AI 補貼時代的終結：為何定額定價模式正在失效

在過去幾年裡，AI 行業一直在一種默契下運作：即「補貼時代」。各家公司將 AI 功能整合到其產品套件的各個層級中，賭的是推理成本會下降得夠快，足以讓定額訂閱模式變得永續。

然而，最近的市場訊號顯示這場賭注正在失敗。從 Microsoft 取消內部授權，到 Uber 在短短四個月內就耗盡了其 2026 年的 AI 預算，整個行業正撞上了一道牆。成本曲線並非向有利於供應商的方向彎曲；而是向相反的方向彎曲。

誘導需求之陷阱

許多商業模式是建立在一個簡單的推論之上：隨著每個 token 的成本下降，總帳單也會隨之減少。這忽略了誘導需求的原則。在城市規劃中，增加一條高速公路車道並不會減少交通量；反而會創造出以前不存在的新通勤需求。AI 也遵循相同的邏輯。

隨著推理變得更便宜且功能更強大，使用者並非只是用更少的錢做同樣的工作。相反地，他們會擴大對模型的請求範圍。我們正看到從單一提示詞（prompt）互動轉向複雜的代理型工作流（agentic workflows），在這種工作流中，單一任務可能會觸發 50 次獨立的 API 調用。曾經需要兩分鐘的推理查詢現在需要四分鐘。雖然每個 token 的單位成本可能會下降，但消耗的 token 數量卻在爆炸式增長，導致總支出淨增加。

硬體瓶頸：稀缺性定價

雖然軟體效率在提升，但實體供應鏈卻難以跟上步伐。尖端模型（frontier models）的主要瓶頸不再僅僅是電晶體，而是高頻寬記憶體（HBM）以及將記憶體與運算晶片結合所需的先進封裝技術（例如 TSMC 的 CoWoS）。

這種稀缺性導致了只能被稱為「稀缺性定價」的情況。報告指出，下一代加速器的物料清單（BOM）成本正在急劇上升，其中僅記憶體成本就出現了巨大的增長。當底層硬體成本增加，且供應鏈的交期長達 18 到 36 個月時，實驗室別無選擇，只能將這些成本轉嫁給下游。

這種財務壓力在數據中顯而易見。一些報告顯示，尖端實驗室在運算上的支出比他們產生的收入還要多出數十億美元，導致他們在推理方面的業務處於「入不敷出」的狀態，並被迫重新定價其服務以維持營運。

邁向永續的定價架構

產品團隊不再能問「我們可以在哪裡加入 AI？」相反，他們必須問「哪些使用案例能賺回他們消耗的推理成本？」這需要對 AI 產品定價方式進行根本性的轉變。行業正從假裝成本是固定的「按人頭計費」（per-seat pricing）模式，轉向將收入與底層事件掛鉤的模式：

• 按動作定價 (Per-Action Pricing)： 類似於 Twilio 或 AWS 的模式，每一次 API 調用或代理步驟都有其價格。這能確保無論「重度使用者」如何頻繁使用系統，毛利都能保持穩定。
• 根據點數計費的系統 (Credit-Based Systems)： 預付點數包允許公司平滑現金流，並在單一單位後端整合不同的模型成本（例如，在簡單任務中使用便宜的模型，在推理任務中使用昂貴的模型）
• 混合模式 (Hybrid Models)： 一個基礎平台費（按人頭計費）結合包含的點數與超額計費。這能為銷售團隊渴望的預測性提供保障，同時也為供應商提供安全閥。

反對觀點：在地化與開源的替代方案

雖然雲端推理成本正在上升，但一個平行的趨勢正在興起：高效能在地化模型的崛起。有人認為，如果使用者利用開源模型和自己的硬體，對於終端使用者而言，「每美元的智能程度」實際上是在下降的。

隨著 Qwen 或 DeepSeek 等模型提供與專有尖端模型相當的能力，但成本僅為其一小部分時，將工作負載轉移到在地化環境的動機便增加了。這種向「自備模型」(BYOM) 或在地化託管的轉移，可能會徹底顛覆雲端中心化的定價模式，將 AI 將 AI 轉變為一種在消費級硬體上運行的公用事業，而非按量計費的雲端服務。

總結

受困於定額、按人頭計費模式的公司將面臨二選一的抉擇：要麼吸收隨著使用量增加而產生的利潤壓縮，要麼從較低層級的產品中移除 AI 功能，並冒著失去用戶漏斗的風險。對於那些能夠轉向按量計費或混合定價模式的人來說，前進的路徑很明確：將你的收入與所消耗的運算價值——以及成本——掛鉤。