上次在《我有个朋友叫雷军，有钱，做AI产品也有些思路》里，提到了AI产品一些收费策略，还有快速验证PMF的办法。
“好的产品，从收费开始。”
用众筹、收费等方式，小样本验证了需求的真实性、规模化的可能性，产品开始有了良性增长。
然而这才刚刚开始。
4P理论里，我一向觉得Price应该放在第一位——先有Price，再有Product。
因为定价直接圈定了产品的性质、发展区间、人群、渠道等等。价格定了，其他就不容易改了。
产品，不过是价值的载体而已。
对产品外壳的无限雕花、对真实需求的臆想、对价值本身的极度忽视，是今天常见的买椟还珠。
20年互联网发展下来，产品、研发的人才向外溢出，开发侧供给过剩，需求侧的挖掘、渠道和销售的理解很缺。
独立开发者三件套：“AI搜索、AI日记、擦边bot”。
当产品数量比用户数量还多，为了什么样的人群、提供什么样的价值、用什么样的价格来外化……这些问题可能更加值得去追问，尤其在产品做出来之前。
调研了“定价”这件事，发现了一份不错的报告 How AI apps make money ，涵盖了40款海外热门的AI应用的定价策略，包括Jasper、HeyGen、VEED、Tome等产品。
以下是翻译后的报告内容原文👇，获取原版报告，可以关注回复“定价”～过去几年，AI产品和应用呈现爆炸式增长——事实上，AI产品在过去一年已经吸引了北美超过20%的风险投资资金。许多AI应用程序改变了我们与软件的关系，从提高我们的生产力，转变为创造全新工作产品。这也为创造新的创新定价策略创造了有利的市场条件，这让我们不禁想知道：人工智能应用程序是如何赚钱的？ 在大型语言模型 (LLM) 领域和基础设施层，自商业化以来，基于使用量的定价模型一直是常态。大多数公司按每个令牌收费，这与计算成本密切相关。我们调查了应用层 40 家领先的 AI 原生公司，以了解定价方面的情况。
您可以看到不同 AI 层的简化版本。本文的重点是顶层——原生 AI 应用程序。选择公司的主要标准是外部资金和来自公共来源的吸引力，例如《福布斯》AI 50 强榜单和红杉的生成式 AI市场地图。这 40 家公司包括营销工具（例如：Jasper、Copy.ai）、生产力应用程序（例如：Tome、Glean）、垂直特定产品（例如：Harvey、Co:Helm）和其他公司（例如：Synthesia、HeyGen）。 具体来说，我们考察了围绕“定价模型”、“价值指标”、“宣传方式”、“免费版本”和“定价透明度”的公开数据。我们特意关注AI原生应用，而不是现有产品，因为这些初创公司没有先前安装基础或传统定价模型的负担。
40 款热门 AI 产品定价策略
定价创新有限——七成的公司采用订阅模式，很少有公司提供纯粹基于使用量或按使用量付费的定价模式。
大多数公司都是根据用户数量收费的——这与人工智能应用程序作为“副驾驶”（协助人们）而不是数字“工作者”的概念一致。
免费版本在最初采用时非常受欢迎——一半的人提供免费计划，另外五分之一的人提供免费试用。
在套餐/层级方面存在“好-更好-最佳”范式。
定价透明度不同——三分之二的供应商采用公开定价。
完整的产品定价数据表格如下👇
缺乏定价创新为第二波AI应用提供了机会
软件公司历来倾向于订阅和按用户收费模式（尽管有迹象表明正在转向基于使用和混合模式）。在第一波突破性的人工智能应用中，情况仍然如此。我们看到第二波人工智能公司中出现了非常创新的定价结构的迹象；这些定价模式可以加快客户采用速度，同时获得更多总体收入。甚至微软也在为其新的 AI Copilot for Security测试创新的随用随付定价。Fin (Intercom)、EvenUp 、Chargeflow （OpenView 投资组合公司）和11x.ai （之前在Growth Unhinged中介绍过）是实施基于成功（或基于结果）定价模式的公司的例子，客户只需为成功的结果付费。对于 Chargeflow 来说，这是一次成功的和解，对于 Fin 来说，这是一次成功的解决方案，而对于 EvenUp 来说，这是为一家律师事务所成功制作的需求包（值得听 Sarah Tavel 解释其工作原理）。Chargeflow 的定价是基于退款以卖家利益为前提的成功率作为客户，这很有吸引力，因为您正在建立双赢的合作伙伴关系。只有您成功，供应商才会成功。这种定价还有可能增加采用率，因为客户只有在产品产生实际效果时才会付费。这与许多现有的 SaaS 提供商形成了鲜明对比，在这些提供商中，客户最终购买的席位往往远远超过其实际需要。月活跃用户率在 20-40% 之间并不罕见，从定义上讲，客户为他们所获得的东西支付的费用远远超过了实际费用。我们预计，随着 AI 产品交付工作而不是提高个人生产力，传统的按席位订阅模式将面临越来越大的压力。
发现1：定价创新有限
在我们研究的 AI 应用中，绝大多数（71%）采用了传统的 SaaS 订阅定价模式。10 家公司（26%）采用了订阅费用和使用费相结合的混合定价模式。PolyAI是唯一一家（3%）采用纯基于使用量模式的公司。
虽然支持这些应用程序的基础设施几乎完全根据使用情况定价（LLM 和基础设施），但这种定价并未转化为最终用户产品。- 保持简单：大多数人工智能应用的核心目标是让用户采用其产品。买家熟悉按用户每月支付费用。
- 基于使用量的定价很难实现：让我们面对现实吧——基于使用量的定价并不容易实现。例如，它需要强大的数据基础，而这是许多初创公司早期所不具备的。
- 尚难量化价值：一些人工智能应用很可能通过这种方式创造的价值超过了它们收取的价格。但对于许多人工智能公司来说，他们仍然很难确切了解他们创造了多少价值以及如何最好地获取这些价值。
- 不想限制采用：定价创新可能会限制产品的采用。目前，初创公司希望在开发产品时获得尽可能多的使用量。
- 不注重盈利：虽然零利率政策时代已经结束，但许多人工智能初创企业的目标不是盈利，而是证明他们可以赚钱并与客户一起成长。
我们确实看到一些公司（尤其是营销、视频和语音生成领域的公司）采用基于使用量的定价组件，例如字数、视频字符分钟数或片尾。Copy.ai 就是一个很好的例子。
Copy.ai 的示例同时应用了月度订阅费和以信用形式应用的基于使用情况的组件。发现 2：大多数公司都是根据用户数量收费的
AI 应用的主要价值指标仍以用户（或席位，如果你愿意的话）为中心。这是 SaaS 领域非常著名的价值指标，也是购买和销售软件的最直接方式之一，对买家来说具有高度的可预测性。
大约有十几家公司正在使用基于每个用户和使用情况的组件，或者纯粹基于使用情况的模型，并使用以下价值指标：积分、角色、视频分钟数、字幕或运行时间。
由于人工智能最终会取代人类劳动力，按用户定价模式可能会适得其反，因为用户数量会随着时间的推移而减少。这为第二波人工智能应用带来了颠覆性的机会。
发现3：“免费+增值”很受欢迎
我们研究的 AI 应用中约有 70% 都存在免费增值模式。我们看到的三种免费增值模式如下：
免费版本（47%）：“永久免费”的版本，通常功能有限，但允许用户试用其功能/产品。
免费版本但使用量受到限制（3%）：免费版本，但产品的使用量受到限制。
免费限时试用（16%）：免费且具有基本功能但仅限 7 天或 14 天的版本。
AI 应用往往能快速为新用户带来价值。随着这些公司继续对产品进行迭代，免费增值产品有助于促进早期采用和使用。在面向企业的应用程序中，免费增值模式并不那么普遍。这些产品通常需要支付实施费用和平台费用才能使用。据传，企业版免费增值模式似乎是免费试用，客户可以在一段时间内（通常为 3 个月）试用产品，然后做出购买决定。发现4：在套餐/层级方面存在“好-更好-最好”范式
当我们与早期创业公司交谈时，我们通常建议从“好-更好-最好”包装结构的变体开始。它允许公司根据客户差异化产品，并创建清晰的追加销售路径。层级数量因公司而异，从两层到五层不等（包括免费增值版和企业版）。在大多数情况下，层级之间的差异基于产品功能和用途。包装策略通常是随着产品的成熟和功能的发展而逐渐形成的。早期，你通常没有太多东西可以包装，因为你不知道你的客户到底是谁，也不知道应该如何细分你的产品。
以 Browse AI 为例，它提供五个不同的层级，并结合了订阅和基于使用情况的定价发现5：定价透明度程度不同
目前，约有三分之二的公司在其网站上公布价格。透明定价往往是面向个人或专业消费者的应用程序的常态，而非面向企业的应用程序。
大多数企业 AI 应用并未透露任何定价细节。他们这样做可能出于以下几个原因： 这是一个竞争激烈的领域：竞争日趋激烈，公司不想向潜在竞争对手提供任何东西，也不想允许他们基于价格进行竞争。
定制：他们根据每个客户的具体情况定制价格，并确定可以收取的价格的上限。
更大的灵活性：许多类别仍处于起步阶段，价格尚未确定。隐藏价格为供应商在未来的变更提供了更大的灵活性。
随着Vendr或Tropic等价格基准测试供应商的崛起，这些定价信息很可能会随着时间的推移而公开。写在最后
我们正处于人工智能应用的早期阶段。许多公司仍在寻求产品与市场的契合度（即使他们已经筹集了大量资金），并希望证明市场需求。定价模式的创新很难，而且可以理解的是，最初并不是核心重点。
目前的游戏规则似乎是：(1) 让定价可预测，(2) 不要让定价成为使用产品的障碍。以下是确定从哪里开始的框架。说完了定价，下次说说我看到的“商业化场景”做的非常好的例子，也结合我们自己的项目分享一下。
