Salesforce AI 定价打破 SaaS 按席位计费的承诺

Salesforce AI 定价如今按操作、对话或用户量计费，暴露出一个曾被可预测的软件订阅模式掩盖的矛盾。AI 智能体无需增加员工便可完成工作，而每一次模型调用都会产生可变的计算成本。这种组合削弱了客户员工数量、软件价值与供应商收入之间的关联。

这一变化之所以重要，是因为按席位订阅曾为软件公司带来异常清晰的经常性收入。客户可根据员工数量预测支出，投资者则可据此估算续约和扩张情况。AI 智能体打破了这两种计算方式：它们能够增加有效活动，同时可能减少人类用户数量。

Salesforce 并未放弃订阅模式，软件即服务行业也不会消失。相反，Salesforce、Microsoft、HubSpot、Intercom 和其他供应商正在同时测试多种计费指标。由此形成的市场预测性更低，即便软件完成的工作更多也是如此。

Salesforce AI 定价如今跟随工作量变化

Salesforce AI 定价不再假定单个人类用户是最清晰的软件价值衡量单位。

该公司目前针对 Agentforce，同时提供基于消耗量的选项和按用户授权方案。其消耗计费系统采用 Flex Credits，将不同提示词和智能体操作转换为统一的计费单位。面向客户的部分使用场景仍可采用按对话计费的安排。

Salesforce 表示，自主智能体可以进行推理、调用工具、更新记录并完成多步骤工作流。根据其 Flex Credits 模型，每项操作都可能构成一次可计费操作。撰写或总结等较简单的嵌入式功能，则可按提示词计量。

这种结构反映了一个实际问题。客户服务智能体可能需要验证购物者身份、检索订单、核查履约数据并准备回复。因此，一次可见的对话可能包含多项操作，每项操作对基础设施的要求各不相同。

人类席位许可证会将这些差异压缩为一项经常性收费。当员工仍是主要操作方、软件成本变化缓慢时，这种方式行之有效。但当自主系统能够持续运行、分支出额外步骤并调用多个模型时，情况就会变得更复杂。

Salesforce 尚未为按席位计费选定一种通用替代方案。它提供不同的计费指标，是因为员工辅助、客户支持和自主执行所形成的活动与价值关系并不相同。这种多样性表明转型尚未稳定，而非定价公式已经完成。

该公司还提供用于跟踪消耗情况的数字钱包。客户可以监控积分使用量、审查趋势，并在活动超出预期前设置提醒。这些控制措施承认，可变计费比固定席位数需要更多运营层面的关注。

AI 也改变了成本端。传统 SaaS 供应商通常只需以相对较低的增量基础设施费用服务另一名用户。生成式 AI 则会在模型处理上下文、生成回答或选择另一项工具时产生推理成本。

一个智能体在处理同一请求时可能多次重复这些操作。软件供应商要么自行承担这项可变支出，要么将其中一部分转嫁给客户。当原本相似的账户之间用量差异显著时，固定订阅模式可能变得缺乏吸引力。

Axios 报道的 9 月 11 日定价转变，因此远不只是一次产品打包调整。它改变了客户、供应商和投资者理解经常性收入的方式。旧指标统计的是访问权限，而新兴指标统计的是活动量或已完成的工作。

这一变化并不意味着席位许可证失去价值。人类用户仍需要仪表盘、审批、管理控制和协作功能。因此，许多企业仍会保留基础订阅，同时增加可变的智能体组件。

这种混合安排为供应商提供了稳定的收入下限，也将增量收入与 AI 使用量增长联系起来。然而对客户而言，这增加了一个采购和财务团队必须预测的计费指标。

眼前发生的并非 SaaS 的消亡，而是一种清晰关系的消失：过去，更多员工意味着更多席位，更多席位意味着更多经常性收入。AI 智能体如今可以扩大产出，而无需维持这一等式。

为何按席位 SaaS 定价承受压力

当软件开始执行劳动，而不只是帮助员工完成劳动时，按席位模式便会弱化。

当访问权限与价值紧密对应时，席位可作为定价单位。销售代表使用客户关系管理平台，会计使用财务软件，工程师使用开发工具。随着团队壮大，客户会购买更多账户。

AI 智能体形成了不同的模式。一名员工可以指挥多个智能体，而一个智能体可以服务整个部门。即便人类登录数量持平或下降，客户仍可能获得更多已完成的工作。

这是 SaaS 供应商面临的核心逆转。成功的自动化可能减少过去支撑扩张收入的用户数量。节省人力的产品本应创造客户价值，但基于席位的合同可能阻碍供应商分享这种价值。

当智能体处理日常活动时，客户也会更积极地质疑闲置许可证。所谓“货架软件”是指员工很少使用却已购买的容量。当自动化工作流能够让更少的操作人员集中处理工作时，企业更没有理由容忍这种浪费。

McKinsey 考察了 150 家全球供应商的定价模式，并访谈了 50 多家推出 AI 产品的公司。其供应商研究发现，AI 原生公司对按用户订阅的依赖程度已低于成熟供应商。

在受研究的公司中，平台费用是 44% AI 原生供应商采用的主要订阅模式。只有 22% 主要采用按用户订阅。传统软件公司则呈现相反模式，其中 78% 以按用户定价为核心。

这些数字并不能证明每个软件类别都会放弃席位。协作工具仍可从广泛的员工参与中获得价值。管理系统也仍需要具名用户，以实现安全、问责和权限管理。

但这些数字表明，公司访问费和消耗量计费正在成为可信的替代选择。它们将收入与打开产品的人数分离。当智能体通过应用程序编程接口而非图形界面完成工作时，这种分离便体现出价值。

随着这种变化发生，投资者必须重新审视熟悉的估值假设。年度合同仍能带来经常性收入，但消耗量会为每个账户引入更多波动。扩张取决于工作负载增长，而不只是招聘或部门推广。

AI 支出带来了另一项不确定性。模型使用、检索、工具调用和数据处理都会提高服务活跃客户的成本。因此，毛利率可能随工作负载构成、模型选择和智能体行为而变化。

供应商可能从短小、可重复的任务中获得可观利润率。但当智能体处理大型文档或重试困难工作流时，同一份合同的吸引力可能下降。平均席位经济效益无法揭示这种差异。

买方面临的是这一问题的镜像。他们获得了支出与活动之间更紧密的联系，却失去了按员工人数计数的简单性。财务团队必须模拟智能体运行频率，以及其任务复杂度如何演变。

采购团队也会要求更清晰的定义。供应商必须解释何为操作、对话、解决方案或积分。客户需要知道失败尝试、重试、升级处理和测试活动是否会消耗其额度。

这使遥测数据成为商业产品的一部分。用量仪表盘、支出上限和审计记录不再是可有可无的管理附加项。它们决定客户是否信任账单，以及能否在内部为其辩护。

这种压力不止存在于采购环节。产品团队必须设计可计量单位，工程团队必须记录它们，销售团队必须解释它们。随后，财务部门再将不断变化的消耗量转化为收入预测。

按席位定价将这些职能打包进一份简单合同。AI 用量则将它们拆分开来。行业如今需要既易于理解、又能反映工作量、价值和计算费用的计费指标。

基于用量的定价解决一个问题，又带来另一个问题

基于用量的定价使收入与活动相匹配，但它将预测风险从供应商转移给了买方。

消耗量计费看似公平，因为组织使用得越多，支付得越多。这一原则适合执行可变数量任务的智能体，也能保护供应商免于承担无限的模型和基础设施成本。

困难在于选择统计什么。Token 衡量模型读取和生成的文本片段。它们与计算费用密切相关，但对大多数企业买家几乎没有直观意义。

操作则更容易与工作流活动建立联系。但一次操作可能只是更新一个字段，另一次却可能搜索多个系统并生成详细回复。单一标签可能掩盖工作量和价值上的巨大差异。

积分为供应商提供了跨多项服务的通用核算层。它们可以为提示词、智能体操作、翻译或语音活动分配不同的积分权重。客户获得的是一个统一余额，但要理解其消耗速度，仍可能需要细致监控。

Microsoft 已针对若干智能体体验采用这种方式。其文档将 Copilot Credits 描述为支持工作负载中按用量计费的单位。管理员可通过 Copilot 积分控制获得预算、支出政策、使用报告、提醒和硬性上限。

这些控制措施揭示了买方真正的需求。企业需要的不仅是一个计费单位，还需要能够将智能体、用户、部门和任务与相应消耗量关联起来的治理机制。

缺乏这种可见性时，试验可能带来意外账单。成功推广产生的活动增长速度，可能远快于员工人数曾经的增长速度。自主工作流也可能在人停止关注后继续消耗资源。

硬性上限能够降低财务风险，但也会引入运营风险。在需求激增期间达到限额的客户支持智能体，可能恰好在客户最需要它时停止运行。宽松的上限能保护业务连续性，却会削弱成本确定性。

模型路由提供了一种应对方式。较简单的任务可使用较小的模型，困难请求则使用能力更强的系统。缓存重复上下文、减少不必要的提示词历史，也能限制消耗量。

这些技术让软件架构成为定价策略的一部分。两家供应商可以提供相似的界面，却承担截然不同的推理成本。采用高效路由的供应商可以提供更可预测的容量，或维持更强的利润率。

买家很少能够完整了解这些内部决策。他们可能看到积分从账户余额中扣除，却不知道每个步骤由哪个模型处理。因此，透明的用量记录比一份精美的 AI 功能清单更重要。

混合定价试图平衡这些相互竞争的需求。基础订阅提供访问权限、支持、安全性和可预测的收入。用量层则覆盖超出包含容量的代理活动。

HubSpot 在通过积分扩展 Breeze Customer Agent 时，曾公开说明这一方向。其混合定价策略将订阅席位、包含容量与额外积分消耗相结合。该公司表示，在用量和结果趋于稳定后，将考虑对其他 AI 代理采取类似做法。

这种推进顺序提供了一个有益的经验。供应商需要先掌握实际行为的证据，再确定长期有效的计量单位。过早定价可能会让收入绑定于客户后来不接受的技术指标。

这也可能抑制产品采用。当每一次提示似乎都会减少可见余额时，员工会减少尝试。部门可能将代理保留给狭窄的任务，从而阻碍供应商了解产品究竟在哪些场景创造价值。

无限访问鼓励探索，但会让提供商面临重度使用的风险。按用量计费保护了提供商，却可能引发客户焦虑。没有任何一种计量方式能够消除这种权衡。

Salesforce 的 AI 定价体现了这种折中。该公司为可预测的员工访问提供用户许可证，也为波动较大的代理工作提供按用量付费选项。这种灵活性可以帮助不同客户，但也使比较和采购变得更复杂。

其结果更像云基础设施采购，而非传统 SaaS。客户必须估算工作负载、监控利用率并管理限额。软件买家日益需要那些过去主要属于云运营团队的技能。

这并不意味着 Token 计费会成为每种 AI 产品的公开面貌。技术资源单位通常离商业价值太远。供应商仍会将其转换为操作、积分、任务或容量包。

可持续的模式会使这种转换清晰易懂。客户必须了解什么行为会产生支出，供应商则必须收回其可变成本。只满足其中一方的定价单位无法保持稳定。

基于结果的 AI 定价存在衡量难题

按结果收费听起来最接近价值，但每份合同都必须界定谁应当因这一结果获得认可。

基于结果的定价要求客户在软件完成一项有价值的工作时付费。支持代理可以按已解决的对话衡量；销售代理则可以按合格线索或完成的研究衡量。

这种结构改善了商业叙事。客户并非仅仅因为 AI 尝试做了某件事而付费。供应商只有在系统达成约定结果时才能获得收入。

Intercom 为其 Fin AI Agent 采用了这种方法。其公开的结果规则区分了成功解决、已配置的转交，以及失败流程或直接升级。该公司表示，在一段对话中最多只收费一次。

这听起来比 Token 消耗更清晰。支持负责人比起提示次数，更容易理解一个已解决的案例。该单位也更接近客户希望获得的商业价值。

然而，这种表面上的简单依赖于详细的定义。是 AI 解决了问题，还是客户只是停止回复？当代理收集了信息、但由人工完成工作时，转交是否应计入结果？

答案既影响账单，也影响产品指标。供应商有动力将更多互动归类为成功。客户则有动力质疑那些产生不完整或低质量答案的案例。

复杂工作流会引发更棘手的归因争议。销售代理可以识别潜在客户、补充联系人数据、起草外联内容并安排会议。最终交易还可能取决于品牌认知、定价、人工谈判和市场条件。

针对已完成的销售收费最符合最终价值，但软件并不控制所有促成因素。针对外联收费更容易衡量，却奖励活动而非质量。针对合格线索收费则处于两者之间。

McKinsey 在其行业研究中报告了一个颇具启示性的案例。一家 AI 原生销售供应商同时提供基于活动和基于结果的安排。90% 的客户选择了基于活动的定价，因为在谈判期间，支出预测和资格定义变得困难。

这一结果挑战了一种流行假设。买家并不总是选择最接近经济价值的指标。当某个不那么完美的单位能带来更清晰的预算和更少的合同争议时，他们可能会更偏好它。

结果定价也改变了供应商的风险。当只有已完成的结果能够产生收入时，提供商需要承担未成功尝试的成本。这可以促进更好的产品，但困难的客户环境可能导致不公平的比较。

糟糕的数据、不完整的集成或限制性政策都会降低代理的成功率。即使失败由客户的配置引起，供应商仍可能承担费用。因此，合同需要针对前提条件、例外情况和共同责任制定规则。

质量带来了另一个问题。一项解决方案在技术上可能已经完成，却仍让客户不满意。一条线索可能符合正式标准，却几乎没有商业潜力。二元计费事件无法捕捉价值的每一个维度。

因此，企业需要可审计的证据。客户应能够查看互动记录、代理采取的行动、最终状态以及任何人工干预。在自动化达到大规模之前，必须先建立争议处理程序。

这就是为什么结果定价不只是修改结账页面。供应商需要评估系统、面向客户的遥测数据、内部审核工具和一致的定义。销售和法务团队必须在部署前解释这些定义。

代理也可能会针对指标改变行为。一个以解决率为目标优化的系统，可能会避免本应进行的升级处理。一个因合格线索获得奖励的销售代理，可能偏向宽松的资格标准。

人类组织早已在绩效目标中面对这一问题。AI 使这类行为更容易快速扩展。因此，不良激励可能在任何人修订规则之前，就产生数千个低质量结果。

结果计费仍然适合边界明确的工作流。客户支持、文档处理和标准化验证可以产生可观察的完成状态。开放式研究或战略工作则缺少清晰的结束点。

审慎的结论并不是结果定价会失败，而是该模式只有在成功能够被及时归因且可自动验证时才有效。许多企业任务尚未同时满足这三个条件。

因此，基于用量和基于结果的定价将会并存。用量适合供应商能够稳定计量的可变计算工作。结果适合客户与提供商能够就成功达成共识的标准化任务。

按席位合同仍会与它们并存，用于人工访问和协作。短期市场将包含更多计量单位，而非一个通用的继任者。这种复杂性正是匹配不同形式 AI 工作的代价。

下一轮 SaaS 财报周期必须展现什么

胜出的模式将把 AI 采用与可持续收入联系起来，同时不会让客户预算或供应商利润率变得无法预测。

第一个需要关注的信号，是主要软件公司财报中披露的 AI 消耗情况。供应商需要展示客户是否从试用转向持续性的生产工作负载。仅凭合同公告无法证明这一模式。

投资者应寻找部署后消耗增长、同时不会产生严重收入波动的证据。他们还应将 AI 收入增长与基础设施支出进行比较。当服务成本同样快速上升时，使用量增长的重要性就会降低。

毛利率相关评论尤其值得关注。AI 代理比传统软件功能执行更多推理和工具调用。供应商必须证明，路由、模型选择、缓存和定价能够随着时间推移抵消这些支出。

第二个信号是定价简化。Salesforce、Microsoft 及其竞争对手目前提供相互重叠的席位、积分、操作、容量和结果单位。客户将通过续约行为揭示哪些计量单位能够存续。

一个稳定的模式应在经历数个合同周期后变得更容易解释。定义应趋于一致，监控应得到改善，例外情况应减少。持续的复杂性将表明，供应商仍未找到受信任的价值衡量方式。

续约将提供比新销售更好的证据。客户可以在有限试点期间接受陌生条款。但在观察真实消耗模式并将账单与商业结果进行比较后，要求会变得更高。

关注买家是扩大承诺、施加更严格的上限，还是回归可预测的许可证。扩大承诺将强化按消耗定价的理由。转向固定访问则表明，预算确定性仍然比精确的用量匹配更重要。

第三个信号是结果验证的质量。支持平台提供了早期试验场，因为对话会产生可观察的状态。其争议率、升级模式和客户留存情况可以表明，自动化成功指标是否仍然可信。

供应商必须披露足够的信息，让客户能够审计结果。黑箱式的解决标签无法支撑长期信任。底层记录应显示代理做了什么、为何停止，以及是否有人进行了干预。

结果标准也可能变得更加细致。客户可能要求分别衡量完成度、准确性、满意度和节省的人工工作。更好的定义会增强结果定价，尽管也会使合同更复杂。

这些信号对买家和投资者同样重要。评估 AI 产品的企业应在比较计费单位前先对工作流建模。它需要考虑预期量级、任务复杂度、失败路径和人工审核成本。

团队还应明确 AI 支出的责任归属。采购部门可以谈判合同，但产品负责人了解工作流量级。工程团队了解模型行为，而财务团队负责跟踪预算风险。

共享知识系统可以帮助这些群体保留假设、用量报告、评估结果和续约决策。已经在组织内部 AI 工作的团队，或许会受益于可搜索的AI 知识库，而不是零散的定价电子表格。

买家不应将看起来最便宜的单位自动视为更可取。一个积分可能隐藏多项操作，而一个解决结果可能隐藏存在争议的质量。真正相关的问题是，这一计量单位是否反映了组织能够观察和治理的结果。

供应商面临着相关的考验。他们必须避免为每项新功能都创造一套计费术语。过多不兼容的单位会使跨产品预算更困难，并削弱客户信心。

Salesforce AI 的定价让行业转型变得清晰可见，因为它将多种选择并列呈现。这种广度在当下提供了灵活性，也说明市场尚未就取代按席位收费的持久方案达成共识。

最可能的方向是分层合同：平台费用覆盖访问权限、治理和核心能力；随后再根据 Agent 活动、容量或经验证的成果收取浮动费用。

这类合同既能保留部分经常性收入，也让软件公司能够参与自动化创造的价值。但它们也需要比传统许可证更完善的监控机制。可预测性将来自管控措施和使用历史，而不再仅仅取决于员工人数。

对开发者而言，定价计量方式将影响架构设计。每一次重试、较长的上下文窗口、工具调用和模型选择，都可能影响商业表现。成本意识将成为产品质量的一部分。

对知识工作者而言，这一转变决定了 Agent 是继续广泛可用，还是受到严格配给。可预测的访问权限会鼓励日常使用；激进的消耗管控则可能促使员工将 Agent 留给回报显而易见的任务。

对企业买家而言，下一步很具体：选择一个已投入生产的工作流程，衡量其业务量和失败路径，然后基于同一组证据比较按席位、按消耗和按成果计费的方案。实际使用后，哪种计量方式依然易于理解？当 AI 的工作量超出预期时，又由哪一方承担风险？