模型越升级，AI应用越难收钱？94%企业还在加预算

每次模型升级，AI 应用的单次运行成本会降，客户换掉它也更容易。a16z 的 Tugce Erten 在文章里放了一个不太顺耳的对照：94% 的企业 LLM 买家仍预期支出上升。便宜和花更多钱同时发生，AI 应用靠什么赚到溢价？

图里把两条路并排。客户自建栈，要选模型和路由、接公司数据、评估输出、维护系统。向供应商买，买的是工作流编排、上下文和集成、评估和控制、持续模型优化。最后都比完成的工作：质量、速度、总成本、风险。价值在工作流，不在模型层。

Tugce Erten 给了三条规则。

第一，运营工作流要比客户自己更好。多数客户不想搭，想要有人跑起来并对结果负责。法律 AI 平台 Harvey 在盲测中击败通用 AI 助手和能源巨头 Repsol 的自研工具。盲测给了一个客户能检查的结果，比口号硬。Notion 曾考虑自建支持 AI，后来买了 Decagon 的 AI 支持代理，让团队继续盯核心产品。这也是规则1的现实版本：客户要的是有人把支持工作流跑起来。有网友在回复里问，规则1是否意味着赢家 AI 应用会悄悄变成服务公司。这个问题不轻。越靠近结果，越像服务。

第二，让上下文租比重建便宜。公司历史、流程、权限、评估标准，重建一次很贵。有网友说，没人想重新教一个新工具公司的全部历史。粘性来自上下文，不来自模型参数。

第三，证明价值，再定价去捕获它。有网友指出，规则3对小团队最难。没有客户能核查的数字，溢价很难辩护。Harvey 的盲测就是例子。定价锚点应该是完成工作的质量、速度、总成本和风险，不是 token 单价。

反常识的地方在这里：模型进步会持续改善客户的替代方案。应用的优势必须扩大得更快，否则模型越强，客户越容易自己搭或换掉。有做 agent 的网友说，token 成本反而涨了，每次升级流程更复杂，烧得更多。94% 的支出预期上升不奇怪。单次调用更便宜，可能带来更多调用、更复杂工作流、更高验证成本。

卖工具不如卖被验证的工作流。但别把服务化当退路。服务化要求你真的能运营、能交付、能对结果负责。

原文来自 a16z 的 Tugce Erten：链接

回复引用：链接