a16z 分析师 Tugce Erten：AI 应用如何在模型成本下降时守住溢价

推理成本持续下降，对 AI 应用公司而言既是利好也是威胁。a16z 分析师 Tugce Erten 在 2026 年 11 月 2 日发布的这篇文章中提出了一个核心判断：更便宜的推理可以改善应用公司的利润率，但更强的模型和更易用的开发工具也会让应用的某些部分更容易被替代。商业问题因此变成：当客户的替代方案持续改善时，他们还会为什么继续付费？

Erten 给出的检验标准很直接：当客户可以用通用模型加少量持续投入复现应用的核心输出时，该应用就处于脆弱状态。一个全球专业服务公司的买方告诉她，如果直接向前沿模型发一条提示就能产出比供应商工具更好的工作成果，该公司就看不到支付平台溢价的理由。该公司甚至为敏感项目搭建了内部 AI 平台，可以在本地或私有环境运行模型，也在尝试开源代码和商业应用的替代品。

基于这些观察，Erten 归纳出三条规则。第一条是比客户更好地执行工作流。客户不需要重建整个应用就能削弱定价权，把一项大批量任务搬到内部或建立一个可信替代方案就足够了。以合同审查为例，这意味着应用公司必须执行客户公司的法律标准、保持跨文档编辑的一致性、在谈判推进中保留上下文。法律 AI 公司 Harvey 的多智能体审查流程展示了这种执行深度：一个主控代理将审查分配给多个专业代理，协调冲突编辑，检查最终文档，根据每个任务的质量、速度和成本选择模型，并保留审查上下文使后续请求可以基于前次工作继续。Harvey 还描述了从律师接受、编辑或拒绝的红线中学习的机会，使未来审查需要更少指导。

在西班牙能源公司 Repsol 的盲测中，法律团队将 Harvey 与 Microsoft Copilot 及内部原型 Lexia 进行对比。Harvey 在盲测中交付了最高质量的输出，随后在涉及 12 个司法管辖区 50 名律师的八周试点中，在准确性和时间节省方面超越了替代方案。Repsol 随后进行了全面部署。Harvey 报告称律师现在每周节省四到六小时，法律部门采用率达到 96%。Erten 指出，这种优势可以随使用而复合：每个完成的工作流都能强化评估、验证上下文并加深客户特定知识，当学习改善下一次结果时，应用的优势可以累积。

第二条规则是让上下文租赁比自建更便宜。上下文可以通过独家访问或有用的准备来证明溢价。Erten 举了一家垂直软件公司的例子：该公司积累了约 3000 家公司的专有定价基准数据，正在探索通过模型上下文协议服务器让 AI 系统直接查询。经济逻辑很清晰：供应商一次收集、组织、验证和维护信息，然后将成本分摊到许多客户；每个客户以低于独自重建和维护同等资源的成本租到可靠、最新的上下文。同样的逻辑也可能适用于客户自有信息——政策、CRM 记录、合同和工作流历史可能已经属于买方，但为可靠使用而准备它们需要权限、标准化、检索和持续验证。

第三条规则是证明价值，然后定价以捕获它。Erten 引用了 a16z 在 2026 年 8 月对 100 位企业大语言模型决策者的调查：94% 预计总大语言模型支出将增加，37% 预计未来一年内至少翻倍。随着支出增长，客户需要看到它交付了什么：完成了多少工作、质量如何、相对于替代方案的总成本是多少。定价应始于客户可识别的工作单元——一份审查过的合同、一个解决的客服对话、一项完成的研究任务——并衡量其完整交付成本，包括检索、模型调用、工具、重试、评估和人工审查，计算每成功完成单元的成本时包含失败尝试。

在定价结构上，Erten 特别提到了数据公司 Clay 的做法。Clay 的定价备忘录描述了固定 AI 价格如何对简单工作负载收费过高同时使复杂工作负载无利可图。Clay 的回应是将数据积分与编排动作分开，为更有边界的 AI 工作负载保留固定积分定价，对更可变推理模型的实际 token 成本不加价直接传递。这给客户一种为编排付费的方式，同时将波动的模型输入单独处理。当价格与可识别的工作绑定时，供应商可以使用路由、缓存或更好的模型来改善利润率、降低价格或包含更多工作，客户无需追踪底层模型组合的每次变化即可分享这些收益。