观点：AI 应用层不应按 Token 定价，应锚定“可识别的工作价值”

ChainCatcher 消息，a16z 合伙人 Sarah Wang 近日发文指出，AI 应用层产品不应模仿模型层按 Token 定价，而应定价在“可识别的工作单元”上。文章认为，Token 定价将应用产品价值锚定在一个成本持续下降的单元上，客户难以预测上下文长度、检索量或推理时间，且会将应用与原始算力进行不恰当比较。

文章建议按价值层级分层定价：模型层按 Token 定价；应用层按客户可识别的工作单元定价（如账户调研简报、代码修改、已完成查询），可通过 Credits 封装；可归因且价值清晰的场景直接按结果定价（如已解决的客服对话、合格线索）。Credits 设计应映射不同难度的工作，以保护毛利率并区分“工作价值”与“交付成本”。文中以 Clay 为例，其新定价将 Data Credits（第三方数据）与 Actions（编排工作）分离，对成本波动较大的推理模型仅做成本传导而不加价。作者认为定价锚定价值而非算力成本，既能让客户理解花费与价值，也有利于产品方守住利润空间。