无需深究技术细节，传统科技服务的定价模式正在发生根本性转变。AI正在瓦解数十年来技术服务所依赖的“投入、成本与价值”之间的固有联系。
试想两家托管服务提供商（MSP）应对同一生产事故的场景：一家指派工程师耗时五小时排查日志、隔离根源；另一家利用AI可观测性技术，在几分钟内识别问题并触发修复，在用户察觉前恢复服务。后者用时更少却交付了更高价值，难道应收取更低费用？
企业级技术服务正面临同等规模的定价挑战。旧模型假设工时越长，成本越高，价值越大。然而，AI推动组织从被动支持转向自愈式运营。实际案例显示，自动生成工单减少高达70%，约20%的运维事件实现自主解决，部署预测模型后重大故障减少45%。
这理应带来直接的成本节约，但CIO和CFO面临的现实更为复杂。AI以更少努力提供同等甚至更高价值，动摇了付费基础的核心假设。当传统的“投入-成本-价值”关系失效，MSP该如何定价？如今，“可预测性”已取代“能力”，成为首要挑战。
高层视角：从技术能力到运营重塑
在与CXO及非IT商业领袖的对话中，确定正确的AI应用场景成为共识。领导者们认识到，成功的AI项目始于具体的运营问题，且AI复杂性需与问题规模匹配。
这意味着组织必须围绕AI的可能性重新设计运营模式。唯有如此，客户与供应商才能就价值和定价展开有效对话。例如，某大型企业财务团队长期难以在多市场和货币中获得准确的现金流视图。尽管管理层花费五年多时间尝试标准化流程未果，但在缺乏可信基线的情况下，几乎无法就AI预期创造的价值达成一致。
客户的业务运营往往与其赖以运行的技术一样动荡。传统合同建立在人员可预测、范围固定、需求稳定的旧世界观之上，已难以适应现状。
没有唯一的“正确”定价模型
面对不确定性，市场并未涌现出单一的替代模型。基于结果、基于用量和基于AI的定价方法各有优劣，挑战在于创建足够的灵活性，以应对投入、成本和需求的不可预测波动。
基于结果的定价在结果可明确定义且归因时效果显著。但当AI驱动的工作流相互交织，很难追踪哪个系统对下游业务结果做出贡献，使得归因变得极其复杂。
基于用量的定价看似公平，却面临“Token悖论”。虽然单次查询价格下降，但后台持续运行的AI代理链每一步都产生独立计费，导致总支出攀升。一家银行客户的现代化项目曾出现每位开发者每月Token成本高达1000美元的情况。通过优化路由、识别高消耗模式并对重复任务使用确定性自动化，团队最终将成本降至200美元。
收益共享模式虽具吸引力，但因双方对改进归因和功劳分配常存分歧，管理难度极大。
为何灵活性至关重要
上述模型均假设投入、成本或需求具备一定可预测性，但这正变得愈发罕见。我们认为，混合结构最有潜力成为AI赋能托管服务的首选商业模式。
混合模型结合了核心服务的可预测基础费用、与AI用量挂钩的可变组件，以及在结果可测量时的基于结果的激励措施。对CIO而言，这提供了预算可预测性及防激增保护；对供应商而言，有助于管理AI用量波动，同时激励效率提升和价值创造。
为不确定性设计合作伙伴关系
目标并非寻找完美的AI定价模型，而是构建能随条件变化灵活调整的商务结构。这需要在使用收益共享或基于结果的条款前，先确定清晰的基线。
此外，应设置定期校准范围和价格的节点，而非锁定在传统三年合同中。同时，优先保障性能、成本、治理和AI结果的透明度，以建立数据信任。
我们仍处于探索早期。显然，AI正将技术合作伙伴的角色从提供产能转变为帮助企业管理不确定性并加速业务成果。企业必须在定价模型中建立足够灵活性，以适应技术、需求和价值方程的演变。虽然无人能完美预判未来，但我们可以设计与技术和其创造价值同步演进的商务模型。