AI agent的收费模式，一直是产业界关注的核心问题。

基于价值创造的抽成模式来袭，或将主导AI agent定价。

近期serviceNOW的CFO在参加巴克莱第22届全球科技年会上透露出serviceNOW的AI agent收费模式：ServiceNow采用了价值驱动的定价策略，确保客户获得90%左右的价值，ServiceNow保留10%；这一策略帮助公司在与客户的定价谈判中保持强势，并确保价格上涨符合预期。Gina提到，当前的Pro Plus和Now Assist SKU采用混合模式，基于座位数量和代币消耗，这种方式简化了定价，便于客户预算和预测。

这个10%的价值抽成模式，是不是类似电商的GMV抽成模式？

近期OpenAI的发布会也表示公司即将推出2000 美元/月的 AI Agent 订阅模式，这个定价又是chatGPT o1-pro 200美金定价的十倍涨幅。

大家都在疑惑，这个定价到底是如何界定的，2000美金一个月的天价C端订阅到底该如何衡量其价值，其定价的基础到底是什么？

01 OpenAI与serviceNOW的AI Agent对比

OpenAI 即将推出的 2000 美元/月的 AI Agent 订阅模式与 ServiceNow 定价模式之间有很强的相似性但也存在一定的差异：

OpenAI 的订阅思路：据报道，OpenAI 计划推出一款“AI Agent”，订阅价格为 2000 美元/月。该产品定位于可替代人类高端智力劳动力（如拥有“博士级”智能的专家）来完成复杂任务（例如预定旅行、辅助科研、分析数据甚至策略决策）。其核心价值在于减少客户对雇用高级专业人才的依赖，从而大幅降低成本或提高效率。

ServiceNow 的价值驱动定价（Value-Based Pricing）：ServiceNow 长期以来以提供企业级工作流自动化和数字化运营解决方案为主，通过 GenAI、Pro Plus SKU 等高级功能提升客户组织内部的生产力、降低运营成本、提升客户满意度和业务效率。ServiceNow 的定价策略强调根据客户获得的实际价值来定价，并通过与客户实际收益挂钩（如保留 10%的增量价值）来达到双赢的价值分配。

相似点：我认为主要都是基于价值的逻辑

第一，都是价值主导而非成本主导：二者皆非简单按照功能数量或使用次数收费，而是强调“解决客户实际问题”和“创造经济价值”。

OpenAI 的 AI Agent 定位在高阶智能和决策辅助层面，相当于提供一个“虚拟高级顾问”或“虚拟员工”。如果客户购买该服务可替代一部分昂贵的人才成本，那么2000美元/月的订阅费对客户来说可能是划算的。

ServiceNow 则透过自动化流程、减少人力重复工作、提升销售转化率、降低合规风险等方式，为客户带来数十万、数百万美元的经济收益。

第二，将“人类角色”货币化为“机器智能服务”：ServiceNow 将 IT 服务、客户支持、HR 流程这些传统需要大量人力和流程管理的工作自动化，从而体现出从人力成本到软件价值的转化。OpenAI 的计划更为直接地宣称可替代雇用一位“高级人才”，这本质上也是一种“价值基准线”的设置：如果雇用一名专家顾问或具有博士学历的专业人员每月成本远高于2000美元，那么客户将可通过购买 AI Agent 服务实现经济和效率上的双赢。

第三，与客户实际业务结果紧密挂钩：ServiceNow 的模式中，经常通过 ROI 计算、KPI 改善和业务流程优化等指标来度量价值；OpenAI 的AI Agent虽然没有明确披露具体如何量化客户的收益，但从其定位看，客户也会思考“我花2000美元/月能替代多少人力成本、节省多少时间、带来多少业务提升”。换言之，这类 AI 产品的定价也会自然引导客户思考投资回报率（ROI），而不只是功能列表的堆叠。

差异点：定价模式与实现路径存在差异

第一，固定订阅 vs. 动态分成：ServiceNow 在其价值定价的实现中，有些场景是根据客户的实际使用量、产出改善来动态定价。例如其 GenAI Pro Plus SKU，定价可能组合了座位费（基础成本）与代币费（实际使用量），并强调根据客户获得的价值（如降低多少成本或提升多少收入）来证明价格合理性。相较之下，OpenAI 所公布的2000美元/月更像是一个基于产品定位和价值预期的固定订阅价。尽管其背后逻辑仍是价值定价，但目前呈现的方式并非直接与客户实现的经济成果挂钩，而是以“类替代人力专家”的市场参考价定位。

第二，价值衡量的透明度和可量化程度差异：ServiceNow 长期面向企业软件市场，对 ROI 计算、绩效指标提升等有成熟的一套顾问式销售模式和衡量标准，客户也已习惯根据量化绩效来评估软件的价值。而OpenAI对企业而言虽可提供“博士级智能”，但其价值衡量可能更具弹性和主观性。不同客户对“高端专家替代品”的定义、预期产出、运用场景和评估标准可能差异较大。缺乏明确的KPI或客观量化标准下，OpenAI的价值定价更多地依赖客户对AI的潜在产出想象和市场教育。

第三，市场成熟度与用户接受度：ServiceNow 的客户多为已成熟运用企业级SaaS和工作流自动化的公司，其采购部门、IT部门和业务部门都有能力对价值进行定量评估，对价值定价模式较易接受。

OpenAI 的AI Agent则进入了一个新市场：客户需要适应将AI作为高端智力顾问的概念。这需要市场教育与认知转变。尽管与 ServiceNow 类似的价值定价理念存在，但实际操作与客户心智需要时间培育。

从战略层面来看，这种定价模式的诞生对于软件行业来说是TAM的一次巨大扩张：

第一，从人力替代到价值订阅的趋势：无论是ServiceNow还是OpenAI，都体现出软件/AI市场从传统许可销售模式向基于价值和成果的模式转变。企业客户越来越关注投入与产出的匹配度，而非仅仅是功能列表。

第二，AI时代的价值定价挑战与机遇：随着AI能力不断进化，衡量AI创造的价值变得更为复杂。企业需要从成本中心的思维转向价值中心的思维。ServiceNow在这方面已有经验，而OpenAI正在探索以“替代高端人力”作为定价锚点的模式。如果OpenAI未来能为客户提供明确的价值量化工具（如多少小时人力节约、多少销售额增长），则更能与ServiceNow的价值计价逻辑接轨。

第三，可扩展的生态与定价层次：ServiceNow通过其统一平台为企业提供跨部门的价值创造，在价值定价上可从多个维度衡量价值（IT、HR、CS、财务、销售前台等）。OpenAI的AI Agent若要持续维持高订阅价，也需不断扩展可替代的人力范围和应用场景。当AI在更多垂直领域深入（如法律、医疗、金融分析），则可以像ServiceNow在各业务条线深耕一样，通过更加精细化的价值创造与客户建立长期的价值分享模式。

因此，我认为OpenAI 的 2000 美元/月 AI Agent 与 ServiceNow 的价值定价模式在理念上有一定的相似性：两者都不是简单地卖功能，而是出售价值与产出，并尝试让价格与客户获得的经济利益相关联。然而，当前OpenAI的方案更偏向以一个相对固定的高订阅价，将自身定位为“比雇用高端人才更划算”的替代方案，尚未明确或公开以客户实际产出改进为基础的动态定价机制。而ServiceNow在企业软件市场已有较成熟的价值衡量和分成机制，更强调根据客户现实的绩效改善和ROI来设定价格。

因此，两者有相似的价值定价思路和方向，但在定价方式的成熟度、量化维度和市场用户成熟度上仍存在显著差异。OpenAI未来若能像ServiceNow一样，将客户ROI量化并与定价紧密关联，则其价值定价模式将更具说服力和可持续性。

02 AI agent 迈入GMV时代？

这部分，我核心展开探讨分析一下serviceNOW AI agent的定价模式问题

ServiceNow采用了价值驱动的定价策略，确保客户获得90%左右的价值，ServiceNow保留10%。10%的价值抽成模式，让我想到了电商的GMV抽成模式：

在电子商务（电商）领域，GMV（Gross Merchandise Volume，商品交易总额）抽成模式是一种常见的盈利模式。GMV抽成指的是电商平台从在其平台上完成的每笔交易总额中提取一定比例的佣金作为收入。这种模式不仅为平台提供了稳定的收益来源，也为卖家和消费者创造了互利的生态系统。

GMV是衡量电商平台交易规模的重要指标，代表在一定时期内通过平台完成的所有订单的总金额。GMV抽成模式即平台通过对每笔订单总额按比例收取佣金，从而实现盈利。例如，如果一个平台的佣金率为5%，当一笔交易的GMV为1000元时，平台将收取50元作为佣金。

电商平台为卖家提供展示、交易和物流等服务，卖家在平台上开设店铺，发布商品信息。交易产生：消费者在平台上浏览商品、下单购买，完成交易。佣金结算：交易完成后，平台根据预先约定的佣金比例，从交易总额中扣除佣金，剩余部分支付给卖家。附加服务收费：除了基本的佣金，部分平台还会对广告推广、会员服务、增值服务等额外收费，进一步增加收入来源。

基于价值定价（Value-Based Pricing）模型与电商GMV（Gross Merchandise Value）抽成模式，从定价逻辑、实现方式、价值度量、客户关系与风险承担等方面来看，有什么异同呢？

基于价值定价（Value-Based Pricing）：依据客户实际获得的经济与业务价值来确定价格。当供应商的产品或服务为客户创造可量化的经济价值（如降低成本、增加收入、提高效率），定价与客户从该价值中获得的收益挂钩。将价格与客户所获收益直接关联，使供应商只在客户真正受益的情况下获取收入，从而实现双方的利益一致。

电商GMV抽成模式（Commission on GMV）：在电商平台中，GMV指平台上成交的商品总价值，平台通常对商家销售额进行一定比例的抽成（如5%-15%）。平台的收入与商家在平台上的成交额直接相关。平台通过抽成分享商家销售的增值部分，从而形成紧密利益捆绑。

二者有何相似之处？

收益共享：两者均体现了与客户（或合作伙伴）共享收益的理念。基于价值定价：供应商从客户的实际业务增量收益中提取一部分作为收入。GMV抽成：平台根据商家在平台上的销售额获取一部分抽成。

利益捆绑：在两种模式下，提供方的收入都与客户的成功紧密挂钩。基于价值定价：客户从解决方案中获得的价值越大，供应商收入越高。GMV抽成：商家的销售额越高，平台的收入也越高。

降低前期成本压力：相较于一次性高额定价，这两种模式往往能减少客户的前期资金压力。基于价值定价：客户先获得价值，再分享部分收益给供应商，降低了客户在使用新方案时的前期投入顾虑。GMV抽成：商家无需支付高额入驻费，而是基于实际销售额分享利润，降低了前期不确定性。

激励机制明确：两者均通过分成模式形成共赢关系，激励供应商/平台持续优化、提升服务质量，tp钱包下载促进客户/商家成长。

又有何巨大的差异点？

1. 价值的衡量对象不同

基于价值定价（Value-Based Pricing）：基于价值定价价值可体现为降低的成本、提高的生产率、增加的销售额、节省的时间、降低的风险等。这些价值往往需要通过KPI、ROI计算、对比实施前后的绩效差异来精确衡量。

GMV抽成：电商平台的衡量指标较为简单直接，即交易总额（GMV）。成交额是直接的货币量化指标，无需复杂的ROI推算。

2. 价值链位置与业务模型差异

基于价值定价：通常适用于企业软件、服务咨询、专业服务等较长价值链条和复杂场景，衡量价值常涉及多个维度与环节。

GMV抽成：通常发生在平台经济中，电商平台作为中间人连接买方与卖方，抽成的依据是终端成交额，对象清晰、交易瞬时完成、计价简易。

3. 价值确定的难易程度

基于价值定价：需对客户运营数据、使用情况、业务流程进行深入分析。价值计算较为复杂、定期校准，并需双方协商认可。

GMV抽成：计算简单明了，GMV来自平台订单数据，基本无需争议。

4. 风险与不确定性分配

基于价值定价：供应商需对客户业务改善效果有一定信心。如果客户未能实现期望的价值提升，供应商的收入也将受限。风险在于对价值实现的依赖。

GMV抽成：电商平台对商家销售结果有不确定性，但这种不确定性往往受市场、促销策略、流量分发等直接影响，平台可通过流量倾斜、活动策划等较直接方式影响GMV。风险更易通过市场手段调控。

5. 客户关系与角色定位

基于价值定价：供应商与客户往往是合作共创价值的关系。双方需要定期沟通、对账、评估ROI和价值实现程度。

GMV抽成：电商平台与商家关系更类似于“渠道与入驻方”。平台提供基础设施（流量、支付、物流支持），商家负责优化产品和营销。二者关系虽共赢，但平台往往在交易数据和流量分配上掌控更大话语权。

6. 应用场景广度不同

基于价值定价：常用于复杂B2B场景、高价值专业服务、AI解决方案、企业软件订阅升级等需要深度合作和定制化的场景。

GMV抽成：多用于B2C/B2B电商平台、在线零售、服务中介平台（如Airbnb对房东收入抽成、Uber对司机收入抽成）等大规模、高频的交易场景。

对于战略与运营产生的影响

对于采用基于价值定价的供应商而言，需要构建ROI模型、商业咨询能力、数据分析和持续客户成功管理的能力。对于采用GMV抽成的电商平台而言，则需要聚焦流量引入、用户体验优化、供应商多元化和定价透明度，提高平台整体交易规模。

因此，从相似性角度来看，两者都以共享价值增量为定价基础，将自身收入与客户（或商家）的成功紧密挂钩，从而建立共赢关系，激励提供方持续优化服务质量。

关键差异主要是以下两个方面：

基于价值定价的复杂度与灵活性更高，需要精准衡量客户业务价值与绩效改善。GMV抽成模型更为直观简洁，以最终成交额为基础，无需复杂ROI评估。

因此，我认为基于价值定价与GMV抽成模式均体现了从传统定价模式转向“基于成果与价值”的趋势，但二者在价值衡量难度、适用场景、客户关系性质和风险分配方式上存在显著差异。

03 AI agent 价值如何衡量？

这里最关键的问题是AI agent产生的价值量如何衡量，我在前期的文章中仔细分析过salesforce的定价模式Salesforce：劳动力无限化与AI Agent模型，这里serviceNOW的定价模式也类似。

在ServiceNow的价值定价策略中，确保客户获得约90%的价值，而ServiceNow保留10%的收益比例，是一种基于客户实际业务增值的定价模式。为了有效地衡量和定价这一10%的抽成，必须系统地量化ServiceNow解决方案为客户带来的具体价值。

1. 价值衡量的基础逻辑

价值定价的核心在于根据客户从解决方案中获得的实际净收益来设定价格。ServiceNow通过其AI功能（如Pro Plus和Now Assist），为客户带来了以下可量化的增值：

运营成本降低生产力提升收入提升风险与安全性改进

这些增值将被转化为货币价值，进而确定ServiceNow的10%收益分成。

2. 明确定义价值范畴

首先，明确哪些指标构成了客户所获价值的范畴。选择1-3个关键绩效指标（KPI）作为价值评估的核心：

①运营成本降低，包括：IT运维成本节省；客服人力成本降低；工单处理时间减少。

②生产力提升，包括：重复劳动减少；工作流自动化水平提高；任务处理时间缩短。

③ 收入提升，包括：客户满意度提升带来的留存率增加；销售流程优化促进交叉销售和追加销售。

3. 建立基准线（Baseline）

为准确衡量增量价值，需建立“没有ServiceNow解决方案”或“升级AI功能前”的基准表现水平：

IT工单处理时间

基准值：没有AI助力前，人力处理一个IT工单平均需要30分钟

实施后：引入AI后缩短至10分钟

客户满意度

基准值：没有智能客服前，客户满意度为80%

实施后：引入Now Assist后满意度提升至90%

这些基准值将用于量化增量价值。

4. 将效率提升与改进转换为货币价值

将KPI提升转化为经济价值是关键步骤。以下是我测试的具体的转换方法：

5. 10%分成的执行方式

在明确了增量价值V后（例如每年创造额外价值V美元），ServiceNow以10%为基准收取费用，即V的10%。

静态协议

合同周期：约定一个周期（如一年）对客户ROI进行量化评估。定价调整：在下一个付款周期根据真实实现的价值调整收费。

动态计费

座位数与代币消耗：基于客户使用量（座位数和代币消耗）作为价值的间接度量代理。相关性分析：通过分析客户使用量与KPI改进的相关性，将定价与使用量挂钩。 

客户使用量为 ????，核心就是AI agent能带来的价值，可能是收入提升，也有可能是成本节约等方面，事实上就是部分原来人工的成本转换+收入增长的部分转换？

客户的使用量 Q代表了 AI Agent 为客户带来的综合价值，这包括收入提升 和成本节约 两个主要方面。具体来说，这可以被视为部分原来人工成本的转换 以及收入增长的部分转换。下面将深入分析这一点，并对数学模型进行扩展和细化，以更准确地反映这种价值转换。

使用量 Q与价值 V的关系

价值组成：客户从 AI Agent 获得的总价值 V可以拆分为两个主要部分：

成本节约（Cost Savings）：

人工成本替代：AI Agent 代替部分人工任务，减少人力成本。

效率提升：通过自动化流程，减少时间和资源浪费，从而降低运营成本。

收入增长（Revenue Growth）：

销售提升：AI Agent 通过优化销售流程、提供智能推荐等功能，提升销售额。

客户满意度提高：更高效的客户服务提升客户满意度和忠诚度，间接促进收入增长。

ServiceNow 进一步完善其基于价值定价（Value-Based Pricing）模型，对于软件服务行业具有深远的影响。这不仅可能推动其自身业务的快速增长，还可能引发整个行业的变革，尤其是在总可寻址市场（Total Addressable Market, TAM）的扩展以及将劳动力支出AI化为软件收入方面。

基于价值定价是一种定价策略，价格主要依据客户从产品或服务中获得的实际经济价值，而非仅仅基于成本或竞争对手定价。ServiceNow通过这一策略，确保其产品和服务的定价与客户获得的价值直接挂钩，实现双赢。

对软件服务行业的影响

1. 推动行业定价模式转变

ServiceNow 的基于价值定价策略，可能会引领整个软件服务行业从传统的基于功能或用户数量的定价模式，转向更加注重实际业务价值和成果的定价方式。这种转变将促使其他软件服务提供商重新评估和优化其定价策略，以更好地匹配客户需求和价值。

2. 加速AI在企业中的应用

基于价值定价的模型，特别是与AI功能相结合，能够更好地展示AI在实际业务中的价值，如自动化流程、提高效率和降低成本等。这将进一步推动企业加速AI技术的采纳和应用，提升整体行业的智能化水平。

3. 增强客户关系与合作

通过价值定价，ServiceNow 与客户之间的关系更加紧密，双方共同关注业务成果和价值创造。这种合作模式将增强客户的忠诚度，提升客户满意度，同时为ServiceNow带来稳定和持续的收入增长。

总可寻址市场（TAM）的扩展

1. 拓展市场边界

基于价值定价的模型，使得ServiceNow能够进入更广泛的市场领域，涵盖更多需要高价值定制化解决方案的行业和企业。例如，医疗、金融、制造等行业，这些行业对高效、智能化的业务流程有着更高的需求。

2. 提高市场渗透率

通过展示其解决方案带来的实际业务价值，ServiceNow 能够更有效地说服潜在客户，提升市场渗透率。高价值的定价策略不仅吸引大中型企业，还能吸引那些追求高效率和高回报的小型企业，进一步扩大其市场覆盖范围。

3. 激发新市场需求

基于价值定价的创新模式，可以激发市场对AI驱动解决方案的新需求。企业在寻求优化业务流程、提升生产力和降低运营成本的过程中，会更愿意投资于能够带来显著价值的高端软件服务，从而推动整个市场的需求增长。

四、将劳动力支出AI化为软件收入

1. 劳动力成本转化

通过AI Agent等智能工具，ServiceNow 能够帮助企业自动化部分人工任务，显著降低劳动力成本。例如，自动化客服、智能IT运维和数据分析等功能，能够替代部分高成本的人力资源。这种转化不仅提升了企业的运营效率，还为ServiceNow带来了稳定的订阅收入。

2. 创造新的收入来源

AI Agent 不仅能够替代人工，还能通过提升业务效率和创造新的收入渠道，为企业带来额外的价值。ServiceNow 通过基于价值定价模型，从中抽取一定比例的收入，形成新的收入来源。这种模式使得软件服务收入与客户的业务增长紧密关联，实现了收入的持续增长。

3. 提升软件的战略价值

将劳动力支出AI化，提升了软件在企业战略中的地位。AI Agent 不再只是辅助工具，而是成为企业核心运营的一部分。ServiceNow 通过提供高价值的AI解决方案，提升了其在企业中的战略地位，增强了客户的依赖性和粘性。

未来，随着技术的不断进步和市场需求的持续增长，基于价值定价的模型将成为软件服务行业的重要发展方向。ServiceNow 通过这一策略，不仅能够实现自身业务的持续增长，还能为客户创造更大的价值，推动整个行业的智能化和高效化发展。

文章来源：贝叶斯之美，原文标题：《重磅！AI agent迈入价值GMV抽成新时代》

风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。