AI定价难题：从噩梦开始，如今更糟

企业IT领导者长期以来一直在与AI定价问题作斗争，尤其是在如何为AI付费以实现投资回报率（ROI）方面。然而，典型的IT高管可能并非决定公司如何使用AI以及如何实现ROI的最佳人选，因为众多业务线员工和合作伙伴正在自行试验这项技术。

如果IT领导者对未来一两年内如何使用AI没有清晰的规划，那么他们几乎不可能确定如何为其付费。当前按token付费的方式很可能不受欢迎，而其他选项，如SAP推行的按完成AI任务收费，也并未更好。

用销售类比来说，IT部门不愿为潜在客户支付高额费用，因为无法确定这些线索能否带来任何收入，更不用说多少了。IT领导者真正想要的是相当于佣金的技术付费方式，即只有当潜在客户转化为实际付费客户时才支付费用，且仅按最终销售额的百分比支付。这才能保证企业的ROI。

问题在于：没有AI供应商会同意这种模式，因为这会让他们承担过多风险。只要IT部门试图交付ROI，找到一种既适合企业IT又适合AI供应商的定价模型几乎不可能。

SAP数据与分析总裁Irfan Khan表示，这对双方来说都是挑战。“每个人都在急于证明其投资的合理性”，并且“第一天的成本不一定等于第一天的价值”。问题在于顺序：定价必须在项目开始前很久就进行谈判并锁定。但对于像智能体AI这样新颖且实验性的技术，几乎没有任何可靠信息表明它究竟能带来什么好处。

此外，生成式AI和智能体AI系统可能带来难以用电子表格量化的收益。例如，CFO可能希望看到订单履行率大幅提升。但如果AI“更高效地履行了这些订单”，Khan问道，“那么流程中引入更多效率可能产生哪些连锁效应？”

咨询公司Acceligence的CEO Justin Greis从市场经济角度阐述了AI定价的脱节：“市场正在试图将AI硬塞进基础设施时代的定价模式，而AI本质上更接近劳动力增强和业务流程转型，而非计算消耗。核心脱节在于：企业IT买家希望定价与实际业务价值挂钩，而AI供应商则希望定价与资源消耗和平台使用挂钩。这是两种截然不同的经济模型。按token定价对供应商有吸引力，因为它可衡量、可扩展且可预测。但从企业角度看，token作为业务指标几乎毫无意义。如果流程改进从未实现，CFO方面没人关心消耗了多少token。”

相互竞争的定价策略主要依赖于两个因素：哪种能带来最大利润，以及哪种最容易执行。鉴于人性使然，后者通常是更常被选择的路径。这就像我特别喜欢的一个笑话：一个人走向他的车，看到一个人拿着手电筒在路灯旁仔细地寻找地面。“需要帮忙吗？你在找什么？”那人问道。“是的，我丢了车钥匙。”“问个傻问题，你最后一次记得钥匙在哪里？”“我站在那条黑暗的巷子里，一只猫尖叫起来，我丢了钥匙。”“等等——既然你丢在那边，为什么在这里找？”“因为这里的光线更好。”教训是：走容易的路通常比实现实际目标更受欢迎。

Greis认为，不仅很难说服AI供应商接受基于ROI的定价，而且如果他们真的同意了，意想不到的结果可能是灾难性的。“AI供应商无法现实地承担无限的、与它们无法控制的变量（如内部采用不力、流程断裂、数据质量差、组织政治、变革管理薄弱或关键绩效指标不明确）相关的下游业务风险。但一旦供应商的报酬主要基于结果，就会强烈激励日益自主的优化行为。这听起来不错，直到组织意识到AI系统可能追求指标而非指标背后的意图。”

“我们已经在推荐引擎、广告定向系统和参与度算法中看到了类似情况。系统学会最大化可衡量的结果，即使方法变得在操作上有风险、道德上有问题、声誉上有损害或战略上不协调。在企业环境中，这可能会迅速变得危险。一个以减少服务成本为激励的AI系统可能会积极推诿合理的客户问题。一个以销售转化为奖励的模型可能会推送操纵性信息或优化短期收益而牺牲客户信任。一个采购优化引擎可能会降低成本，同时悄悄增加供应商集中风险或降低运营韧性。这些系统越自主，就越难区分‘成功的结果’和‘可接受的行为’。”

解决这个问题的最佳方法或许也是最困难的。每个AI项目必须由AI委员会批准，其成员必须提出尖锐问题：你希望实现什么？如果成功，请具体说明并量化最佳情况的收益。最可能失败的方式是什么？如果以那种方式失败，最可能产生的成本和干扰是什么？量化它们。委员会至少应有几名成员确切了解这些模型能做什么和不能做什么，以提供现实核查。

接下来，要求业务线负责人或参与项目的最高级别高管共担风险。将收益或损失与高管奖金挂钩。给这些高管一个理由，确保他们的人员诚实且创造性地全程思考项目。

只有这样，CIO才能知道如何就公平合理的AI定价协议进行谈判。