摘要

Stripe 发布 2026 年 Monetize 大会洞察，覆盖当下 AI 产品在定价、成本管理与规模化上的五种主流打法。Forbes AI 50 中三分之二公司已转向某种形式的用量计费，行业从「以订阅吞掉用量」转向「以订阅包装用量、以 credit 简化多种用量单位」。Replit 展示了随模型成本下降快速调整定价的灵活性，Clay 把 token 视为「透传输入」而非差异化价值，强调以业务结果而非 token 级 ROI 来评估 AI 投入；Stripe 还指出当下 AI 引擎已成新的「定价页受众」——一项对 Cloud 100 公司的测试显示，AI 生成回答中某个公司出现负面定价描述的比例高达 88%，因抓取受阻被推回到 Reddit 等非正式信源、价格区间跨度可达 24 倍。

正文（译文）

Stripe 正在为 AI 搭建经济基础设施，看他们怎么做。

Forbes AI 50 榜单上三分之二的公司已经采用某种形式的用量计费（usage-based pricing），反映 AI 成本的可变性和需求难以预估的特点。在上个月第二届年度 Monetize 大会上，Metronome 联合创始人兼 CEO Scott Woody 说得更直白：当下头部公司的运营方式放在传统 SaaS 公司会显得很离谱。这些公司更快地迭代定价、把市场份额置于 ARR 之上、并同时跑多条 go-to-market。

来自 Stripe、Replit、Fin、Snowflake、Clay 与 Growth Unhinged 的领导者在 Monetize 上面对面交流定价、成本管理与 AI 产品规模化。整个会议中反复浮现五种当下公司在 AI 变现经济学上的打法。

混合定价：把用量打包进订阅与 credit

一年前，行业普遍预期用量计费会取代订阅。企业仍然在用订阅，只是用了一种新方式。

我们看到更多企业用订阅来包装可变的用量，通常借助 credit。

Fin 商业化产品总监 Aisling O'Reilly 讲述了自家公司定价模式的演进。Fin 的定价从平台订阅演变为混合模式，在推出 Fin AI Agent 时引入按结果计费。最早，客户为 AI agent 解决的每一次客服会话付费。随着产品扩展到推荐商品、筛选线索、预订会议等动作，原来那种「唯一」的可计费指标已经不足以代表客户价值。Fin 引入了更多可计费结果，让客户为每次对话类型选择他们想要的结果并按价值付费。客户可以承诺一池 credit，再按不同结果扣减，不必分别预测每一种结果。

对 Fin 以及许多其他公司而言浮现的是分层模型：订阅负责动作与可预测性，用量计费负责 agentic 工作，credit 用来简化多种用量或结果单位。

用量计费下，让客户感受到更可预测的成本，是最大的挑战之一。他们需要理解是什么在驱动用量、预估花费、设定上限、连接用量与价值。许多企业用产品内仪表盘、预测、与其他工具来满足这些需求。

Snowflake 高级总监 Ryan Campbell 解释他和团队如何借助产品内工具——预测、计算器、场景构建器、用量可见性——帮助客户监控并控制消费。同样地，Stripe 全球定价与商业化负责人 Sam Lee 把用法控制面板描述为新的标配：在控制面板里用户能查看告警、设定并调整消费上限、管理用量。

商业条款也可以在不脱离用量计费的前提下提供更多可预测性。年度用量桶、折扣超额量、首年固定合同加后续按实数确认，三种都让客户能更好地管理浮动账单。

当账单越来越难以预测，强用量控制就成了客户付费购买的一部分。这些控制帮助客户建立对公司与产品的信任。

随 AI 成本下降、用量上升，需要更灵活的包装方式

AI 能力进步使企业可以用不同方式包装同一款产品。订阅可以容纳低费率、限速的体验，用量计费可以承载资源密集型 agent 工作。Replit 同时使用两者，按模型成本与 agent 工作负载的偏移动态调整——Replit 总裁兼 AI 负责人 Michele Catasta 如是说。

过去 Replit 的 agent 每次只跑几分钟，公司按每个 agent checkpoint 收 25 美分。但随着运行时间变长，部分任务花 Replit 几美元成本而用户仍只付 25 美分。公司采用用量计费，把价格与 agent 完成的工作量绑得更紧。

这一举措解决了一个问题，又带来另一个：用户原本习惯了简单的月度订阅，现在花销变得不可预测、付费墙突然出现。随着推理成本下降——一定程度上源于开源模型能力变强、对前沿模型价格造成压力——Replit 推出了限速的 Free Mode，让用户能在简单订阅下继续构建。公司每月都会调整定价的几个元素，把省下来的成本让利给客户。

这打开了超越「一款产品、一种定价模型」的更灵活包装方式。企业可以同时使用订阅与用量计费，再随底层经济学变动调整两者的比例。这让企业能以不同的速度、价格与服务等级提供同一款产品的多个版本。

token 是公司成本，却很少是用户购买的东西

虽然 token 决定了一家公司的成本，但极少是客户以为自己在买的。在一场关于财务团队如何衡量 AI 价值的圆桌中，Clay 财务负责人 Karan Parekh 表示，公司不想做「对 token 加价征税」的生意。Clay 在定价时，把模型 token 与第三方数据视作透传输入（pass-through input），与产品本身的差异化价值分开。

Clay 用同样思路评估自身的内部 AI 投入。销售团队跟踪生产率、产品团队聚焦开发时间、支持团队度量吞吐与客户满意度。Parekh 的团队接受「自身 AI 支出增速高于收入」的情况，前提是这部分投入产出了 Clay 原本无法实现的东西。

归因很难——多个工具与流程变更共同促成同一个结果时，按 token 算 ROI 容易失真。Clay 的做法是按各职能目标去评估 AI 工具，每季度复盘一次 AI 投入是否真的奏效。对财务团队而言，业务结果比输入成本是更有用的视角。

定价信息必须同时对人与机器可读

Agent 已经在影响产品被发现和评估的方式，即使自主企业采购尚未真正成形。

为了理解买家可能如何在与 AI 生成的答案中遇到定价，Growth Unhinged 创始人 Kyle Poyar 测试了六款 AI 引擎对 Cloud 100 上各家公司的定价展示。他分析了 7600 条 AI 生成的回答。对于其中某家未具名公司，88% 的回答里出现了负面定价描述。由于缺少可被机器读到的定价，LLM 只能去爬 Reddit 等非正式来源，反馈回来的价格区间从每月每用户 100 美元到 2400 美元，跨度 24 倍。

对人来说完全可见的定价信息，如果对爬虫屏蔽、或者渲染方式让 agent 不可靠地解读，那基本上等于隐形。自主企业采购虽然还早，定价现在却有了两类受众。采购负责人仍是决策者，但那位帮他们评估采购的机器已经出现在画面里。

AI 产品、模型经济学与用量模式的演化都太快，定价无法保持静态。整场会议上，领导者们反复谈到的是：识别客户看重什么、把消费控制权交到客户手中、随产品与业务经济学变化调整定价与包装方式。

查看 Monetize 2026 的完整回放，了解 Replit、Fin、Snowflake、Clay、Growth Unhinged 与 Stripe 各位领导者的完整对话。

订阅 Stripe 的博客，及时收到新文章。

Stripe 为互联网构建金融工具与经济基础设施。