帮30家独角兽定价，这位最懂AI产品定价的人却说：95%AI初创公司的定价都错了
2025年，AI应用全面爆发，越来越多产品开始进入真正的商业化阶段。
但在这场热潮背后，一个现实而尖锐的问题摆在所有AI团队面前：AI产品该如何定价？
在AI时代，这早已不是一个单纯的“价格问题”，而是关乎产品是否能走通、企业能否活下去的生死命题。
与传统SaaS不同，AI产品往往从Day 1就具备强大的增量价值，能替代原本昂贵且低效的人工流程。但如果你依旧套用SaaS那一套“低价订阅”模型，不仅无法体现价值，还容易训练出一批“只愿花$20买奇迹”的用户，彻底锁死未来的增长空间。
关于这个问题，不久前定价专家 Madhavan Ramanujam 在播客节目中接受了 Lenny 的采访。他被称为“最懂AI产品定价的人”，曾为超过250家企业（其中30家是独角兽）设计过定价模型。
Ramanujam的核心判断是：
“AI创业者不能等到后期才考虑怎么变现，必须从第一天就构建正确的定价模型。”
在这次访谈中，他系统讲解了两个核心问题：为什么95%的AI初创公司定价方式是错的？而正确的定价思维，又应该从哪里开始？
01 AI定价的“四象限“模型
AI定价的核心挑战：不是“多少钱”，而是“怎么收”。
传统SaaS逻辑是：人用得多、买得多；AI产品则是：它替你做了更多的事。这带来了两个全新的定价难题：
1）价值捕获滞后
很多AI产品从第一天起就创造了巨大的业务价值（如节省人力、加速流程），但创始人却仍按“每月$20”定价，导致收不回真实价值。
2）锚定错误心智
一旦早期用户被训练为“便宜好用”，哪怕后续功能再强，也难以调价。定价的锚定一旦成型，很难撬动。
Ramanujam总结道：
“AI产品不是在收钱，而是在训练用户的付费预期。你从第一天怎么收，将决定你未来是否还能收回来。”
由此，Ramanujam提出的“AI定价四象限模型”，基于两个维度：
横轴是「归因能力」：AI的效果是否可量化；
纵轴是「自主能力」：AI是否能独立交付结果；
这两个维度，划出了四种典型定价模型：
其中，四个定价模型又对应了不同的产品：
1）左下象限：传统SaaS逻辑
典型如“按人头订阅”，适用于协作工具、非核心系统。客户很难准确归因其价值，产品也不能独立完成业务交付。代表如传统SaaS产品（Notion、Slack），用户行为难以与结果绑定，适合“按人头”收费。
2）右下象限：AI协作助手
这些公司可以证明更多的归因，并展示他们实际带来了什么。但它们仍然没有处于完全自主的模式，仍然有人类在循环中。混合定价模式是他们的最佳选择。
3）左上象限：基础设施AI
这些产品非常自主，但在归因方面并不强。这些往往主要是后端或基础设施类型的产品。在这种情况下，您需要采用按消费量付费的模式。比如OpenAI API、Hugging Face Inference，作为底层能力调用，归因难，适合“按token或调用次数”收费。
4）右上象限：黄金象限（目标象限）
当AI产品具备“可归因+高自主”的特征，就拥有最大定价权，可以进入“黄金象限”：基于结果的定价（Outcome-based Pricing）。比如以下案例：
Intercom Fin：AI独立解决一个客服工单收$0.99，人类介入则不收费；
RevenueCat：帮助客户追回流失收入，按回收金额收25%-50%；
某AI定价系统：为连锁超市提升毛利率，按增收部分分成。
Ramanujam指出，进入“黄金象限”的公司，不仅能“收钱”，更能“收价值”。他预测，未来3年内，该象限的公司占比将从5%上升到25%。
02 最容易掉进的3个定价陷阱
AI产品价值高、交付快，但很多创始人在定价上反而被困住了。
Ramanujam指出三类常见陷阱：
1）定价过低，锚定在$20/月，锁死变现天花板
很多AI初创在起步阶段，为了快速拉新和扩张市场份额，会选择“低价策略”——例如每月 $20 的订阅费，甚至更低。
但Ramanujam指出，这是一个危险的误判，尤其对AI公司而言：
“如果你从第一天起就让客户习惯用20美元的价格享受巨大的价值，你就是在锚定自己，永远走不出低价区。”
为什么这在AI时代尤其致命？
因为AI产品的价值密度远高于传统SaaS。一个AI工具可以帮工程师节省数十小时开发时间，或将运营流程缩短一半。而这些“硬成果”本可以用更高的价格换取更大钱包份额，但一旦锚定在“20美元/月”的价格心智上，你不仅难以向上定价，还会训练客户“花更少的钱，得到更多成果”。
这会带来两个严重后果：
后期涨价会遭遇剧烈反弹，因为客户心理锚点已被锁死，即使你创造了10倍以上的价值，也很难收回对应价格；
高价值客户流失，因为真正愿意为结果买单的企业客户，反而会怀疑你是否“只是个便宜工具”。
Ramanujam举了一个典型案例：很多AI工具最初从“高级GPT壳产品”做起，定价亲民，用户众多，但后续推出更高价位的产品线时却遇到阻力，因为早期形成的价格预期已难以突破。
解决方案是：从第一天起，就围绕“你创造了多少价值”来定价，而不是“别人都怎么定价”来打折。
这就是Ramanujam所谓的“2080公理”：
“AI产品中，20%的核心功能通常创造80%的价值。而创业者最容易犯的错误，是把这20%免费送出去，来吸引用户，却忽略了这才是你最该变现的部分。”
与其低价跑量，不如早期就验证价值，设立合理锚点。因为对于AI来说，你的起售价，不是产品价值的反映，而是客户价值预期的起点。
2）以“功能试用”做POC，而不是构建商业案例。
在AI产品销售中，POC（概念验证）常被误解为“试用”。 但Ramanujam强调：
“POC不是功能跑通的问题，而是商业价值能否站住脚的问题。”
很多AI公司在前期免费跑大量POC，却没建立“价值归因”和“回报模型”，浪费资源还没法转化。只有付费POC，才会使客户在资源、注意力、组织协调上投入真实成本。
3）把AI当SaaS卖，忽略AI正在重塑“人”的角色
过去的软件是“工具”，帮助人提高效率，因此 SaaS 的定价模型也自然围绕“人”来构建：按用户数、按使用席位、按订阅周期。
但AI不同。
Ramanujam指出，AI产品不是在提升效率，而是在直接取代流程执行，扮演“主动干活的数字员工”角色。它不再是“人+工具”的补丁，而是“可替代部分人力”的执行体。这意味着：
客户不关心 AI 能不能“赋能用户”，而是关心 AI 能不能“帮我把这件事做完”
传统的按 seat（人头）定价，无法反映 AI 所创造的价值
真正合理的模型，是按任务完成量、增量收益或节省成本来定价，即“按结果付费”
这正是 Intercom 的 AI 产品 Fin 的逻辑：每自动解决一张客服工单收费 0.99 美元。AI能独立完成任务，客户就按成果结算；做不到，不计费。它不是 Copilot，而是 Agent，是团队的一员。
Ramanujam 用更直接的话说：
“AI 正在穿透服务市场，进入劳动力市场。”
也就是说，AI产品未来真正的竞争对手不是 Notion、Figma 这些 SaaS 工具，而是“人类本身”。你卖的不是一个系统功能，而是“一个永不疲倦、自动完成任务的数字劳动力”。
因此，如果你还在用传统 SaaS 的方式卖AI，无异于“雇了个机器人，还按人头算工资”。
03 这才是AI定价的正确打开方式
Ramanujam 给出了一系列“从第一天起就能用”的实战建议：
1）构建商业归因模型，从第一天开始就讲“ROI故事”
大多数AI初创把 POC（概念验证）当成产品测试：能不能跑通，兼容性怎么样，接口稳不稳定。
Ramanujam 则强调，POC的真正目的，不是展示功能，而是验证商业价值。也就是说，从第一天起，你就应该和客户共建一份 ROI 模型（投资回报模型），明确AI带来的增量收益、成本节约和机会成本提升。
比如：
节省多少人力成本（人时 × 工资）
减少多少流失、提升多少转化（KPI 拉动）
节省的时间如何被重新分配（机会价值）
提前构建这个模型有两个好处：
锁定“可归因的价值”，你收多少钱就有理有据；
后期谈判时，有客户参与共建的“证据链”支撑涨价。
Ramanujam 建议：不要等POC结束后才拿出一份ROI模型强行说服，而是和客户一起“剧本式搭建”这个模型，让他们对输入、假设、参数都形成共识。这样，输出的“收益数字”才有可信度。
2）为 POC 收费，设置筛选机制，避免“被白嫖”
“要不要为 POC 收费？”是AI创业者常见疑问。Ramanujam 的回答是：要，必须要，但要聪明地收。
原因很现实：不收费的POC，吸引来的不是潜在客户，而是“好奇玩家”——他们体验产品、拖时间，却没意愿落地采购。
收费的POC，就像一道“价值验证门槛”：
它会筛出真正愿意投入预算的客户；
也能让你更早进入采购团队的商业讨论流程；
更重要的是，它能改变对方对产品的预期：这不是“玩玩看”，而是“投资评估”。
但也要注意两个细节：
POC 定价不能锚定正式价格。要明确区分：“这是一个为了构建商业案例的验证过程，跟正式采购价无关”。
客户逼问“你们年费大概多少”时，可以给出 ROI 范围预估（比如“我们帮客户每年创造$100万价值，定价约为1/10~1/5”），用“合理分成”替代“直接报价”。
3）使用多层定价策略，让客户自己选“高锚点”
传统SaaS惯用的“一个版本一个价”不再适合AI产品。Ramanujam 建议使用“好/更好/最好”（Good/Better/Best）的阶梯型定价策略，或采用固定费+结果分成的组合定价，来实现三个目标：
提高价格锚点：哪怕客户最终选择基础方案，但在比较中，贵的版本抬高了心理接受区间；
引导客户关注“价值差异”而不是“价格差异”；
开启与不同采购层级的多轮对话，特别适合企业客户有多轮审批流程的情况。
举个例子：
Basic：$20K/年，含基础模型调用与支持；
Pro：$50K/年，含定制工作流 + 5% 成果分成；
Enterprise：$100K/年，按自动完成任务量付费，可定制嵌入业务系统。
这种结构下，“谈价”变成了“选方案”，而你的任务是解释“贵的值在哪”。
4）定价不是数字游戏，而是一个“价值叙事”
定价不是一张表格，而是一种讲故事的方式。
Ramanujam 举了一个例子：Superhuman 邮件客户端定价 $30/月，看起来很贵。但他们转而告诉客户：
“每天只花1美元，就能为你节省4小时工作时间。”
这种定价逻辑不是强调“功能有多强”，而是让客户用时间换算、情绪换算、目标达成感来衡量“划算不划算”。
关键在于：你的价格是否有一个可讲述的“价值故事”，并能落在用户认知的语境中。
如果你做的是AI设计工具，不妨说：“我们帮你的设计团队每周省下80小时，等于一个实习生全年产出”；
如果你做的是客服助手，别说“能自动回复”，而说：“每解决一张工单，你少付20美元人力成本。”
让定价成为故事的一部分，而不是Excel里的一个数字。
5）混合模式是过渡，结果型定价才是终点
目前大部分AI公司都在用混合定价：订阅费 + token 使用费（或 API 调用量）。Ramanujam认为，这是从传统SaaS过渡到AI时代的“中间形态”。
但终局是什么？是“结果型定价模型”：
按转化条数收费（如“帮助完成100个销售线索转化”）
按任务结算（如“每完成一次文档生成计费”）
按节省成本或提升产出比例收费（如“节省10万美元，收其中20%”）
Ramanujam 提到：
“过去SaaS公司能收回客户价值的10%~20%，而AI公司一旦实现结果交付闭环，有可能收回25%~50%的成果价值。”
这将是AI公司估值倍数重构的核心杠杆。
04 新的定价范式：市场份额×钱包份额
在传统商业思维中，很多创业者会将“市场份额（用户数）”和“钱包份额（每个客户贡献的收入）”视为一组二选一的权衡：
初期为了拉新，只能牺牲ARPU（用户平均收入）；
后期想要提升客单价，只能对用户数增长“踩刹车”。
但在AI时代，Ramanujam 提出了一种全新的思路：你需要的是“双引擎”策略，既要赢市场份额，也要掌握钱包份额。
他在访谈中指出：
“很多AI初创公司只顾着扩张用户，却忽视了自己创造了多少真实价值，从而错过了变现窗口。而另一些只会靠一两个大客户‘赚钱’，却无法形成规模扩张能力。”
这两种都是“单引擎”的路径，结果是：
前者成长快却变现难，估值浮夸；
后者现金流稳但天花板低，难以讲出大故事。
要真正走出一条长期稳健的路径，AI公司需要同时构建两种能力：
1）产品必须是“可归因的”
也就是客户能清楚知道——你的AI带来了哪些具体可衡量的业务价值：
成本降低了多少？
销售转化提升了几成？
用户留存、客服响应、项目交付效率有没有量化改善？
只有当AI的贡献能“写进客户的KPI”，你才能为成果定价，而不是为“使用权”打折。
2）产品必须具备“自动化能力”
这意味着AI不只是辅助用户操作，而是独立完成某项任务闭环：
帮你写完文案，而不是建议句子；
帮你发完邮件，而不是生成草稿；
帮你处理工单，而不是分析原因。
Ramanujam 称之为：“从SaaS工具变成数字劳动力”。
当客户发现你的产品“像请了一个不会请假的数字员工”，他就愿意持续付费，甚至扩大使用范围。
3）产品能从“点状需求”扩展到“流程嵌入”
真正的高钱包份额，不来自“一锤子买卖”，而是来自产品对客户流程的深入渗透：
是否能嵌入多个角色、多个部门的使用场景？
是否能打通上下游（比如从内容生成到投放监测）？
是否支持按需扩展，形成模块化打包销售？
当AI成为“组织结构的一部分”，而非“某个岗位的小工具”，客户自然愿意为整个流程付更多钱。
Ramanujam 最后总结道：
“好的定价策略，从来不是‘定得贵’，而是‘收回你创造的价值’。”
这就是AI公司该追求的黄金公式：
可归因 × 自动化 × 可扩展 = 高定价权 × 大钱包份额
它不仅能让你赢得客户，也让你赢得资本市场的定价筹码。
本文来自微信公众号“乌鸦智能说”，作者：智能乌鸦，36氪经授权发布。
