麦肯锡观点：AI将撬动4.4万亿美元经济增量

在人工智能技术迅速渗透企业软件领域的背景下，软件形态正从“辅助工作的工具”向“主动执行与协调工作的平台”转型。根据麦肯锡的研究，AI技术的广泛应用预计将释放高达4.4万亿美元的经济增量潜力。AI与软件即服务（SaaS）的结合，作为企业软件领域继SaaS之后的又一主要驱动力，将成为推动经济增长的关键因素。

AI巨大的经济潜力已成为行业共识。然而，如何将技术潜力转化为可持续的商业价值，特别是如何为AI软件设计有效的定价模式，仍是摆在企业面前的核心挑战。

为系统应对这一问题，麦肯锡基于对全球150家软件供应商的定价策略与成功指标的深入研究，并结合与50余家正在推出AI产品的公司高管深度对话，系统剖析了AI提供商在盈利化过程中面临的实际障碍，并提炼出充分释放AI增长潜力所需的关键行动。

AI对企业软件的变革并非单纯的技术迭代，而是从“支持工作”到“执行工作”的价值提升。数据显示，2024年，33%的受访企业通过AI实现生产力提升，到2025年这一比例将提升至46%。从市场规模来看，全球企业AI应用支出在过去一年增长了8倍，规模约为50亿美元。

尽管AI的技术潜力已获广泛认可，但当前AI支出仅占软件应用总支出的不到1%，远未匹配4.4万亿美元的潜力规模。并且在商业化落地过程中，企业普遍面临三大瓶颈，制约价值转化效率。

第一大瓶颈：价值沟通与实现脱节，量化投资回报率（ROI）不足。多数企业虽反复强调AI的潜在用例，却缺乏可落地的价值证明，最近研究表明只有30%的企业能够公布其客户部署中可量化的ROI。麦肯锡提出，在典型组织里，为客户服务技术栈引入AI或许会使标价提高60%～80%，然而企业常常未能同步削减劳动力成本，造成“技术投入与价值回报”的短期失衡。

第二大瓶颈：价格可预测性不足，客户难以规划预算。AI定价模型的复杂性与不透明性成为阻碍客户大规模采用的重要因素。企业难以预估在AI方面的投入规模，业务部门也不清楚会使用哪些功能，使得企业难以将AI支出纳入长期财务规划。

第三大瓶颈：试点后规模化推广困难，变革管理投入不足。即便AI试点项目成功上线，多数企业仍因“重技术，轻变革”而无法实现规模化。麦肯锡指出，组织在AI模型开发上每投入1美元，便需配套3美元用于变革管理。如果缺乏投入，AI工具极易沦为“试点玩具”，难以融入日常工作流程，导致“技术闲置”。

为解锁万亿美元的市场潜力，企业需重构商业模式，将定价与“AI创造的工作价值”进行深度绑定。麦肯锡提出以下四个关键方向：

首先是定价模型，混合模式逐渐成为主流。虽然传统的“按用户包月订阅”模式不会完全消失，但为适应AI技术的特性，需要与“基于消费的定价”相结合，形成新的定价模式。一是“订阅+额外消费”制。核心功能保留订阅模式，超出基础容量的AI使用按消费计费。例如HubSpot在订阅计划中包含500～5000个AI积分，客户超出后可按1000积分为单位追加购买。二是无用户席位限制的平台订阅模式。对于AI主导的自动化平台，采用与用户数量无关的固定收费方式。例如潜在客户挖掘平台Clay，向企业收取统一的订阅费用，无论用户规模大小。需要注意的是，随着AI功能从“差异化”变为“标配”，定价策略需同步调整。例如Zoom的AI转录功能，最初作为高级套餐的附加项，现在已对所有用户免费开放。

其次是定价“计量器”，从“资源消耗”转向“价值交付”。麦肯锡指出，对于软件提供商来说，选择全部或部分转向消费定价模式，仅仅是拥抱AI+SaaS征程的第一步。选择与客户价值紧密关联的“定价单位”，才是AI商业化的核心所在。在AI商业化实践中，基于活动的指标因其可操作性强、易于量化，成为主流选择。理想的指标设计应当始终以业务价值为核心，而非仅仅衡量资源消耗。以销售开发代表为例，若以“每千封邮件发送量”计费，仅能反映工作投入。若以“识别出的潜在客户数量”为基准，则更能贴近销售团队关注的业务成果，体现价值导向的定价逻辑。

基于结果的定价模式在理论上更具前瞻性，例如按“合格潜在客户数”或“转化成功率”收费，但其大规模应用仍面临现实挑战。该模式的有效运转需满足四个前提：1）产品功能与业务成果之间须具备强因果关系；2）执行动作与结果产出之间的延迟应尽可能短；3）客户对“成功”的定义需趋于一致；4）成果确认过程需实现自动化，避免人工干预。

麦肯锡指出，在实践中，一家AI原生SDR公司发现，90%的客户倾向于选择基于活动的定价模式。究其原因，结果型定价在“合格线索”的定义协商、支出预测和合同谈判等方面流程繁琐，交易成本较高。

再者是扩展策略，平衡可预测性与规模化。除定价指标之外，提供消费模式的公司还需要决定如何根据使用情况调整客户支出。在线性模型中，每个增量使用单位的成本与前一个单位相同。在基于消费的层级模型中，每个部分的使用量都与差异化费率相关联。

• 付费模式：几乎所有供应商均提供“预付费”与“承诺使用”两种选项，按承诺量提供折扣，以平衡客户成本与企业收入预测；

• 可替代性：65%的买家关注“跨产品积分互换”机制，企业可提供限定条件下的积分互换服务（例如同一产品系列内），以支持客户灵活调整需求；

• 超额处理：从“即时收费”模式转向“前瞻性调整”机制，例如根据前一季度实际消费数据，动态调整下一季度承诺量；企业许可协议的评估周期从3～5年缩短至6—12个月，以适应AI技术应用的快速迭代。

最后是价格水平，平衡成本下降与价值提升。在AI+SaaS商业模式中，确定合适的价格水平是一项极具挑战性的任务，需要平衡成本下降与价值提升。随着大模型推理成本下降和代理功能复杂化，定价策略必须灵活应对这些矛盾趋势。

• 成本驱动的降价：根据最新数据，过去两年LLM交付成本每年下降超过80%，显著推动了基础AI功能的降价或扩容。例如Jasper AI从2022年“每5000字10美元”，变为2023年标准套餐内“无限制文本生成”；

• 价值驱动的提价：当前，AI代理正在执行更复杂的多步骤工作流，这类流程通常包含外部API调用、数据库查询以及第三方服务交互。随着应用场景向多步骤自主工作流演进，此类产品的定价水平可能会相应提升。

• 规模化补贴：借助“免费初始配额”降低试用门槛，例如某IT SaaS企业为签订传统协议的客户提供免费AI积分，待激活用户后再开展下一步行动。此外，还可以先将AI功能嵌入核心产品，待其成熟后独立为产品。

AI+SaaS商业模式的变革，需突破定价范畴，实现全组织协同，重点聚焦三大职能：一是市场进入体系重构，传统销售、客户成功与续约的职能壁垒正在消融。客户经理转型为全周期“价值负责人”，统筹客户从落地到扩张的全流程。销售激励从“预付款导向”转变为“用量导向”，推动团队关注客户持续成功而非短期季度交易。随着采购决策权从IT部门向业务部门转移，实施工程师等技术角色在用例挖掘和用量预测方面变得至关重要。二是技术架构升级，消费模式需全新的技术支撑。前端需构建“实时使用跟踪系统”，将使用量转化为成本并提供支出预测；后端需升级计费系统，支持使用量调节、成本转换、收入确认等功能。同时，内部需建立基于用量的销售激励与客户健康度监测机制。三是财务体系革新，财务部门需要建立新的指标体系，用“群组收入增长”“活跃客户增长”等用量指标替代传统的固定指标。投资者沟通时，需清晰阐释商业模式转型的逻辑，着重说明量化指标与收入增长之间的关联，妥善管理短期波动与长期价值的市场预期。

AI+SaaS正引领企业软件进入下一个“超级周期”，万亿美元的商业潜力并非遥不可及，但企业需突破“技术思维”的束缚，转向“价值驱动的商业模式设计”。那些能够迅速迭代定价策略、将量化指标与客户价值紧密结合、实现跨职能高效协同的企业，将在这场变革中抢占先机。

文章参考来源：麦肯锡