文章摘要
文章讨论了AI订阅服务的定价策略，指出尽管当前消费者每月支付20美元，但随着LLM成本每年下降10倍，企业预计在未来几年实现高利润率，最终获得丰厚利润。
文章总结
标题：AI订阅服务的成本困境
主要内容：
文章探讨了AI订阅服务在成本控制上的挑战，尤其是随着模型能力的提升，用户对高质量服务的需求不断增加，导致成本急剧上升。尽管AI模型的成本在逐年下降，但用户对最新、最先进模型的需求使得企业难以通过降低价格来维持利润。
关键点：
成本下降与需求转移：虽然AI模型的成本每年下降10倍，但用户始终倾向于使用最新、最先进的模型，这使得企业无法通过降低成本来提升利润。例如，GPT-4推出时，尽管GPT-3.5便宜26倍，用户仍然选择GPT-4。
任务复杂性与成本增加：随着AI模型能力的提升，用户任务的复杂性也在增加，导致每个任务消耗的token数量呈指数级增长。例如，一个20分钟的“深度研究”任务现在成本为1美元，但到2027年，一个24小时的任务成本可能高达4320美元。
订阅模式的困境：许多AI公司采用固定价格的订阅模式，但随着用户对高质量服务的需求增加，这种模式难以维持。例如，Claude Code曾尝试提供200美元/月的无限使用服务，但由于token消耗量过大，最终不得不取消该服务。
定价策略的挑战：尽管按使用量定价（usage-based pricing）在理论上更可持续，但消费者更倾向于选择固定价格的订阅服务。这使得AI公司陷入“囚徒困境”：如果所有公司都采用按使用量定价，行业将更可持续；但如果只有部分公司采用，其他公司则会通过提供无限使用的低价服务吸引用户，导致前者难以生存。
可能的解决方案：
- 按使用量定价：从第一天开始就采用按使用量定价，避免补贴用户。
- 高转换成本：通过与企业建立深度合作，增加用户的转换成本，从而维持高利润率。
- 垂直整合：将AI服务与其他基础设施服务捆绑，通过其他服务盈利，而AI服务则作为吸引用户的手段。
结论：
随着AI模型能力的提升，企业面临的成本压力越来越大，传统的固定价格订阅模式难以维持。未来的AI公司需要找到新的商业模式，如按使用量定价、增加用户转换成本或通过垂直整合来盈利，才能在激烈的市场竞争中生存下来。
感谢：Mark Hay、Ben Mains、Nikunj Kothari、Bryan Bischof、Andy Jiang、Vedika Jain和Aman Kishore对本文的审阅。
评论总结
模型使用与成本问题：
- 评论者指出，当前模型使用存在“杀鸡用牛刀”的问题，并非所有任务都需要最先进的通用模型（评论1：“Not every problem needs a SOTA generalist model”）。
- 一些评论者提到，使用AI工具时，尤其是Claude Code，令牌消耗速度极快，成本高昂（评论7：“hoo-boy those tokens burn fast, like really fast”）。
定价与商业模式：
- 评论者对按使用量计费的模式表示不满，认为用户更倾向于支付固定费用以避免意外账单（评论13：“consumers hate metered billing. they’d rather overpay for unlimited than get surprised by a bill”）。
- 也有评论者认为，按使用量计费在用户能够控制预算的情况下是可行的（评论13：“metered billing can actually be good, when the user knows exactly where they stand on the metering”）。
模型选择与性能：
- 评论者指出，用户并不总是选择最先进的模型，而是根据成本和需求选择适合的模型（评论22：“Lots of users use Sonnet 4 over Opus 4, despite Opus being ‘more’ SOTA”）。
- 也有评论者认为，模型的性能与成本之间的平衡是关键，用户更倾向于选择性价比高的模型（评论23：“The frontier isn’t scalar on just the capability, it’s on capability for a given cost”）。
开源与未来展望：
- 评论者提到，开源解决方案可能是未来的趋势，能够为用户提供更灵活和低成本的选择（评论21：“This is the moment an open source solution could pop in”）。
语言与表达问题：
- 一些评论者对文章中的语言表达提出批评，尤其是段落开头未使用大写字母的问题，认为这影响了阅读体验（评论15：“every time I started a paragraph and saw a lowercase, my brain and eyes were stalling”）。
总结：评论者普遍关注模型的使用效率、成本控制、定价模式以及用户选择模型的依据。同时，开源解决方案和语言表达问题也引发了讨论。