2026人工智能报告：从买家视角看AI定价

执行摘要

人工智能软件市场正从按席位订阅模式转向基于消费的定价模式，包括积分、代币、使用层级和按成果收费。本研究探讨了这一转变如何被买方接受。Pricing I/O与Benchmarkit合作，于2026年2月至4月期间调查了296名软件买家，受访者来自不同规模和行业，90%拥有总监级或以上头衔。调查结果显示，买家的情绪与市场的发展方向并不一致。

评估

1. 评估难度：买家在签约前难以预测AI成本。按席位制是唯一在签约前能获得信心的模式（43%认为最容易评估，14%认为最难）。其他模式如按使用量、按成果和混合定价的评估难度均高于按席位制，其中按积分/代币最难评估（55%）。
2. 评估标准：可预测性（而非价格）是首要评估标准。68%将可预测的总成本列为前三优先项；最低入门价格排名垫底，仅为19%。
3. 评估因素：随着公司规模和资历提升，定价讨论的重点从性能转向可防御性。技术买家比非技术买家要求更多的保护措施。

AI支出体验

1. 预算超支：89%的买家超出初始人工智能预算，主要原因是AI的使用量超出预期，而非供应商更改条款。
2. 超支原因：显著超支的买家报告的根源原因是AI产品产生活动超出团队预期，而中度超支的买家则难以模拟其购买内容。
3. 风险承担：67%的买家认为IT部门是AI成本风险的主要责任人，且随着公司规模扩大，IT部门的责任占比进一步提升。
4. 使用控制：买家更倾向于设置防护栏（如软上限、预警通知、月度/季度支出限额）而非硬性截断或预购信用池。

人工智能定价情绪

1. 定价偏好：买家首选基于座位的定价模式，最排斥纯基于结果的模式。对于关键性AI产品，可预测性优于所有变量替代方案。
2. 改进需求：买家希望AI定价更清晰、更可预测、更易于管理，首要要求是减少模糊性，其次是更可预测的成本和透明的定价。
3. 价值机制：买家希望设置消费护栏并明确价值机制，优先考虑标准化、实时消费仪表盘配合自动化软性上限警报。

人工智能与传统软件即服务

1. 认知差异：三分之一的买家将人工智能定价视为一个完全不同的类别，而三分之二的买家对AI定价抱有与传统SaaS相似的期望。
2. 评估难度：超过半数买家认为，基于信用额度和使用量的定价模式在人工智能领域比软件即服务领域更难评估。
3. 行业差异：科技行业的买家尤其倾向于认为基于信用额度和使用量的定价模式难以评估。
4. 规模差异：收入超过10亿美元的买家中，选择可变定价作为最不偏好选项。