觀點：AI 應用層不應按 Token 定價，應錨定「可識別的工作價值」

ChainCatcher 消息，a16z 合夥人 Sarah Wang 近日發文指出，AI 應用層產品不應模仿模型層按 Token 定價，而應定價在"可識別的工作單元"上。文章認為，Token 定價將應用產品價值錨定在一個成本持續下降的單元上，客戶難以預測上下文長度、檢索量或推理時間，且會將應用與原始算力進行不恰當比較。

文章建議按價值層級分層定價：模型層按 Token 定價；應用層按客戶可識別的工作單元定價（如帳戶調研簡報、代碼修改、已完成查詢），可通過 Credits 封裝；可歸因且價值清晰的場景直接按結果定價（如已解決的客服對話、合格線索）。Credits 設計應映射不同難度的工作，以保護毛利率並區分"工作價值"與"交付成本"。文中以 Clay 為例，其新定價將 Data Credits（第三方數據）與 Actions（編排工作）分離，對成本波動較大的推理模型僅做成本傳導而不加價。作者認為定價錨定價值而非算力成本，既能讓客戶理解花費與價值，也有利於產品方守住利潤空間。