Token涨疯了，但这三位内行人说成本根本不是问题！

AI行业真心话

大家都在问Token贵不贵，但真正的问题是你到底在卖什么

上周在深圳，三个在AI应用里真刀真枪做生意的人坐在一起聊了一小时。

快决测的李韶辉做市场调研SaaS，未来式智能的任馨怡做智能体平台，指数引力的于北川做AI网红营销和出海工具。

主持人一开场就问：Token价格一直在涨，对出海有没有影响？

三个人几乎同时说：成本不是最大的问题。

然后花了一小时说清楚了更大的问题是什么。

你在和谁比成本？

李韶辉的算法很直接：他不把Token的钱和服务器账单比，他和人力比。一个人一个月 200 美金token费，团队如果省 10% 的人出来，节省的人工就远比 Token 费高，足够整个团队用很长一段时间了。于北川说他们做Laya前六个月严重亏损，确实是因为Token贵。但他的判断是：这个成本会下降，而且很大一部分下降不靠模型降价，靠工程——Cache命中率、跨模型路由、任务拆分。这是工程问题，不是战略卡点。把Token成本当成最大挑战的公司，往往是因为还没想清楚自己在卖什么。

一块豆腐，可以卖10块，也可以卖100块

任馨怡的比喻：Token是原材料，本身定价权不在你手里。你对外卖的是“一盘菜”。同一道麻婆豆腐，街边摊和高档餐厅，价格差十倍，差的不是豆腐钱。

问题就来了：你现在卖的是食材、锅具，还是那盘菜？快决测的答案是：卖决策。李韶辉说得很清楚——给问卷、给报告都不算结果，结果是老板拿到这份洞察之后，敢不敢拍一个五百万的投资决策。这背后值钱的不是Token，是十几年积累的垂直数据和行业知识库。

“如果真按Token付费，所有公司都要亏死。Token是一个价，为那个结果付出的努力和专业知识，才是定价的内核。”

于北川则直说了：中国企业不太愿意为软件工具付高价，这是结构性问题，短期不会变。他们的解法是把AI包装成服务来卖——AI干掉95%的工作量，但最终客户买单的是专业背书和结果承诺，毛利就在这里。

“按结果付费”听起来很新，其实用户已经在接受了

于北川说了一句很清醒的话：

“打开绝大多数软件还是19美金一个月3000积分。但这3000积分就是变相按结果付费，只是没有直接告诉用户。用户算的是这笔钱能帮他做几个PPT，值就付了。”

真正难的不是让用户接受“按结果付费”这个概念，而是你能不能定义结果、交付结果、度量结果。大多数AI工具还没做到这一步，所以只能先用订阅套一层，让用户慢慢建立认知。

最后一个洞察，最反常识

快结束时于北川说：对AI用得最激进的是00后、02年的年轻人，因为他们觉得自己什么都不懂，所以完全信任AI。反而做了八年程序的人，觉得AI不过如此，惯性最大，效率最低。李韶辉立刻接：强烈同意。他现在合作最顺的是22、23岁的年轻人。工作了七到十年的人总觉得在“玩对抗”，新东西进不去。这不是在说年轻人更聪明。而是：你对旧世界理解越深，切换成本越高。空白，在这个时间节点，是一种优势。

一场圆桌没有结论，但有三个问题值得认真想：
你卖的是食材还是菜？
你的定价内核是Token量还是结果价值？
你团队里，有没有那种“什么都不懂所以什么都敢试”的人？

更多对话细节

赵亮Abner：大家大概也听到了，从指数引力这边，还有李总的公司，其实都有出海的想法，或者说在海外已经做得非常好了；那未来式智能也许也有一些出海的计划。所以我们今天第一个话题，还是聊一个相对开放一点的话题：现在的“词元经济”和“Token出海”非常热，甚至有很多宏观经济学者都在讨论这两个词对我们整个国家的经济可能带来什么样的一些影响。在这样的一个背景下，想请各位嘉宾先分别聊一聊：在现在这样一个AI时代下，对于我们要出海的公司将面临怎样的机遇和挑战？因为整个Token的价格今年开年都在不断上涨，是不是对我们的业务或者出海会带来一些影响？ 要不就先请李总。

李韶辉：我觉得两方面看。一方面似乎这段时间Token或API贵了，但我觉得从整个行业发展来看，Token一定是越来越便宜的。所以在当下，从我们自己的实践来说，我们更多是考虑在商业上可运营的Token应用。我们在产品研发上，会选择GUI和对话式配合来用。我知道现在很多人觉得做AI Native的产品就是做对话式的产品。但是如果说我们做To B的话，以我自己的浅见，我觉得在很多场景下用对话式其实不是一个最好的方式。因为在用户意图非常明确的情况下，你还用个对话式去帮他解读一下意图，然后再等个30秒做个东西出来，其实是没那么顺畅的。这可能未必符合主流的一些想法，所以我们觉得GUI点一个键就能够去实现，这里面我们用的方式其实省了很多Token。但是在有必要的那些环节里，我们会用最好的算力、最先进的模型，不计成本地去满足他的要求。

如果去到全球化的话，我觉得可能对我们而言，最大的挑战不是Token的成本问题，最大的问题还是企业自己的资源问题，比如中国的人才和美国的人才、法律合规等问题，这些挑战更大一些。

赵亮Abner：所以对于你们来说，成本可能是一个次要的问题，可能其他主要的挑战比成本这件事要更重要一些。

李韶辉：对，这可能跟我们的行业相关。因为我们本身在调研行业，过去卖给客户的那个“人的时间”是很贵的。在这里面，如果我们用个200块钱的Token能替代人的工作，它便宜非常多。所以其实这个成本对我们来说是很小的。当然如果说我们要把产品变成一个全面都用AI来做这种交付的话，那可能成本会变得非常高，但我们现在没做这种选择，因为我们算了一下在成本上不划算，而且用户体验未必那么好。但未来如果AI的能力足够提升之后，可能我们会往那边做迁移。因为底层架构是完全可以的，我们只是在前面的封装用了一种GUI和对话混合的封装方式。

赵亮Abner：成本可能只是其中的一个很小的方面。那我们主要还是聊更多的一些机遇或者挑战，可以先再请北川讲讲。

于北川：我觉得跟李总刚才讲的有点像，我们在做出海这件事情，其实Day 1在考虑的就是商业模式，也就是你这个事情能不能跑通。其实我们在做Laya的时候——说出来可能有点丢脸——我们前六个月一直是非常严重亏损的，就是因为Token成本特别高。但实际上你知道这个成本是会下降的，然后这个下降可能不完全由大模型降价带来（因为最好的大模型成本实际上还是挺高的），这个下降量可能是由你的工程带来的。比如说你的Cache命中率越来越高，或者你可以不停地用其他模型来做一些交叉替换。比如我们Day 1上线的时候，我们基本全都用Claude，非常奢侈。因为当时最好的模型就是Claude，它是断崖式领先的。但在今年初的时候，我们基本上有一半的流量在切Gemini，它其实只比豆包贵了一点点，但在很多使用场景里表现更好，是性价比最高的模型（当然这是在DeepSeek-V4出来之前）。

对于我们来讲，我们更关心的是觉得Token其实只是一个表象，它本质上是智能，它带来的是满足需求的新方式。所以更重要的思考是，过去有哪些需求是没有Token做不到的？它其实带来了更多新的收费方式，比如我们过去讲叫“交付结果”。虽然今天很多软件很难做到一步到位的交付结果，但至少是一个点对点的结果，这种结果收费方式就会比过去SaaS软件的收费方式相对更灵活一些。你可以按照一张图、一个视频或一个客户转化来进行收费。实际上在这类节点上的收费率会显著高很多，客单价也会比过去的软件高很多。全行业的机遇也就在这，你有新的商业模式的思考点。中国有很多过去SaaS做的不够好，但其实在AI这一波，中国力量相对海外是做得很出色的，今天很多最好的AI软件其实都是中国团队做出来的，这是颠覆的机会。

赵亮Abner：所以在北川看来，其实成本是一方面，另外商业模式可能更重要一些。但会不会比如像你提到的，我们现在按照结果付费，可能比传统的订阅模式更灵活，但它会不会更难落地？面临更多挑战？

于北川：我觉得肯定是，新概念在教育市场的时候需要周期。比如大家讲了这么久的按结果付费，但打开绝大多数软件发现还是19美金一个月给你3000个积分。但实际上，这个3000积分的换算逻辑它其实是变相按结果（按工作量）来付费的。比如我们订阅这个软件，这3000分可能一周就用掉了，你衡量的方式是这对应了多少价值，比如它能给我做5个PPT，我把这几十美金花掉也是值得的。所以这并不是直接告诉用户你在按结果付费，而是在做潜移默化的转化。随着软件的普及，绝大多数用户已经接受了这种定量的计费模式，而不是无限用。新模式普及后才有机会，如果Day 1你去签一个完全跟过去理解相悖的收费方式，用户的付费率可能会很低。所以还是要从用户比较熟悉的模式去切，但你本身定价的内核其实是按交付结果来算的。

赵亮Abner：接下来有请馨怡，因为未来式智能我们也很熟悉，在To B端做得非常好。刚才又听说推出了面向To C的类似于Skill Market这样的产品，非常期待馨怡发表一下您的想法。

任馨怡：我挺开心的，两位分享的观点我都非常认同。其中第一个点就是“为结果付费”。Token量很大，但定价权不完全在我们手上，因为它属于产业链里面原材料级别的存在。对于原材料，你永远不可能把它价格抬得非常高去赚一大笔钱。我们对外销售的是一盘菜，就比如一盘麻婆豆腐，在不同厨师手段下、不同餐厅环境下，可以从几十到几百块钱都有可能。这就跟李总刚才提到的评估方式一样，如果通过AI能够裁掉两个人，省下的成本能跟AI工具的投入打平甚至还有赚，那这件事就值得投入，KPI和ROI很好去计算，这是实打实的为结果买单。

而在计算以外，我们真正要关心的是怎么做到把麻婆豆腐卖到一两百块，这也是我们今年推出产品“袋袋”的原因。在“袋袋”里面，我们对它的预期不再是以原始的Token方式去做标价，我们去在AI的基础之上，叠加大家对这些事情的Know-how。另一端，我们也非常希望找到有专长的人上“袋袋”，把对行业的认知放上去，你就是那个“厨师”。在原有的知识之外叠加AI算力，去帮别人解决问题，你赚到的也是那层最大的价值增值。

赵亮Abner：未来式智能一直在提出“数字劳动力按结果来进行付费”，馨怡也非常认可这种商业模式。那我就追问一个问题：因为不同数字员工担任不同岗位，解决的问题不一样。如果Token成本无限低，那定价没难度；但如果Token成本很高，你不同任务的消耗和成本结构也是不一样的，所以在定价这一块会不会面临挑战？

任馨怡：肯定会，前期说白了可能就是自己亏，因为你一定要用最顶尖最贵的算力去处理复杂的首发问题。但这有点像“支付路由”，如果有做过跨境的就会知道，支付过程中不同通道有不同价格，你会根据情况不停切换。所以在往结果付费的过程里，它一定会有个飞轮效应。前期没有好方案，你用最顶尖算力，但随着规模效益增加，你能命中一些历史Cache内容，整体成本就会下降。举个好理解的例子就是买保险，100个人买车，一年最多只有10个人出险，保险公司会亏吗？不会。当基数足够大之后，个别高成本情况是可以被整个池子摊薄的，这就是我们的规划。

赵亮Abner：我们第一轮的问题结束了，接下来进入第二轮。可能会对三位嘉宾分别做提问，结合咱们嘉宾自己公司的背景以及产品的背景一起来交流。第一个问题还是先请李总跟我们分享一下：贵公司一个非常典型的业务场景，或者一个成功的客户实践？ 这样大家也能近距离了解公司的业务。

李韶辉：典型场景，比如国内某个最顶尖的消费品品牌，他们所有事业部都在用我们提供的洞察系统。他们要做产品的概念测试、包装测试、价格测试等一系列测试。不同品类的人专业能力是不一样的，但通过我们系统AI自动化的赋能，不同的人都能做到专业级：AI自动把问卷做出来、把数据分析好、最后生成报告模型。再举个更典型的场景，如果老板说要开一个在线座谈会，我们会用AI赋能的在线座谈会工具叫“ezTalk”。让老板们同时跟全国各地100个人开在线座谈会做沟通。过程中这100个人刷屏的各种发言，AI会自动归类分析统计数据。AI甚至能针对当前的观点，自动帮老板拟定下一个问题，实现快速洞察来辅助决策。这可能是我们比较典型的用户场景。

赵亮Abner：像过去很多传统品牌公司都说想要用AI把业务结合起来，从您的视角看，他们现在是愿意为AI这种能力支付一个溢价，还是本质上为了降本增效？

李韶辉：我觉得这两个都有，所有企业都面临降本增效，肯定希望能降点本。但是因为我们做市场洞察，本质上是给老板做决策提供依据的，老板现在花几万块钱，是为了后面五百万、一千万甚至一个亿的投资做决定。所以对他而言，通过AI和数字化技术能更准确、更专业地帮他解决决策问题，这可能更重要。在我们行业，给个问卷或给个报告都不算交付结果，真正的结果是：这个东西到底能不能为你生意的决策提供一个真实可靠、有信心的决定。这其实挺难的。Token提供了专业自动化的串联能力，但背后更重要的是我们在垂直领域积累的数据和知识库，在这里面花的成本可能比我们在Token上花的成本高得多。如果真按Token付费的话，所有公司都要亏死。所以正如馨怡说的，同样做豆腐，我可以10块卖，也可以100块卖。Token是一个价，但我为创造那个结果所付出的努力、专业知识和投入，才是定价要考虑的内核。

赵亮Abner：那快决测到底是一个卖工具的公司还是卖结果的公司？

李韶辉：我们提供两种服务。一种是非常明确的纯服务，你提要求，我帮你全搞定；另一种是卖SaaS工具软件，比如一些头部的饮料品牌或霸王茶姬等，他们有专业能力愿意自己操作。我刚从硅谷回来，大家有个共同观点：服务和AI的结合，在未来商业机会上可能比单纯卖AI工具更有潜力。我们通过AI把服务做得更好，在行业上获得更多领先，而不是只盯着能裁掉多少人力去省钱。

赵亮Abner：那接下来请馨怡分享一下：咱们公司最典型的一个业务场景或者客户最佳实践。

任馨怡：我们现在的业务线可以分为To B和To C两条。To B这线很传统，是用于智能体搭建的平台，大部分中国企业是私有化部署，用自己或云的算力做智能体。我想分享的是C端产品“袋袋”上一个更有趣的场景，叫做“智能报关单”。

深圳是个典型的出口城市，出口商品需要向海关申报，表单非常繁琐，有很多不同的商品种类，有中文、英文、扫描件、手写件等。以前对于一个优秀的资深报关员，可能要两三个小时才能把这几十个票据全部处理好。但现在在“袋袋”上面，借助Agent的方式，你只需要上传材料，等待AI处理好，然后人工核对一下，事情就解决了。当你发现AI能这么显著地解决实际问题时，这就是非常典型的为结果买单。

赵亮Abner：那这个问题可能又回到了前段时间大家都在讨论的OpenClaw市场，当面向C端市场时，大家都会关心数据安全、隐私保护、合规等一系列问题，你们是怎么考虑的？

任馨怡：我们会很正式去面对。就像现实中办签证，你也会把身份证资产证明给代办机构，你既然能把材料给机构，给到一个AI，也要相信AI是有边界的，它不会把你的东西偷偷拿去做后训练。

另外，在“袋袋”的Skill Market上，我们希望有专长的人把经验放上来赋能别人，这里反而知识产权的保护更重要。比如你想教别人怎么提炼信息，但不想“教会徒弟饿死师傅”。所以在平台上，我们会对你的经验做一层保护：其他人用到的是你处理问题的结果，而看不到你背后的整套处理逻辑。你保留了最核心的知识沉淀，通过平台把能力放大获取收益，而其他人也在安全的边界内拿到了想要的结果。

赵亮Abner：那回头我们就在“袋袋”上上线一个主持人的Skill。最后一个问题，作为有To B基因的企业，为什么要做To C的产品？

任馨怡：主要两个原因。一个是我们去年在To B（比如国网、金融行业）沉淀了上万个智能体，但总面临一个问题，B端企业总有很多个性化定制，我们需要不停去修改。另一方面，当我们把企业定制的业务元素抛出去之后，发现有一些像打磨过的珍珠一样闪闪发光的通用能力，它们是可以被复用的，这就很适合放在C端。再加上今年，随着像OpenClaw这种形态的产品的爆发，大家突然发现AI真的能够以长链的方式去帮你处理复杂的任务了，这就是我们扩展到To C的原因。

赵亮Abner：明白了，这其实也是在AI应用赛道上的一个动态求解的过程。那接下来跟北川沟通一下，请详细介绍下贵公司几个产品历史演进的过程，为什么从第一个产品做到了第三个产品？

于北川：我们是23年底创业的，当时资本环境非常恶劣。我们认为AI本质是生产力革命，它能做很多过去必须人干的事，所以我们决定做“AI员工”。当时深圳很多出海企业非常需要营销，所以第一个赛道我们就切进了AI网红营销。

但是在GPT-3.5发布之前，当时市面上的AI应用能力非常差（像Dify、n8n），AI没有长线调度和使用工具的能力。到了24年（注：应为产品线迭代节点），当大模型具备了这个能力，我们意识到产品化的机会到了，所以在5月份开始做了Laya。

第二个大的变化点是，我们在国内做了很久To B的AI员工，发现To B非常苦。绝大多数中国企业不太愿意为软件工具付高价。如果你去挑战过去的商业模式，告诉客户这是一个AI软件，他就会问能不能把钱给得更少一点。 所以我们走的一条路叫做“AI+服务”，这也跟红杉资本讲的“下一个万亿美元的机会是AI+服务”很像。你可以用AI干掉95%的工作，但最终客户需要的是一个红圈所的背书和专业认知，它是愿意为这个专业服务支付溢价的。所以我们把AI包装成服务来卖，毛利就会变得更大。

在做全球化的时候，中国团队长着华人脸去做To B是个劣势，海外客户可能更倾向选择本地白人公司。所以我们选择做PLG（Product-Led Growth）的方式，通过To C市场打开To B，类似Cursor的模式，让员工自发去用然后找企业报销。

到了今年为什么又做了一条To C的新业务？因为随着模型进一步进化和Coding能力的急速上升，绝大多数过去的Agent和SaaS软件都被打掉了。新的代码生成能力让每个人都具备了简单做软件的能力，这就衍生了新生态下新内容的机会。

最核心的感受是：23年底我们团队是10个研发写代码，今天我们有三个业务依旧还是这10个人，单线效率比过去高了三倍。你其实没有减员，团队维持一个精简的规模，但业务数在增加。因为能把AI用到极致的人，市场上是非常稀缺的，所以招人反倒更难了。

赵亮Abner：非常羡慕北川他们，感觉是一个非常年轻的团队，你们平均年龄多大？于北川：我是96年的，基本在公司算是最大的了，00后和02年的非常多。我们发现对AI用得最激进的就是这帮年轻人，他们觉得自己什么都不懂，所以很相信AI。反而像我们这种有点像“老登”了的，干了八年程序出来，觉得AI不过如此。这样的人惯性很大，用AI效率反而是最低的。

李韶辉：强烈同意啊！我也是个老登，现在亲自管产研团队，在启动了AI Native转型之后，把组织架构打平。现在跟我合作最好的是那些22、23岁的年轻人。在AI应用上，那些工作了七到十年的有经验的人最难推动，他总觉得自己更懂，自己那套方法更好，新东西学不进去。于北川：对，特别有意思。上一个时代做推荐算法的人才，他的惯性是最大的，因为他觉得自己很懂就不屑于研究。年轻人觉得自己不懂，反而是最好的。

赵亮Abner：李总有没有很羡慕他们团队快速迭代、快速转向，甚至能从To B直接跨到做To C的产品？

李韶辉：我倒觉得，我们的愿景是要改变全球整个洞察行业，那就需要深入沉浸去一点点做。如果没被颠覆还能做10年，我更愿意死磕这个东西。而且To C太难太难了。

赵亮Abner：因为时间关系，我们今天这场Panel就到这里了。像今天这样一个主题也不会有一个确定性的结论，但更多是听三位嘉宾分享公司的思考和战略，这样对大家可能更有帮助。非常期待下次有机会能够跟各位嘉宾再继续交流，谢谢大家！