察结果相关联的单位。

向结果计量表的转变，将强化“AI 软件正在成为一种数字劳动力形式”的论点；同时削弱那些只是将基础设施活动转嫁给客户的供应商立场。

第三个信号是成本治理是否进入产品本身。买家应关注实时限制、工作流归因、模型路由规则、异常检测和可解释账单。

这些控制必须在支出发生前发挥作用。一份详细的月度报告无法阻止一个数周前就已耗尽预算的失控智能体。

云服务商拥有早期优势，因为它们已经在管理可变的基础设施支出。不过，AI 原生供应商可以通过让用量与价值之间的关系更易理解来竞争。

下一场云端竞争将在这里展开。模型质量仍然重要，但买家还需要控制模型做什么、行动频率以及哪种结果足以证明费用合理。

当 AI 智能体从可选助手进入持续运行的业务流程时，按消耗量模式将面临最严峻的考验。客户将不再容忍不清晰的计量单位或薄弱的支出控制。

Google News 已凸显这一转变，但决定性证据将来自账单、续约谈判和生产部署。买家现在就应开始衡量每个已完成工作流的成本。

应询问每项自动化任务是否节省时间、提升质量或创造可衡量的业务价值，然后在不同供应商、模型和部署方式之间比较这一结果。

按用量计费并不天然更公平，也不必然更昂贵。它意味着责任的转移。供应商必须提供可信赖的计量指标，客户则必须将这些指标与实际成果联系起来。

能够同时解决这两方面问题的公司，将塑造 AI 竞争的下一阶段。那些对一切都进行计量、却无法说明价值的公司，将招致更严格的使用限制、替代模型，以及更严苛的采购审查。