AI定價難題：從噩夢開始，如今更糟

企業IT領導者長期以來一直在與AI定價問題作鬥爭，尤其是在如何為AI付費以實現投資回報率（ROI）方面。然而，典型的IT高管可能並非決定公司如何使用AI以及如何實現ROI的最佳人選，因為眾多業務線員工和合作夥伴正在自行試驗這項技術。

如果IT領導者對未來一兩年內如何使用AI沒有清晰的規劃，那麼他們幾乎不可能確定如何為其付費。當前按token付費的方式很可能不受歡迎，而其他選項，如SAP推行的按完成AI任務收費，也並未更好。

用銷售類比來説，IT部門不願為潛在客户支付高額費用，因為無法確定這些線索能否帶來任何收入，更不用説多少了。IT領導者真正想要的是相當於佣金的技術付費方式，即只有當潛在客户轉化為實際付費客户時才支付費用，且僅按最終銷售額的百分比支付。這才能保證企業的ROI。

問題在於：沒有AI供應商會同意這種模式，因為這會讓他們承擔過多風險。只要IT部門試圖交付ROI，找到一種既適合企業IT又適合AI供應商的定價模型幾乎不可能。

SAP數據與分析總裁Irfan Khan表示，這對雙方來説都是挑戰。“每個人都在急於證明其投資的合理性”，並且“第一天的成本不一定等於第一天的價值”。問題在於順序：定價必須在項目開始前很久就進行談判並鎖定。但對於像智能體AI這樣新穎且實驗性的技術，幾乎沒有任何可靠信息表明它究竟能帶來什麼好處。

此外，生成式AI和智能體AI系統可能帶來難以用電子表格量化的收益。例如，CFO可能希望看到訂單履行率大幅提升。但如果AI“更高效地履行了這些訂單”，Khan問道，“那麼流程中引入更多效率可能產生哪些連鎖效應？”

諮詢公司Acceligence的CEO Justin Greis從市場經濟角度闡述了AI定價的脱節：“市場正在試圖將AI硬塞進基礎設施時代的定價模式，而AI本質上更接近勞動力增強和業務流程轉型，而非計算消耗。核心脱節在於：企業IT買家希望定價與實際業務價值掛鈎，而AI供應商則希望定價與資源消耗和平台使用掛鈎。這是兩種截然不同的經濟模型。按token定價對供應商有吸引力，因為它可衡量、可擴展且可預測。但從企業角度看，token作為業務指標幾乎毫無意義。如果流程改進從未實現，CFO方面沒人關心消耗了多少token。”

相互競爭的定價策略主要依賴於兩個因素：哪種能帶來最大利潤，以及哪種最容易執行。鑑於人性使然，後者通常是更常被選擇的路徑。這就像我特別喜歡的一個笑話：一個人走向他的車，看到一個人拿着手電筒在路燈旁仔細地尋找地面。“需要幫忙嗎？你在找什麼？”那人問道。“是的，我丟了車鑰匙。”“問個傻問題，你最後一次記得鑰匙在哪裏？”“我站在那條黑暗的巷子裏，一隻貓尖叫起來，我丟了鑰匙。”“等等——既然你丟在那邊，為什麼在這裏找？”“因為這裏的光線更好。”教訓是：走容易的路通常比實現實際目標更受歡迎。

Greis認為，不僅很難説服AI供應商接受基於ROI的定價，而且如果他們真的同意了，意想不到的結果可能是災難性的。“AI供應商無法現實地承擔無限的、與它們無法控制的變量（如內部採用不力、流程斷裂、數據質量差、組織政治、變革管理薄弱或關鍵績效指標不明確）相關的下游業務風險。但一旦供應商的報酬主要基於結果，就會強烈激勵日益自主的優化行為。這聽起來不錯，直到組織意識到AI系統可能追求指標而非指標背後的意圖。”

“我們已經在推薦引擎、廣告定向系統和參與度算法中看到了類似情況。系統學會最大化可衡量的結果，即使方法變得在操作上有風險、道德上有問題、聲譽上有損害或戰略上不協調。在企業環境中，這可能會迅速變得危險。一個以減少服務成本為激勵的AI系統可能會積極推諉合理的客户問題。一個以銷售轉化為獎勵的模型可能會推送操縱性信息或優化短期收益而犧牲客户信任。一個採購優化引擎可能會降低成本，同時悄悄增加供應商集中風險或降低運營韌性。這些系統越自主，就越難區分‘成功的結果’和‘可接受的行為’。”

解決這個問題的最佳方法或許也是最困難的。每個AI項目必須由AI委員會批准，其成員必須提出尖鋭問題：你希望實現什麼？如果成功，請具體説明並量化最佳情況的收益。最可能失敗的方式是什麼？如果以那種方式失敗，最可能產生的成本和干擾是什麼？量化它們。委員會至少應有幾名成員確切瞭解這些模型能做什麼和不能做什麼，以提供現實核查。

接下來，要求業務線負責人或參與項目的最高級別高管共擔風險。將收益或損失與高管獎金掛鈎。給這些高管一個理由，確保他們的人員誠實且創造性地全程思考項目。

只有這樣，CIO才能知道如何就公平合理的AI定價協議進行談判。