AI · BM · 338
AI 按效付费定价法
Outcome Based AI Pricing Per Resolution · outcome-based-ai-pricing-per-resolution--eoghan-mccabe
所属簇 AI 定价与变现
解决什么问题
AI 产品早期定价没有历史锚点：成本极高（Intercom 的 Fin 刚上线时每单亏损，收 1 美元成本却要 1.2 美元），但又不能简单按成本加成定价,否则要么定价过高吓跑客户,要么定价过低无法盈利。这个案例给出了一种从"价值"倒推定价、而不是从"成本"正推定价的具体做法。
核心内容
Intercom 给 AI 客服 agent Fin 定价的过程：
- 先摸清人工基准价：调研发现大多数 SaaS 企业每单人工客服工单成本在 20-30 美元之间（消费级业务可低至 5 美元）。
- 不是从成本倒推,而是从"客户愿意认可数字工作价值"倒推：团队最初设想能否收 10 美元（约人工一半)、5 美元、甚至 2.5 美元,但意识到人们对"数字劳动"的心理定价远低于对"人工劳动"的定价,哪怕数字工作质量更好、更一致、随时可用。
- 落地到 99 美分/单解决：找到"客户群体最大化 x 单价可接受度最大化"的交叉点——如果客户连 99 美分都不愿意为解决一个问题付,那说明这个产品根本没有生意可做。
- 价格锚定"价值"而非"成本"：作者明确说"pricing should come from value or not from costs. The cost is our problem"——早期亏本运营是自己该消化的风险,不能转嫁成对客户的高定价;团队笃定"这个东西会变便宜",后来也确实实现了。
- 结果：99 美分/单成为一个几乎不需要解释的清晰卖点(convert 极高),同时公司在成本下降后获得可观利润率。
适用边界
- 前提是产品本身有清晰、可计量的"单次成功结果"(如"解决一个客服工单"),不是所有 AI 产品都有这样干净的计价单元。
- 需要愿意承受早期负毛利的现金/耐心,以及对模型成本曲线会下降的强信念。
- 这套定价逻辑建立在 Intercom 此前因复杂定价(按坐席+按消息+按线索多头计费)饱受客户诟病、甚至主动让出约 5000 万美元 ARR 简化定价的教训之上——先有"简单公平定价换取客户信任"的战略共识,才有后续 99 美分定价的合理性。
关键引述 · 原话
Eoghan McCabe: "I always believe that that pricing should come from value and not from costs. The cost is our problem."
Eoghan McCabe: "We basically said that if someone is not prepared to pay 99 cent for us to rapidly and elegantly perfectly and excellently solve their customer's problem, we need to wrap this up. We don't have a business here."
关联卡片
- 与"outcome-based pricing"(结果导向定价)大类相关,作者提到 Lenny 播客另一期嘉宾 Madhavan 对"beautifully simple pricing"和 outcome-based pricing 的偏好可作为互证。
被这些卡引用
出处：Eoghan McCabe (Intercom 创始人兼 CEO) · 03-podcasts/eoghan-mccabe.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · sonnet
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · sonnet