研究了44个AI产品，我发现了AI应用定价的秘密

今年以来，AI应用开始爆发了。

一个明显的变化是，AI投资开始从底座模型向应用侧进行迁移。从二季度开始，投在应用上的金额是去年同期的2倍，Perplexity、Suno等AI应用明星公司都先后拿到不小融资。

当越来越多的钱投向应用端，大家也开始关心一个很现实问题：

这些AI应用到底怎么赚钱？

为了更好地搞清楚这个问题， Palle Broe研究了44个原生AI应用产品的定价策略，涵盖定价模式、价值指标、公开宣传、免费版本和定价透明度的公开信息。

本文作者Palle Broe曾在 Uber (B2C) 和 Templafy (B2B SaaS) 领导定价策略，并为 20 多家科技初创公司 (从种子轮到 D 轮) 提供货币化策略。

透过这份报告，Palle Broe试图回答两个问题：如今科技公司如何利用AI功能赚钱？创业者又能从这些信息中学到什么呢？

01.直接和间接变现，哪个更好？

一般来写，现在AI功能的商业化方式有两种：直接变现和间接变现。

直接变现包括直接对 AI 功能收费，或在添加新的 AI 功能后提高产品价格。相反，间接变现将 AI 功能集成到现有捆绑包中而不改变价格，或者单独提供该功能而无需额外付费。

科技公司推出 AI 功能和产品的五种高级货币化策略概述

根据统计，最常见的商业化策略是将 AI 功能捆绑到现有软件包中（59% 的公司选择了这种方式）。这种方法能让当前订阅的用户从 AI 功能中受益。在部分场景下，增加AI功能会带来服务价格的上涨。

另一部分场景下，在不改变现有定价结构的情况下，加入AI功能。在这种情况下，企业往往会追求快速启动，收集更多有关AI功能使用情况的数据。

第二种最常见的商业化策略是直接策略：以附加功能的形式提供 AI 功能，并标明具体价格（23% 的公司选择了这种方式）。

附加功能策略是直接盈利的“最纯粹”形式，将直接提供AI功能使用和商业化数据，让公司了解终端的付费意愿，并为路线图和产品开发提供重要反馈。

此外，也有一些公司（占受访公司的 18%），尤其是那些拥有大型语言模型 (LLM) 的公司，已经开发出独立的 AI 产品，可供单独购买，不受任何现有订阅的影响。

根据研究，大多数公司都采用直接变现。要么将新的人工智能功能/产品作为附加功能提供，要么将其捆绑在现有计划中并提高价格（或基于使用量的组件）。

原因在于，这种策略能够更好了解，用户的支付意愿和AI功能的潜在成本结构。间接变现的问题是，很难跟踪和准确归因于增加的保留率和追加销售带来的价值。

那么，什么样的AI公司更适合直接变现的模式？

高可变成本：与新一代人工智能相关的可变成本非常高昂，无法通过间接收入收益来吸收，例如与计算、带宽、数据存储和标签、安全性和合规性以及维护和升级相关的成本。由于大模型的计算成本非常高，利用大模型的公司需要用户在每次使用其人工智能功能时都要付费。

明确的客户价值：客户清楚地认识到新一代人工智能功能为他们带来的附加价值，因此乐意为此付费——例如 GitHub 的编码 Copilot 或 Intercom 的人工智能机器人 Fin。

当AI 功能显著提升核心产品的使用率、转化率或留存率时，间接变现策略（例如，将其纳入计划而不提价，或免费赠送）更容易取得成功。

比如，对一个按使用量进行付费的产品来说，如果AI功能能够大幅提高整体客户转化率或留存率，那么所带来的收益就会超过这些功能的成本。Zoom 和 Shopify 就是两家采用这一策略的公司。

采用间接变现策略的另一个情况是，需要获得用户对AI功能的更多反馈。对拥有庞大客户规模的产品来说，提高价格并非易事，需要非常谨慎地处理。而且，变现策略的选择也不完全由公司决定，也要考虑竞争因素，比如来自同行的价格战。

02.直接变现策略怎么选？

接下来，我们将深入探讨附加服务、独立产品和包含在计划中涨价三种直接变现策略。

通常，选择变现策略需要考虑的因素是 AI 功能为用户和您的业务带来的价值、最佳捆绑方法以及 AI 功能在不同套餐层级之间的最佳分布。

步骤 一：定义AI在产品组合中扮演的角色

需要考虑以下问题：

1.这项功能是否会被用户广泛使用？还是只针对特定人群 [下方 y 轴]？

是否将某项功能包含在捆绑包中或作为附加组件，一个判断的标准是，用户的使用率。如果超过 70% 的用户可能会使用该功能，则建议将其捆绑在标准包中。如果预计使用率低于 70%，则需要仔细考虑将其作为附加组件包含是否更具有商业意义。

2.是否有足够多的人愿意为此功能付费 [下方 x 轴]？

企业需要判断，对用户来说，AI功能是锦上添花还是必不可少。企业可以通过产品测试来获取使用数据，也可以询问潜在客户是否愿意为此功能付费。

一旦得到了上述问题的答案，你可以将功能放在下面的地图上，以确定捆绑 AI 功能的最佳路径。

例如，如果AI 功能被用户广泛使用（超过 70%），并且为用户提供了足够多的价值，那么它就成了你捆绑包中的“优先”功能，有机会进一步提高价格。另一方面，如果AI功能只被少数用户使用（例如 20%），那么它应该是产品捆绑包的“附加组件”。

步骤二：评估三种直接变现策略方式

AI 产品的成熟度和功能极大程度地影响了公司对其 AI 能力商业化的方式。有些公司，如 OpenAI，开发了像 ChatGPT 这样的 AI 产品，强大能力足以支撑其作为独立产品变现，不用依赖于现有订阅服务。这些罕见的产品能够针对特定的应用场景，并吸引那些愿意为解决方案付费的买家。

独立产品策略

独立AI产品的优势在于，可以灵活设计最合适的定价模式，不受传统定价或捆绑结构的限制。

目前，市场上主要独立 AI 产品是像 ChatGPT 和 Gemini 这样建立在专有LLM基础上的产品。GitHub Copilot 是少数几个非大型语言模型领域内的科技巨头提供的独立 AI 产品之一，展现了科技公司在AI特性商业化方面的另一种可能性。

满足以下条件时，提供独立产品最为合适：AI 产品解决的问题与现有产品不同，新产品与现有解决方案几乎没有重叠。

附加功能策略

附加策略与独立策略相似，都需要产品本身具有足够的价值，从而能够单独标价。不同之处在于，附加策略与现有产品捆绑相关，买家可能相同。AI 附加功能应与现有产品组合紧密对齐，解决相关问题，实现无缝集成。

Notion、Microsoft 和 Airtable 等公司采用这种方法，将 AI 产品作为附加功能。例如，Notion 收取10美元来启用其Notion AI功能。

在以下情况下，附加功能方法最为适合：

AI 功能为部分客户提供价值，但并非所有买家都想使用或为之付费。

AI 功能为现有产品组合增加价值，是解决方案的增强，能帮助客户更好地解决问题。

包含在计划中涨价

根据统计，有59%的公司选择将新 AI 功能整合到现有计划中（尽管无法从数据中确定有多少伴随价格上涨）。

AI功能能不能带来涨价，取决于这些功能为客户提供的价值大小。如果这些功能显著提升大多数客户的设计体验，那么提高套餐价格或添加基于使用的定价组件可能是合理的。

需要考虑的一点是，对大客户群提价并非易事，在做出任何变动前都需要仔细思考。在做出涨价决定前，需要与用户进行充分沟通，了解他们的支付意愿。

Canva、Box 和 Grammarly 等公司就是将 AI 功能整合到现有套餐中，并以基于使用的定价方式提价的例子。

上面是Asana的定价方案，它将AI功能添加到现有计划，这种方法最适合以下情况：

该功能与套餐的核心价值主张一致，约70%的客户认为它是关键功能。

客户不太可能单独购买该功能。

单独提供可能被视为过于交易化或对客户斤斤计较。

如果选择将AI功能整合到现有套餐中，关键是要仔细考虑它们在各套餐中的分配。评估各种用例和不同客户的支付意愿，将功能分散到不同价位的各种套餐中，而不是单一套餐中。这种战略性布局确保了功能与客户需求有效对接，同时最大化了收入潜力。

同时，这种方法还有助于创造升级路径，并节省入门级订阅的成本。Canva 就是这方面的一个绝佳例子：

03.AI产品如何定价？

通过研究那些将AI产品作为附加功能或独立产品提供的公司，我们可以了解他们如何为AI 功能定价，并与标准SaaS产品进行比较。（排除了在现有计划中提供AI功能的公司，因为无法准确分配AI功能的价格。）

这能够为其他AI公司进行产品定价提供参考。从目前看，AI 附加功能的定价差异很大，从基础套餐价格的25%（Adobe）到标准SaaS产品成本的4.75倍（GitHub）不等。

以绝对值计算，这些AI产品的每用户月费从4美元到30美元不等。通常，AI产品的定价会低于非AI附加产品。

AI 功能的定价应该与其价值相符。例如，微软为Microsoft 365提供的Copilot按每位用户 30 美元收费，超过了Microsoft 365的订阅费用。同样，GitHub Copilot按每位用户19美元收费，超过了其标准SaaS 订阅成本的4.75倍。

足够优秀的产品价值，支撑了昂贵的定价。根据报告，Microsoft Copilot可将生产力提高70%，而程序员使用GitHub Copilot可以使任务完成速度提高55%。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】