a16z 合伙人 Sarah Wang：AI 应用层不应按 Token 定价

ChainCatcher 消息，a16z 合伙人 Sarah Wang 近日发文表示，AI 应用层产品不应模仿模型层按 Token 定价，而应把价格建立在「可识别的工作单元」上。

文中认为，若应用产品沿用 Token 定价，其价值会被锚定在一个成本持续下降的单位上。对客户而言，上下文长度、检索量或推理时间也较难预测，应用产品还容易被拿去与原始算力作不恰当比较。

按价值层级划分定价方式

文章建议，定价应按价值层级分层处理：

• 模型层按 Token 定价；
• 应用层按客户可识别的工作单元定价，例如账户调研简报、代码修改、已完成查询，这类定价也可以通过 Credits 封装；
• 在可归因且价值清晰的场景中，可直接按结果定价，例如已解决的客服对话、合格线索。

Sarah Wang 还提到，Credits 的设计应映射不同难度的工作，用来保护毛利率，并区分「工作价值」与「交付成本」。

以 Clay 的新定价为例

文中以 Clay 为例称，其新定价将 Data Credits（第三方数据）与 Actions（编排工作）分离。对于成本波动较大的推理模型，Clay 仅做成本传导，不额外加价。

作者认为，把定价锚定在价值而不是算力成本上，既能让客户更容易理解支出对应的价值，也有利于产品方守住利润空间。