AI Agent 定价在客户支持中的现状：为什么基于结果的模式是下一个前沿

企业在生成式 AI 上的支出即将爆发，从 2025 年的 619 亿美元一路飙升，大型科技公司正竞相将认知服务变现。然而，尽管围绕那些能够规划、执行和适应的 AI Agent 充满兴奋，一个尴尬的事实依然存在：我们还没有弄清楚如何为它们定价。

计费软件提供商 Orb 最近进行的一项深度研究分析了 80 家 AI Agent 公司，发现只有 3.8% 采用基于结果的定价。订阅制和基于使用量的模式占据主导地位，即便 Agent 编排平台正开始从预定义的任务路由转向跨 Agent、软件、自动化和人员协调结果。对于以 CSAT、工单转接率和平均解决时间（MTTR）等指标为生的客户支持负责人来说，这一定价差距既代表风险，也代表巨大机遇。

讽刺意味十足。人人都赞美 AI Agent，却很少有人为它们所需的监督编制预算。工作流软件正朝着结果编排的方向发展，但大多数定价模型仍然按输入、对话分钟数、API 调用次数或席位许可来计费。这种脱节给效率带来了隐性成本，并减缓了真正自主支持系统的采用。在本文中，我们将剖析客户支持中 AI Agent 定价的经济学，揭示 Agent 监督的真实成本，并解释为什么基于结果的定价尽管尚处于萌芽阶段，却是释放支持自动化全部投资回报率的必然之路。

客户支持中的 AI Agent 革命：超越聊天机器人

自第一个基于规则的机器人处理密码重置以来，客户支持一直处于 AI 革命的前线。如今的 AI Agent 有着本质上的不同：它们不仅仅是响应；它们会推理、访问知识库、执行多步骤工作流，甚至主动联系客户。它们嵌在团队已经在使用的工具中，Workday 最近推动 Agent 编排的趋势就凸显了这一点，并可能影响对复杂案例解决和客户成功自动化等高价值工作负载的需求。

对于支持团队负责人和 SaaS 创始人来说，这种进化预示着两件事：更好的客户体验和大幅降低的运营成本。一个能够端到端解决账单争议、更新 CRM 并触发退款的 AI Agent，可以将 20 分钟的人工流程替换为 2 分钟的自主工作流。但在技术飞速前进的同时，商业模式却落后了，常常迫使买家为容量而非结果付费。这种错位在支持领域尤为痛苦，因为工单量会不可预测地激增，而一次互动的价值差异巨大，一个简单的“我如何重置密码？”与挽救一位流失客户的价值完全不同。

要理解这一格局，既需要审视 Agent 本身，也需要审视将它们串联起来的编排平台。Agent 营销和 Agent 支持正在融合：品牌正在学习将任务委派给 AI Agent，但真正的问题在于我们如何衡量成功，以及为成功付费。

定价谜题：订阅 vs. 使用量 vs. 结果

如今，绝大多数 AI Agent 公司依赖两种定价模型：订阅制（按席位或按 Agent）和基于使用量（按对话、按 Token 或按 API 调用）。基于结果的定价，即客户只为已证明的业务成果付费，例如解决的工单或未转接给人工的拦截，仍然很少见。

基于结果的定价采用率低并不令人意外。它更难实施，需要强大的衡量能力，而且往往要求许多 AI 供应商尚未赢得的信任水平。Apify 的 Jan Curn 认为，Agent 支付仍然微不足道，因为它们与 API 密钥竞争，而不是与 Visa 这样的支付网络竞争，而基于托管的可变定价（而非加密货币）将是解锁因素。这一观察对客户支持领域来说非常中肯：除非 Agent 行为与业务成果之间存在清晰、可审计的关联，否则品牌不会将一定比例的支持成本承诺给某个 Agent。

然而，3.8% 这个数字可能低估了即将到来的颠覆。对于 SaaS 和 B2B 支持团队来说，基于结果的定价完美地统一了激励机制。想象一下，按已解决对话付费，并为追加销售或成功续约提供奖励。Agent 供应商现在不仅要构建功能丰富的机器人，还要交付真正的运营节省和收入保护。

“免费”AI Agent 的真实成本：监督、返工和信任缺口

近期行业数据中最令人惊讶的发现之一，是当今 AI Agent 仍需要多少人工监督。G2 的研究显示，31% 的团队每周“盯机器”超过六小时，本质上是在照看那些本该为他们节省时间的 AI Agent。更令人震惊的是：45% 的受访者表示，由于 Agent 处理不当导致的返工、人工修正和升级，他们损失了超过四分之一的效率提升。只有 7% 的人完全信任他们的 Agent 并给予完全自主权。

这些统计数据揭示了一个根本性的脱节：Agent 作为自主救星被销售，但定价模型并未考虑“维持运转”的间接成本。当你按席位或按对话付费时，供应商完全没有动力去减少你的监督负担。事实上，高接触模式甚至可能从那些让人类留在循环中的不必要复杂性中获利。相比之下，基于结果的定价会内化这一成本。如果 Agent 需要大量人工辅助，它产生的可计费结果就会减少，从而迫使供应商改进。

对于支持运营专家来说，这个数学很简单：一个需要 10 分钟人工审核才能解决的工单，并没有真正省钱。真正的自动化必须同时减少工单量和管理开销。基于结果的定价提供了强制实现这种一致性的经济信号。

从编排到结果：重新设计支持技术栈

行业已经在朝着协调结果而非仅仅路由工单的平台发展。这些编排层连接多个 AI Agent、内部工具和人工工作流，以提供统一的客户旅程。前瞻性的支持领导者不再购买“工单机器人”和“聊天机器人”，而是投资于能够动态组合能力的系统，例如，一个 Agent 检查订单状态，然后触发保留优惠，然后安排后续电话，所有这些都无需预定义脚本。

这一转变反映了从 API 端点到协调业务流程的演变。正如 Apify 的 Curn 所指出的，Agent 目前与 API 密钥竞争，廉价、事务性且狭窄。然而，面向结果的平台则与托管服务甚至人类团队竞争。它们销售的是结果，其定价应反映这一价值。

对于构建支持密集型业务的 SaaS 创始人来说，这意味着重新评估整个技术栈。不要问“这个 Agent 每月要花多少钱？”，正确的问题应该是“每花一美元，我们能保留或获得多少收入？”当供应商的收入与你的成功挂钩时，他们就更像是合作伙伴，而不是软件提供商。

平衡自主与控制：Agent 采用的三地平线模型信任差距——只有7%的团队完全信任自主智能体——表明走向基于结果的定价必须循序渐进。我们提倡一种三阶段方法：

1. **第一阶段：人在回路中，结果感知定价。**在此阶段，智能体处理重复性、低风险的任务（密码重置、常见问题解答），而人类则介入处理复杂问题。供应商对这些需要持续监督的工单收取较低的每次解决费用。这一阶段建立了真正基于结果的定价所需的测量基础设施。

2.**第二阶段：增强自主性与共享收益。**智能体承担更复杂的任务，如账单纠纷、订阅修改，人类仅进行抽查。定价演变为混合模式：少量固定费用加上每次成功解决或保留收入的变动费用。供应商现在共享分流和客户满意度提升带来的收益。

3.**第三阶段：完全自主与结果保证。**在此级别，智能体在极少监督下运行，定价完全基于结果。例如，像Successly这样的支持自动化合作伙伴可能会按每次分流工单收费，如果客户满意度下降或升级超过阈值则会有惩罚。这就是必须打破7%信任门槛的地方，但这需要先进的人工智能和铁定的治理。

“基于结果的定价将风险从买家转移到供应商，这正是它应该归属的地方。当智能体无法执行时，供应商的收入受损，而不是客户的底线。”

杰文斯悖论与资本深化：为什么即使人工智能变得更便宜，支出仍会增加

这场讨论中一个引人入胜的层面是杰文斯悖论：随着人工智能智能体变得更高效（每个结果更便宜），对它们的总支出往往会增加，因为其使用量激增。根据经济分析，高效的人工智能可能并不意味着更少的能源或更低的成本；这个悖论展示了需求为何会增长，以及为何还没有人能说出人工智能的真正极限在哪里。这对支持预算有直接影响。

如果基于结果的定价使每个已解决工单的智能体成本降低10倍，支持领导者将倾向于在更多场景中部署它们：主动客户教育、入职培训、产品反馈收集，甚至销售。智能体主导的互动量可能会急剧上升，以至于总支出保持平稳甚至增加，但交付的价值却不成比例地增长。这是一个好问题。

然而，人工智能中的资本深化——投资超过简单替代周期的趋势——带来了风险。人工智能资产的折旧率令人惊叹。你今天购买的智能体可能在六个月内就过时了。订阅定价通过让你随时取消来掩盖这一风险，但基于结果的定价将其转移：供应商必须不断改进模型以持续交付结果。对买家来说，这是一个安全得多的赌注。

现实世界剧本：向高管层推销基于结果的人工智能智能体

在一个由SaaS订阅主导的世界里，获得对基于结果定价的支持并非易事。以下是支持领导者推销这一模型的分步框架：

-**量化当前每张工单的成本（完全加载）。**不仅包括智能体薪资，还包括监督时间、返工以及缓慢解决的機會成本。 -**为你的业务定义理想的“结果”。**可能是“无需人工接触即可解决的工单”或“客户满意度>4.5且解决时间<15分钟”。 -**进行两个月的影子试验。**选择一个愿意提供基于结果定价的供应商（即使是定制协议），并根据你的基线跟踪性能。 -**呈现损益影响。**从你避免的完全加载成本中减去可变结果费用。这会产生清晰的增量利润。 -实施联合治理委员会。 你的团队和供应商定期审查结果指标；这建立了扩展所需的信任。

许多组织会发现，即使是部分转变，例如将30%的工单量转移到基于结果的定价，也可以释放数百小时的监督时间，同时使供应商的创新路线图与你的支持目标保持一致。

Successly如何实现结果驱动的支持自动化

作为一个由人工智能驱动的客户支持自动化平台，Successly从一开始就以结果为导向构建。Successly不是按席位或按集成收费，而是跟踪并优化业务结果：分流工单、保持客户满意度、最小化解决时间。这种方法让支持团队领导无需增加员工即可扩展，并让SaaS创始人将支持成本直接与客户终身价值挂钩。

通过拥抱编排趋势，协调智能体、人类工作流程和业务工具以实现单一结果，Successly减少了拖垮许多自动化项目的隐藏开销。45%的返工消耗？内置护栏和持续学习循环将其削减至个位数。31%的机器人保姆？自主能力将监督需求降低了一个数量级。而且由于付款与价值挂钩，商业激励自然与成功保持一致。

随着行业逐渐接近Orb前瞻性数据所建议的2025年4.5%的基于结果采用率，早期行动者将锁定竞争优势。他们不仅每次解决的互动支付更少；他们还将推动供应商构建更自主、更可靠的智能体。这是一股提升所有船只的浪潮，除了那些仍然锚定在按席位定价上的船只。

结果背后的基础设施：衡量重要事项

为了使基于结果的定价大规模运作，你需要稳健的测量。这意味着实时仪表板跟踪：

• 工单分流率（按渠道、按主题）
• 智能体处理与人工处理互动的净客户满意度影响
• 返工率（需要人工干预的智能体互动百分比）
• 升级率和解决时间
• 受影响的收入（追加销售、减少流失）

这些指标支撑着任何结果合同。能够透明地呈现这些指标的供应商将赢得信任，从而获得溢价结果费率。那些不能的供应商将仍然停留在按次收费的商品定价中。

未来之路：2025年及以后

人工智能智能体定价格局正处于一个转折点。虽然目前只有3.8%的公司使用基于结果的模型，但编排成熟度、客户压力以及人工智能支出的庞大规模将迫使转变。Workday的智能体推动、Apify的托管定价实验以及SaaS世界中对业务结果的不懈关注都指向一个方向：为人工智能所取得的成就付费，而不是为其消耗付费。

对于支持领导者来说，信息很明确。如果你按席位付费，你可能在为未使用的容量多付钱。如果你按对话付费，你会因成功而受到惩罚，因为更多自动化客户意味着更多账单。只有基于结果的定价才能使自动化经济与真正目标保持一致：更快乐的客户、更低的成本以及无需增加员工即可扩展的支持组织。

“首先转向基于结果的人工智能定价的组织将定义未来十年的性能基准，并捕获不成比例的价值份额。”

这些数字讲述了一个故事：31%的保姆式监督、45%的返工、7%的信任。这就是定价不匹配的代价。机会呢？监督减少10倍，重复工单分流率达到90%，以及客户满意度曲线永不下降。这一切都始于反映人工智能智能体及其背后团队所交付真实价值的定价模型。