所以你想销售 AI 推理服务？

在人工智能领域发展最快的企业，要么直接销售推理服务，要么转售此类服务。它们属于人工智能的初级衍生产品。但以成本价转售推理服务其实是一种毫无利润空间的业务：只不过是个支付通道而已，算不上真正的软件公司。

那么，要如何保持 30%或更高的毛利率呢？

归根结底，这依然取决于所有销售策略中所强调的同一核心区别：成本加成定价与基于价值的定价。

该图表展示了两种基于成本的定价机制。实线橙色曲线代表成本加成型价格策略：客户所需支付的价格是在成本基础上上浮 30%得出的。虚线绿色曲线则表示优化型定价策略：初始交付成本接近推理成本，但随着引擎性能的不断提升，这一成本会逐渐下降。而基于价值的定价策略并未出现在图表中，因为它完全独立于推理成本之外。

成本加成型价格策略：即在基础推理服务价格之上加上一定的加价。所谓“胸背带”，指的是围绕模型构建起来的产品、工作流程以及用户体验界面。这类产品必须具备足够的优势才能支撑其较高的价格。但成本加成模式会将消费者的支付意愿限制在推理服务的成本水平上，因此客户会将你的价格与原始 API 的价格进行比较，进而选择其他替代方案。随着推理服务逐渐变得日益普通，这种加价空间也会不断向零逼近。

基于价值的价格模式：根据实际工作量来收费，而非单纯依据成本。按照每处理完一个工单、每完成一项任务或每生成一份报告来计费，收费金额仅为所创造利润的一小部分。客户购买的是服务成果，而无需知晓背后的推理成本。Sierra 会在客服人员解决工单时收取费用，对于处理失败的情况则不收费。Devin 出售的是代理计算单元，而非代币——这与 Databricks 和 Snowflake 使用积分来将价格与实际计算资源分离的方式类似。这样一来，企业的利润率就能与推理服务本身的成本脱钩，从而更加稳定。

优化策略：降低成本。无论采用哪种定价模式，都可以通过模型路由、缓存技术以及将模型精简为参数量更小的专用模型，将推理成本降至 0.70 美元，从而提升利润率。模型路由与缓存属于可复制的技术手段；而模型精简则能在一段时间内保持竞争优势——只需让生产流量经过高性能的教师模型，再将其精简为参数量低于 80 亿的 student 模型，最后在低成本硬件上运行即可。如此一来，企业就能拥有竞争对手无法复制的专用模型，同时还能大幅降低成本。

还有一个变量需要考虑：如果客户希望自行管理密钥该怎么办？

采用自带密钥模式的客户会在云服务账单上看到真实的推理成本。成本加成模式则意味着：额外的加价实际上相当于对他们已支付的费用征收的税金，而他们可以通过其他方式规避这一成本。基于价值的模式则能够持续生存——你出售的是服务成果，客户需直接支付推理成本，同时再为你带来的成果付费。优化策略同样可行：客户自带加密密钥而非推理引擎，你可以收取平台费，帮助他们更高效地利用预算。无论哪种方式，你销售的都是平台，而非具体的加密令牌。

每家公司的董事会都应思考其 AI 推理转售业务所采用的是哪种定价模式。成本加成型相当于带有控制面板的支付处理服务，而基于价值型的则属于软件产品。答案将决定你应该构建哪种类型的业务。