麦肯锡最新报告：AI 商业潜力高达 4.4 万亿美元，但面临商业变现模式难题

生成式 AI 登场两年半了。现在大多数软件都在努力跟 AI 扯上关系，似乎只要加上一个四芒星的按钮，自己就变成了 AI 软件。

最近，麦肯锡的一份报告指出，AI 驱动的生产力提升，可能创造高达 4.4 万亿美元的增量经济潜力。

但尴尬的情况在于，每个人都相信河床里有金子，但很少有人真正淘到金子。

换句话说，大家还没搞清楚那个根本性的问题：AI 软件到底应该如何收费？

为了回答这个问题，麦肯锡分析了 150 家全球软件供应商（包括传统 SaaS 巨头和 AI 原生公司）的定价模型，并与 50 多家正在推出 AI 产品的公司进行了交流。

读完这份报告，你也许没得到一个标准答案，但至少能了解一下当前的现状。

今天，让我们一起看看在 AI 时代，软件的生意到底该怎么做。

一、AI 商业化的骨感现实

首先，大家都承认，AI 带来的机遇是巨大的。AI+SaaS 的市场，已经从传统的 IT 预算，扩展到了人力成本预算。

然而，理想很丰满，现实很骨感。

尽管全球企业在 AI 应用上的支出在过去一年增长了八倍，达到近 50 亿美元，却仍然只占软件应用总支出的不到 1%。

增长远比预期要慢。

麦肯锡总结了当前 AI+SaaS 商业化面临的三个核心困境：

1. 无法被证明的「价值」

几乎所有 AI 公司都在宣传 AI 的「神奇用例」，但只有 30% 的公司能够拿出以美元计算的、来自真实客户部署的量化投资回报率（ROI）证明。

这意味着七成的公司在卖给你一个他们自己也说不清楚究竟能帮你省多少钱、或者多赚多少钱的东西。他们只能告诉你，「这东西很强大，能提高生产力」，但具体怎么提高，提高多少，对不起，我也不知道。

更要命的是，客户的体感与宣传完全相反。许多公司发现，他们的 IT 成本在飙升，但劳动力成本却丝毫未减。

报告里引用了一位财富 100 强公司人力资源高管的抱怨：

所有这些 Copilot（AI 助手）都号称能让我们用更少的人更高效地工作，但我的业务负责人却告诉我，他们现在还不能裁员。

这句话道出了管理者的心声。毕竟 AI 的核心卖点，就是「降本增效」，而「降本」最直接的体现就是裁员。

但实际上，高管们发现，AI 没能让他们裁掉员工，反而让软件账单变得更长了。

麦肯锡的报告指出，在一个典型的组织中，为整个客户服务技术栈启用 AI，可能会导致软件标价上涨 60% 到 80%。

换句话说，钱花出去了，人一个没少。这笔账，任何一个心智正常的 CEO 都算得明白。

当然，也不是没有正面典型，比如 Salesforce 推出了一个「Agentforce ROI 计算器」，向客户清晰地展示 AI 客服代理处理问询，相比人工客服能节省多少成本。

这种做法很有效，因为它让 AI 工具的价值变得具体、可衡量。

2. 盲盒般的「定价」

客户希望清楚地知道 AI 的成本将如何随着使用量的增加而变化，但目前许多定价模型都异常复杂和不透明。

一位财富 500 强公司的 CFO 形容了这种困境：

我完全不知道我们这个季度会在 AI 上花多少钱，这让人非常沮丧。我的业务部门对他们将要使用多少 AI 服务毫无预测，而且这些支出分散在几十个不同的软件供应商那里。相比之下，我在云计算上的支出虽然也是基于使用量，但却是可预测的，因为我们有明确的合同结构。

如今的 AI 工具定价，就像盲盒一样。你不知道这个月结束时账单会是多少。

这种不可预测性对于企业财务规划来说是致命的。企业喜欢确定性，而 AI 厂商提供的，却是一场关于成本的赌博。

3. 止步于试点的「采纳」

很多 AI 项目在试点阶段看起来很美好，但最终却无法大规模推广。根本原因在于企业对「变革管理」的投入严重不足。

麦肯锡根据成功推广的试点项目经验，提出了一个经验法则：企业在模型开发上每投入 1 美元，就应该准备好在变革管理上投入 3 美元。

这笔钱用于什么地方？包括前线部署工程师的支持、员工用户的培训和强化、以及建立绩效监控体系等等。没有这些配套工作，再好的 AI 工具也只会被束之高阁。

这也是一个反常识的观点。在传统的软件世界里，我们总以为最花钱的是研发。但在 AI 时代，让员工真正用起来、用得好、并融入工作流程的成本，可能是技术本身的三倍。绝大多数公司显然没有为这笔隐藏的巨额开销做好准备，导致无数 AI 项目在试点成功后，就再也没有然后了。

二、从 SaaS 到 AI+SaaS：商业模式的进化

面对这三大困境，麦肯锡也给出了解决办法。

在麦肯锡看来，传统 SaaS 模式的核心是「按人订阅」。这种模式简单、直接，收入可预测，在过去十年里大获成功。

但在 AI+SaaS 时代，这个模式正在失灵。

根本原因在于，AI 正在从「辅助人工作」变成「直接完成工作」。当价值的创造者从「登录系统的用户」变成了「执行任务的 AI」，再按用户数量收费就显得不合时宜了。随着 AI 承担的工作份额越来越大，人类用户的增长可能会放缓，甚至停滞。

同时，客户的期望也在改变。那些资金雄厚的 AI 原生创业公司，正在用更动态、与使用量挂钩的定价模式教育市场，它们为买家提供了更大的控制权、透明度和可扩展性，迫使传统软件巨头必须跟进。

因此，向「按量付费」模式转型，成为了必然选择。

要成功实现这种转型，软件供应商需要回答四个关键的定价设计问题。

1. 定价模型

传统的 SaaS 订阅就像自助餐，每个月只要付出固定费用就能随便用。但现在，按人订阅要么让厂家亏死，要么让用户觉得不值。

麦肯锡认为，纯粹的按用户订阅模式不会完全消失，但供应商必须将某种形式的按使用量付费模式融入其中。许多公司从「混合模式」开始。

当在订阅模式中增加使用量元素时，首先要决定如何处理超出配额的「额外」用量。通常有两种做法：

• • 用量包：适用于那些希望满足重度用户需求的公司。例如，HubSpot 在其订阅计划中包含了 AI 功能，并根据不同等级的套餐提供 500 到 5000 个不等的「积分」。超出部分，客户可以按需购买额外的积分包。
• • 流量限制：以 ChatGPT 企业版/商业版为代表。它仍然是按用户收费，但会限制某些模型每天、每周或每月处理的 token 数量。超出配额的用户仍然可以使用产品，但会被临时降级到能力较弱的模型。

除了混合模式，订阅模式本身也在进化。有些 AI 产品的价值与登录人数无关，这时「平台费」就成了更合理的选择。例如，自动化平台 Clay 对企业收取固定的订阅费，而不限制用户数量。

另外，AI 技术发展日新月异，今天的尖端功能可能明天就成了标配。软件公司必须频繁地审视自己的定价策略。比如 Zoom 的 AI 会议纪要和总结功能，最初是作为付费插件或高级套餐的一部分，但现在已经包含在所有付费计划中，不再额外收费。

对于那些能执行多种不同复杂度任务的 AI 产品组合，以使用量为中心的模式可能更合适。供应商可以对传统核心功能继续采用订阅模式，但对有显著差异化的 AI 功能按使用量收费。

当 AI 智能体能够自动化越来越复杂的任务时，客户的使用量和获得的价值差异巨大。例如，为一段 30 分钟的视频配音所需的工作量，远大于为一张图片移除背景。在这种情况下，按使用量收费对客户来说感觉更「公平」。

2. 定价标尺

选择了按使用量付费，只是第一步。接下来的关键是，这个「量」到底是什么？是 AI 消耗的计算资源？是它执行的动作次数？还是它带来的业务成果？

这个问题带来了不同的「定价标尺」：

• • 基于活动的指标：这是最常见也最实用的起点。但最好的指标，应该与产生的「业务价值」挂钩，而不是消耗的「资源」。比如比较两个 AI 销售开发代表（SDR）代理：一个按消耗的精力收费（如每发送一千封邮件），另一个按完成的销售开发工作流收费（如每识别一个潜在客户）。显然，后者更接近销售部门关心的业务价值。
• • 基于结果的指标：这比基于活动更近一步，它将价格与最终的业务成果质量挂钩，例如「每个合格的销售线索」。

理论上，基于结果的定价是最理想的，因为它将软件供应商和客户的利益完全绑定。但在实践中，执行起来极其困难。

要让它成功，需要满足几个苛刻的条件：

1. 1. 产品完成的工作与最终结果高度相关。
2. 2. 从执行工作流到看到结果的时间延迟很短。
3. 3. 不同客户对同一个结果的价值评估大致相同。
4. 4. 可以自动确认结果的成功，无需人工干预或判断。

一家 AI SDR 公司曾尝试为客户提供两种选择：基于结果（按合格线索付费）和基于活动（按触达的潜在客户数量付费），结果发现 90% 的客户选择了后者。因为预测支出和协商「合格线索」的定义，在每个客户那里都不同，导致谈判过程异常繁琐。

Zendesk 是少数成功实施基于结果定价的公司之一。他们对「每个成功解决的客户互动」收费 1.5 美元。为了实现这一点，他们进行了长达数月的边缘案例测试，建立了面向客户和内部的遥测系统，并制定了一个七步流程图来判断每一次客户互动是否算「成功解决」。这背后是巨大的工程和运营投入。

此外，对于拥有复杂产品组合的公司，还需要一个统一的定价标尺。比如 ServiceNow 的 Assists，Zendesk 的 resolutions，Salesforce 的 Flex Credits。为了体现不同 AI 动作的价值和成本不同，可以为每个动作设置不同的积分消耗数量。

3. 规模化

确定了定价标尺后，公司还需要决定价格如何随着用量的增加而变化。

• • 线性模型：每增加一个单位的用量，价格都和前一个单位相同。
• • 阶梯定价：用量被划分为不同的区间，每个区间的单价不同，通常是量越大单价越低。

这不仅仅是数学问题，它塑造了收入的可预测性、客户的追加销售行为和产品使用行为。

• • 批量折扣 通常用于需要销售人员介入的企业级交易，鼓励客户做出大额的预先承诺。
• • 阶梯定价 更常见于自助服务或产品驱动增长的模式，价格需要透明、渐进且足够灵活，以鼓励自然增长。

无论选择哪种模式，还需要设计购买计划来鼓励更多使用。关键要素包括灵活的支付条款、产品间的可置换性和公平的超额处理机制。

• • 支付模式：几乎所有公司都提供预付费和灵活承诺两种方式，并用不同的折扣率来平衡客户选择和收入可预测性。
• • 可置换性：调查显示，65% 的买家认为，将一个产品的使用量或支出承诺转移到另一个产品上非常重要。
• • 超额：领先的公司正在从立即收取超额费用，转向「True forward」机制，即根据上一周期的实际用量调整未来的承诺。

4. 定价水平

最后一个问题是：当成本变化时，定价怎么改？

这是 AI+SaaS 商业模式中最具挑战和不确定性的部分。传统 SaaS 的销货成本（COGS）几乎可以忽略不计，但 AI 时代的推理成本（inference cost）却相当可观。

供应商必须在两个趋势之间找到平衡：

• • 交付成本的下降：大语言模型的交付成本在过去两年中每年下降超过 80%。对于那些主要成本来自 LLM 的解决方案，价格可能会下降或容量会增加。Jasper AI 在 2022 年还对额外生成的文本收费，到 2023 年，标准套餐已包含无限制的文本生成。
• • 智能体动作复杂性的增加：AI 智能体正在执行更复杂的、多步骤的工作流，涉及外部 API 调用、数据库查询等。这类产品的价格可能会上涨。

在这种动态变化中，如何平衡「价值捕获」和「推广采用」至关重要。

目前来看，已经有两种策略被证明是有效的：

1. 1. 补贴或提供免费的初始用量：先让客户免费体验一些轻量级用例，一旦他们看到价值并形成依赖，再向上销售更高的配额。
2. 2. 从内置到独立：先将 AI 功能免费内置于核心产品中，待功能成熟、客户接受度提高后，再将其作为一个独立的、可盈利的产品推出。

Adobe 的历程就是一个典型例子。最初，他们在现有订阅中免费嵌入 AI 功能，并提供一定额度。到 2025 年初，随着客户吸引力增长，他们将 AI 功能转为独立的 SKU 进行商业化，增加了视频生成等新功能，并在客户用完初始的 1000 个免费积分后，提供从 10 美元到 200 美元不等的多种付费套餐。

2025 年第一季度，Adobe 从独立的 AI 产品中获得了 1.25 亿美元的收入。虽然这在该季度 57 亿美元的总收入中占比很小，但公司预计到本财年末，由 AI 驱动的业务将翻一番。

市场的数据也证明了这一点：尽管只有 16% 的传统 SaaS 公司将 AI 应用作为独立产品商业化，但这些公司的客户吸引力和收入增长是其他公司的 2 到 3 倍。

三、冰山之下：组织层面的变革

商业模式的转变远不止定价这么简单，它牵动着整个组织的变革。麦肯锡指出了三个受影响最大的职能部门。

• • 市场推广（GTM）：传统的「销售-客户成功-续约」交接流程正在瓦解。销售人员需要像「四分卫」一样，负责从签约到客户激活、再到用量管理的整个客户旅程。销售激励也从一次性的签约奖金，转向与客户的持续消耗挂钩。此外，采购决策者也从 IT 部门转向业务部门负责人，他们更关心 AI 能带来什么业务成果，而不仅仅是功能特性。
• • 产品、IT 与计费：按使用量付费需要全新的技术基础设施，尤其是遥测（telemetry）和计费系统。公司必须从头开始构建面向客户的用量追踪系统，提供实时可见性、成本换算和支出预测工具。后端的计费系统也必须支持传统 SaaS 堆栈中通常缺失的功能。
• • 财务与投资者关系（IR）：财务部门需要新的指标来衡量业务健康度，而不再是传统的年度经常性收入（ARR）。投资者关系部门则需要向市场清晰地解释这种转变，回答「短期收入会下降多少」以及「哪些先行指标预示着长期增长」等尖锐问题。

四、用户视角：谁在阻碍 AI 革命？

麦肯锡的报告更多地是从「供应商」的视角出发，探讨如何「卖」AI。而当我们把目光转向用户，会发现一些不同的思考。

1. AI 正在试图替代「错误的」员工

许多用户指出，目前企业使用 AI 的一个根本性错误，是总想着去替代那些在一线创造价值的基层员工。然而，组织的巨大低效，往往源于臃肿的中层和脱离实际的高层。

一个成功的『AI 转型』，应该自上而下，首先针对薪酬最高的人力。当前的 AI 已经很会说高管们的套话了，并且提供的价值也差不多。一个额外的好处是，AI 还会拒绝做不道德的事情，并且逻辑推理能力还不错。这样能节省的成本将是巨大的！

这种观点认为，基层员工通常对自己领域的专业知识有很好的掌握，而越往上层，信息传递越失真，中层管理者则深陷于流程、仪式和政治斗争中。决策者们做的无非是「利润最大化」和「削减成本」的陈词滥调。这些角色，才是最容易被 AI 替代的。

然而，现实中这几乎不可能发生。因为引入 AI 的决策者，恰恰就是这个体系中的人。管理者的激励结构往往是最大化自己管理的团队人数，因为这代表了组织内的权力和影响力。没有人愿意在简历上写「我管理 5 个人，但借助 AI，效率相当于管理 20 个人」。

2. 大公司是「故意」低效？

有人认为，对于那些已经处于垄断地位的成功公司来说，维持一定程度的内部低效，可能是一种故意的策略。

这个观点认为，当现金流源源不断时，你最好的策略就是「什么都不做」。因为任何实质性的改变，都可能打破现有的优势地位。CEO 的首要任务是「确保什么都不会发生」。

但人的天性是想要做事的，所以公司需要一个庞大的组织，让一部分人去挖坑，另一部分人去填坑。这样一来，每个人都很忙碌、很有成就感，但公司作为一个整体，对外的位置没有发生任何净变化。

为什么不保持一个小而精的团队，大家一起分享巨额利润呢？因为这在政治上是危险的。垄断地位会招来审查，庞大的员工数量则可以成为一种说辞：「看，我们提供了多少就业岗位。我们不是靠不公平优势，我们是在努力竞争。」

这个庞大的组织，也为公司提供了「选择权」，当真正的竞争威胁出现时，可以迅速调动这些被「雪藏」的优秀人才，释放他们的战斗力。

3. AI 与「狗屁工作」

人类学家大卫·格雷伯（David Graeber）曾提出「狗屁工作」（Bullshit Jobs）的概念，指那些毫无意义、员工自己都觉得不该存在的工作。

人们观察到一个奇怪的现象：中层管理者用 AI 生成冗长、曲折的报告，用来传达一些并不复杂的信息；而收到报告的人，又用 AI 去总结这些邮件，最终可能得到和最初提示词差不多的内容。

AI 似乎在那些「产出物本身的存在就是意义」的领域被大量使用，比如新闻稿、社交媒体帖子等，其质量反而成了次要考虑。一位用户感叹道：

AI 最好的应用场景是，包括创作者在内，没有人真正关心这个东西是什么、好不好、或者是否能很好地完成它的工作。它存在，只是因为它应该存在。

当组织里充满了这样的「狗屁工作」时，一个「废话生成器」自然就找到了用武之地。

五、结语

AI+SaaS 无疑是软件行业的下一个「超级周期」，但如何成功地将这项技术商业化，依然迷雾重重。

麦肯锡的报告指出了从定价到组织运营的全方位挑战。软件公司需要快速地做出设计选择，与真实客户一起测试，并以同样快的速度迭代。那些能够将定价与客户价值对齐，将市场策略与激活用户使用量对齐的公司，将最有可能抓住这个潜在的巨大机遇。

然而，技术和商业模式的讨论，可能只是冰山一角。水面之下，是根深蒂固的组织惯性、复杂的激励结构和深刻的人性博弈。

或许，AI 真正的颠覆性潜力，并不在于替代了多少程序员或客服，而在于它是否能够成为一面镜子，照见我们组织中那些早已存在却被视而不见的问题，并最终迫使我们做出改变。