AI 效率悖论：当你的核心功能扼杀了营收

2026 年初，Atlassian 报告了一件公司历史上从未发生过的事情：企业席位数量下降。对于一家增长模式完全依赖于扩张收入（随着客户组织增长而销售更多席位）的公司来说，这是一个结构性警报，而非偶然波动。直接原因并非客户流失或产品失败。而是 Atlassian 自身的 AI 功能大幅提高了团队效率，以至于完成同样的工作量所需的席位更少了。

这就是 AI 效率悖论：构建一个真正为用户节省时间的功能，你可能正在训练他们减少对你产品的使用。你的 AI 越有用，你的定价模型崩溃得就越快。

构建 AI 功能的工程师通常将生产力的提升视为交付价值的指标。但“交付的价值”和“保留的收入”并非同一个指标，而两者之间的差距现在已经大到足以导致季度财报不及预期。

效率如何摧毁单席位收入的机制

传统的 SaaS 定价假设了一个简单的扩张模型：随着客户组织的增长，他们会增加更多席位。收入随着员工人数规模化。这之所以行得通，是因为价值单位——软件席位——是与需要它的员工绑定的。一名开发人员对应一个 IDE 许可；一名客服专员对应一个帮助台席位。

AI 打破了这种对应关系。使用 AI 辅助工作流的单个团队现在可以完成以前需要两到三倍人力才能完成的工作。当一个 AI 智能体处理相当于五名客服代表的工作量时，买家支付的是一个工作流的费用，而不是五个席位的费用。供应商每交付一个单位工作所获得的收入便会崩溃。

数据并非理论。在截至 2025 年的 12 个月内，基于席位的定价在 SaaS 市场份额中的占比从 21% 下降到 15%。中值净收入留存率（NRR）压缩至 101%，低于高增长 SaaS 时代 110-120% 的典型水平。扩张收入历史上占企业级 SaaS 年度经常性收入 (ARR) 增长的 50-75%，由于客户意识到他们不需要购买更多席位就能完成更多工作，扩张收入增长大幅放缓。

对于那些在 AI 工具上投入最重的供应商来说，这种动态最为糟糕。AI 越出色，用户完成工作的效率就越高。工作效率越高，下一份合同所需的席位就越少。

杰文斯悖论的转折：为什么这并不简单

一个有着 160 年历史的经济学谜题使效率悖论的故事变得复杂。当 William Stanley Jevons 在 1865 年研究煤炭消耗时，他注意到了一件违反直觉的事情：随着蒸汽机变得更加高效，煤炭的总消耗量反而增加了。效率降低了单位产出的成本，这使得煤炭驱动的生产在更多应用场景中变得可行，从而扩大了总需求。

同样的模式也出现在软件领域。当 GitHub Copilot 让开发人员编写代码的速度提高 51% 时，工程团队并没有缩减——他们交付了更多功能。开发人员的时间曾是瓶颈，缩短时间并没有消除对软件的需求；它扩展了组织认为自己可以构建的内容。尽管 AI 被广泛采用，美国劳工统计局预计到 2034 年软件开发人员仍将增长 15%。

这就是为什么 AI 效率悖论并非简单的“AI 杀死 SaaS”的故事。现实情况更加分化：

生产力 AI——如编码助手、写作辅助和分析加速工具——往往会触发杰文斯扩张（Jevons expansion）。它让个人变得更快，但不会取代特定的组织角色。团队在员工人数不变的情况下完成了更多工作；软件席位数量保持持平或增长。

自主 AI 智能体（Autonomous AI agents）——端到端取代特定工作职能的系统——则是另一回事。当一个 AI 智能体在没有人类参与的情况下处理完整的客服工单解决时，这并不是让客服专员变得更快；它直接取消了支持该专员工作所需的席位购买。自主智能体直接打破了员工人数与席位之间的对应关系。

收入风险最严重的受害者是那些在交付第一类 AI（生产力工具）的同时，定价模型却建立在第二类 AI（可取代的离散工作单位）之上的公司。

主要平台如何重新定价

市场对效率悖论的回应是争相转向基于结果的定价 (Outcome-based pricing)。逻辑很简单：如果你不能再按席位收费，那就按交付的结果收费。

Intercom 在其 Fin AI 产品中为 AI 驱动的客户支持开创了先河，采用了每解决一个工单 0.99 美元的结构。对“解决”的界定至关重要——只有在客户问题关闭且未上报给人工座席的情况下才会计费。采用率在定价调整后飙升了 40%，因为该模型直接将客户购买的东西（工单解决）与他们支付的费用挂钩。

HubSpot 紧随其后，对其 Breeze 智能体采用了结果定价：客户支持每解决一次对话 0.50 美元，销售挖掘每获得一个合格线索 1.00 美元。其赌注在于，比竞争对手（Intercom 为 0.99 美元，Zendesk 为 1.50 至 2.00 美元）更低的单位定价能快速建立规模，从而在可变成本结构下维持利润率。

Salesforce 发现自己处于最尴尬的境地。如果不蚕食现有的席位收入，他们就无法完全转向基于结果的定价。他们的应对措施是同时运行三种定价模型——按对话、按信用额度以及传统的预付费——试图在不破坏原有架构的情况下，同时服务于老合同和新架构。

这种紧张关系——既有收入保护着过时的结构，而市场却在向前移动——非常普遍。到 2025 年，43% 的企业级 SaaS 公司已经采用了混合定价模型，预计到 2026 年底这一比例将达到 61%。纯粹基于席位的玩家正日益成为少数派。

定价问题背后的成本结构问题

转向基于结果的定价（outcome-based pricing）并不能自动解决效率悖论。在其背后隐藏着一个成本结构问题。

传统的 SaaS 拥有 80–90% 的毛利率。而 AI SaaS 的毛利率仅为 50–60%，因为每一次推理都有随使用量扩展的真实计算成本。当你按解决的工单收费时，每个工单的成本不再是一个人时间的边际成本，而是推理、检索、编排以及 AI 失败时人工介入的边际成本。这些成本是变动且真实的。

这迫使定价逻辑发生改变。你需要将结果定价设得足够高，以覆盖推理成本，维持可行的毛利率，并考虑到 AI 失败导致完全无法收取结果费用的情况。那些在没有建模单次解决（per-resolution）AI 成本的情况下设定结果价格的供应商，往往会发现收入在增长，但利润空间却在压缩——这种增长是通向亏损而非盈利。

对产品团队的实际建议是：如果你正准备在一个按席位付费的产品中发布 AI 功能，你需要在功能发布前，而不是上线后，就制定好这一转型的计划。需要回答的问题包括：

• 该功能是帮助现有用户更快地完成当前工作，还是取代了目前作为计费席位的独立工作单元？
• 如果它取代了工作单元，那将如何改变下一个续约周期中扩张收入（expansion revenue）的计算方式？
• 交付该 AI 功能的实际单位成本是多少，当前的定价是否涵盖了该成本及利润？

能够经受住 AI 效率考验的定价架构

在效率悖论中表现最好的模型通常具有几个结构性特征。

具有明确定义的结果对齐。 Intercom 按解决量定价中的“解决（resolution）”并非模糊概念。它被精确定义为：客户问题已关闭、无人工介入、且在指定时间窗口内。当结果定义模糊时，就会产生争议，模型也会随之崩溃。在推行基于结果的定价之前，请像制定 SLA 一样严谨地定义结果。

保留最低 ARR 的使用量底线（Usage floors）。 混合模式——基础订阅费加使用量阶梯——可以保护供应商免受以下情况的影响：尽管客户获得了实际价值，但由于效率极高，产生的实际使用费接近于零。保底使用量承诺确立了每个合同周期的最低支出，这既保证了收入的可预测性，又能在 AI 使用量激增时获取额外收益。2025 年的数据显示，采用混合模式的公司比纯订阅模式的公司收入增长高出 38%，NRR（净收入留存率）也高出 38%。

考虑推理波动性的成本指数定价。 一些团队在设定结果价格时，会在单位成本基础上增加 18% 的波动缓冲，并加入价格保护条款，如果底层模型成本变动超过阈值，则允许进行调整。这是像基础设施一样进行工程化定价：为你无法完全控制的可变成本预留空间。

发布前的功能与收入映射。 那些走在效率悖论前面的组织，会对产品表面进行审计，找出 AI 效率会压缩席位的功能，然后在续约周期暴露缺口之前，针对这些特定功能重新调整定价。一旦客户已经消化了效率提升带来的收益，再进行追溯调整就会困难得多。

前瞻视角

Gartner 预计，到 2026 年底，40% 的企业软件将配备 AI 智能体，而 2025 年初这一比例约为 5%。这一压缩的时间线留给 SaaS 供应商有机迭代定价结构的空间非常小。

效率悖论并非暂时性的调整，它是软件价值与软件定价之间关系的永久性重构。当智能成本趋于商品化时，你销售的不再是对某种能力的访问权，而是将该能力应用于特定问题所产生的可衡量结果。

现在就将这种理解融入产品和定价决策的团队——在续约周期迫使对话发生之前——将处于与那些在季度财报电话会议中才发现问题的团队完全不同的结构性地位。

那些能为你的用户节省最多时间的 AI 功能，最有可能挑战你的收入模型。这不是不开发它们的理由，而是你在开发之前必须理解定价架构的原因。