席位的消亡：AI 对统一通信定价模式的影响

SaaS 模式正面临数十年来最严重的危机，价值重心正从用户登录转向自动化产出，这几乎颠覆了传统的付费模式。原因很简单：运行生成式 AI 需要巨额资金。

如今，全球各地的董事会都在苦思冥想如何为 AI 买单。

许多供应商已经意识到，按用户付费的许可模式并不适用于 AI。如果这种模式继续下去，企业实际上是在为数字包装付费，而不是为满足其独特需求的智能本身付费。对于习惯于固定月费的IT领导者来说，这种转变无疑是雪上加霜。

Gartner 预测今年全球软件支出将达到 1.43 万亿美元，但分析师警告称，AI 领域存在隐形成本。尽管这一数字令人震惊，但现实情况是，IT 团队已经难以维持预算收支平衡。该公司还发现，虽然支出增长了15%，但其中近 9% 的增长来自 AI 领域。现有软件价格上涨是主要原因，这意味着公司要为相同的体验支付更多费用。

为了在众多竞争者中脱颖而出，Avaya、Genesys、Talkdesk 和 RingCentral 等供应商正在测试新的策略，包括基于使用量的 AI 积分和基于结果的模型。他们希望在 AI 成本和客户满意度之间取得平衡。

COMMfusion 的总裁兼首席分析师 Blair Pleasant 表示，IT 领导者有几种方法可以避免价格冲击。

“供应商需要提供实时消费情况，以及动态阈值警报和实时通知，这些警报会在每月预算消费的不同节点触发，”Pleasant 说。“根据使用情况和支出金额提供警报是必不可少的，尤其是在出现突然高峰时。”

用 Token 替代座席

Pleasant 提出了一些控制 AI 成本的建议，包括使用带有自动断开开关的消耗上限（许多供应商目前都在这样做）、回退到基于规则的自动化，以及在达到信用额度后实施人工接管，以避免超额收费。

在基于结果的定价模式中，企业按已解决的交互次数付费，而非按座席数量付费，但业界仍在努力定义“成功”的标准。Genesys 首席产品官 Oliver Jouve 指出，对“成功”的清晰且一致的定义仍是AI定价面临的挑战。

“在客户体验（CX）领域，这可能意味着完成特定的运营操作，例如提高客户问题解决率和加快呼叫处理速度；也可能意味着实现业务成果，例如提升投资回报率和客户忠诚度，”Jouve表示。“这种多样性使得难以以任何可扩展或可靠的方式围绕成果来标准化定价。”

明确这些定义可以确保供应商不会对低质量的人工智能体验收费。但目前对于分辨率的实际含义还没有统一的定义。

“对一些公司来说，‘问题解决’意味着如果客户在三天内没有就同一问题再次来电，就视为问题已解决。而对另一些公司来说，一天之内就可能视为问题已解决，”Pleasant 说。“企业在与提供类似服务的供应商洽谈时，了解‘问题解决’的具体含义至关重要。”

AI 货币的兴起

这不仅仅是为了省钱，更是为了避免因高昂价格而感到震惊。Jouve表示，采用按需付费的框架对此起到了作用，这也是整个市场正在发展的方向。

“这就是为什么许多机构都倾向于采用按使用量付费的模式，这种模式让他们能够为实际使用的资源付费，”他说道。“事实上，一项研究发现，近50%的买家更喜欢这种模式。”

Jouve表示：“一种新兴的方法是 AI 货币或消费单位，它可以应用于不同的用例和功能。”

AI 在联络中心的应用优势显而易见。AI 可以大幅缩短平均处理时间并大幅减少员工数量，但其带来的负面影响已经显现。据 Challenger、Gray 和 Christmas 的数据显示，仅在过去一年，亚马逊、Salesforce、IBM 和汉莎航空等巨头就裁员近 5 万人。

这些削减措施不仅仅是用软件取代人力。它们标志着从零散的实验转向全面部署，最终能够完全取代人类角色。Pleasant 表示，虽然自动化会增加计算成本，但要确定盈亏平衡点却很困难。

“我认为没有固定的盈亏平衡点，而且情况会因情况而异，”她说道。AI 在处理大量基础交互时最具成本效益，例如密码重置和订单发货查询。然而，当交互涉及多个步骤、需要使用智能体进行实时推理，以及涉及文档、图像和语音等多模态交互时，成本会急剧上升，她补充道。

Jouve认为，AI 货币或 Token 模式能够保护消费者，因为供应商会逐步淘汰老旧技术。定价与 AI 交付的复杂性脱钩。

Jouve解释说：“无论底层 AI 是预测性的、生成性的、对话性的，还是采用大语言模型（LLM）和大型动作模型（LAM）的混合，其使用量都是以一致的单位来衡量的，从而使成本可预测。”

混合许可模式提供了一种折衷方案

许多供应商正在推出混合模式：基础订阅费加上使用费，这给IT采购团队增加了新的复杂性。对此，Pleasant 表示，供应商必须降低小型企业的基本成本。

如今大多数企业都致力于利用 AI 为整个业务创造价值。这就需要一种面向未来的定价模型，而不是受限于预定义指标的模型。

“它既能满足预算编制所需的可预测性，又能考虑到不断增长且可变的 AI 计算成本，从而实现了理想的平衡，”Pleasant 说。

Jouve表示，目标是建立一个适用于整个企业的模式。

他表示：“如今大多数企业都致力于利用 AI 为整个业务创造价值。这就需要一种能够适应未来发展的定价模型，而不是受限于预定义指标的模型。”

Jouve 表示，基于 Token 的消费模式使公司能够灵活快速地行动、测试新想法并应用 AI 来创造最大价值，而不会受到组织中任何一个部门对成功的定义限制。

首席财务官们渴望透明度和可衡量的价值

Pleasant 表示，AI 领域一个经常被忽视但成本高昂的支出是获取干净的数据。

“我们都知道‘垃圾进，垃圾出’的道理，所以对于组织来说，拥有正确标记且干净的数据至关重要，”她说。“这些数据必须不断更新，而不是一劳永逸。”

工作流程可移植性也存在长期风险。如果一家公司的所有系统都围绕某一家供应商的 AI 构建，未来的价格上涨就会造成锁定效应。迁移数据很容易，但迁移复杂的工作流程呢？那就完全是另一回事了，普莱森特说道。

“很多公司都在使用多个LLM来避免被供应商锁定，但他们并没有为了工作流程而这样做，”普莱森特说。

Jouve表示，他相信代币能够提供首席财务官们渴望的透明度。

“他们想看到人工智能投资如何转化为可衡量、可复制的价值。而这正是基于结果的定价模式的不足之处，因为结果难以定义、追踪或审计，”他说道。“对首席财务官而言，清晰度和可控性才是更重要的。”

Pleasant 表示，虽然有些工具仍将采用订阅模式，但其他一些工具的订阅模式正在消亡。

她表示：“随着我们越来越多地使用能够推理和采取行动的智能体，以用户为单位的模式将被取代。” 虽然座位数曾经是一个可衡量且易于理解的指标，但在智能体主导的世界里，统计人数已不再是量化 AI 价值和投资回报率的标准。