Ai native business model

AI Native 商业模式设计 — SKILL.md

一句话定位

AI 让生产边际成本趋近于零，但大多数公司还在按"成本+加成"收费。本 Skill 教你如何从"卖 AI 功能"升级为"卖确定性"，用确定性溢价公式设计高价值商业模式。

何时触发

• 已有 AI 产品，需要设计或优化商业模式
• 现有商业模式收入遇到瓶颈（价格战、ARPU低、转化差）
• 需要回答"AI 到底值多少"这个定价难题
• 想要构建可持续的护城河，而非依赖技术先发优势

---

核心概念

1. 6种正在失效的商业模式

现有 AI 商业模式都绕不开一个根本矛盾：AI 让生产边际成本趋近于零，但你的收费模式还在拼命计算边际成本。

模式	定价逻辑	失效原因	风险
Token 计费	调用量×单价	价格战，大厂补贴，2024-2025 API价格暴跌95%	🔴 高
按调用收费	成功次数×单价	天花板低，"幻觉税"——AI出错损失远超收费	🟡 中
SaaS 订阅	用户数×月费	"玩具税"——客户不觉得AI值那么多钱，ARPU低	🟡 中
买断制	License×价格	"迭代困境"——免费升级亏钱，收费升级被骂	🟡 中
免费增值	流量×广告	转化率低，算力黑洞，不可持续	🔴 高
项目制	项目数×金额	卖人头不是卖AI，不可规模化	🟠 中高

共同缺陷：它们都在为 AI 的 生产过程 收费，而不是为 AI 产生的 结果 收费。

2. 确定性溢价（Certainty Premium）

在 AI 时代，信息爆炸 + AI 幻觉 + 地缘动荡 → 不确定性急剧增加。确定性溢价 = 用户为获得"100%可验证的确定性"而愿意支付的额外费用。

核心公式

确定性溢价 = 用户的恐惧程度 × 出错的代价 × 替代成本

三个变量拆解：

变量	含义	量化方式
恐惧程度 (Fear Level)	用户对不确定性的敏感度，不是情绪而是耐受阈值	1-10分。高频决策+高监管=高分；低频+低风险=低分
出错代价 (Error Cost)	AI 出错时用户损失：金钱、职业风险、机会成本	单次错误的直接+间接损失金额
替代成本 (Alternative Cost)	找到同等确定性方案的代价	人工方案成本 - AI方案成本

确定性公式（底层逻辑）

确定性 = (可验证的事实 + 逻辑因果链) ÷ 实时噪音

• 分子越大（事实越多、逻辑越严密）→ 确定性越高
• 分母越大（信息越混乱、变化越快）→ 确定性越低
• 关键洞察：降低分母（过滤噪音）有时比提高分子（提升AI能力）更有效

确定性税（隐性成本）

客户因 AI 不确定性而付出的额外成本——时间成本（审核AI输出）、风险成本（AI出错损失）、机会成本（保守决策错过窗口）。确定性税只存在于出错代价高的场景。 Intercom Fin 的 $0.99/次，本质是把"确定性税"明码标价为"确定性溢价"。

3. 三个确定性维度

维度	核心承诺	客户痛点	付费逻辑	代表案例
事实确定性 (Truth)	每个数字都是真的，结论有依据	AI假消息泛滥，错误事实比没事实更危险	"我付钱是为了确保每个数字都是真的"	NeoTax 可信度分层
合规确定性 (Compliance)	不违法、不被罚、不踩红线	法规秒变，不知道下一秒什么会违规	"我付钱是为了买不违法的保险"	实时合规追踪系统
结果确定性 (Result)	输入即所得，不解决不收费	Prompt调试痛苦，AI答错还要人工兜底	"我付钱是为了省调试时间"	Intercom Fin $0.99/次

4. 四种确定性商业模式

Model 1：仲裁者模式（Arbiter Mode / Truth-as-a-Service）

• 核心：不让AI生成新内容，让AI做"真相的守门人"——校验、验证、交叉比对
• 定价：按验证次数收费（"公证费"模式）或订阅制
• 技术架构：用户输入 → 查询权威数据源 → 多源交叉验证（≥3个独立源） → 规则过滤 → 置信度评估 → 输出验证结果+证据链
• 关键指标：准确率 >99%，误报率极低，必须提供证据链
• 案例：Harvey AI（法律事实核查，$110亿估值）、Deepfake鉴定、合规审计AI
• 金句："仲裁者的核心竞争力不是AI能做什么，而是AI敢保证什么。"

Model 2：保险模式（Insurance Mode / Outcome-Guarantee）

• 核心：对结果负责，错了就赔。把"不确定性风险"从客户转移到服务商
• 定价：成功费/结果分成（NeoTax 10-20%、Intercom $0.99/次、Sierra $10万基础+$0.2-1.5/次佣金）
• 精算逻辑：预期利润 = 收取保费 - 预期赔偿 - 运营成本
• 关键机制：
  • 熔断机制（Circuit Breaker）：连续出错自动暂停，防止系统性赔偿
  • 客户筛选（Anti-Adverse Selection）：设置准入门槛，风险分层
  • 结果定义：必须客观可衡量、双方认可、可验证
• 自我强化：客户多 → 数据多 → AI更准 → 赔偿少 → 保费更低 → 客户更多
• 案例：NeoTax（成功费10-20%）、Intercom Fin（$0.99/次解决）、Sierra（$10万基础+效果佣金，18个月签约87家500强）
• 金句："如果你敢对结果负责，你就能收割这个时代最贵的确定性溢价。"

Model 3：闭环基础设施（Closed-Loop Infrastructure）

• 核心：数据不离开企业边界的私有化 AI 基础设施，解决数据安全和合规焦虑
• 定价：部署费 + 维护费 / 私有化订阅
• 案例：Databricks、企业私有化大模型部署
• 关键：提供持续迭代能力，避免"买断制"的迭代困境

Model 4：预测套利（Prediction Arbitrage / Time-Arbitrage）

• 核心：利用比别人更确定的预测能力，在时间差、信息差上实现跨时空价值捕获
• 定价：按规避损失/赚取收益 × 分成比例
• 预测价值公式：预测价值 = 提前知道信息 × 决策权重 × 行动规模
• 技术要求：因果AI（"如果我做了X，未来Y会怎样"）优于概率AI
• 预测三层次：常态预测（高可预测性）→ 黑天鹅准备（中）→ 真正黑天鹅（极低）
• 案例：Pencil（广告CTR预测）、供应链预警、能源对冲
• 金句："预测套利的本质是'时间差生意'。你提前知道，市场还不知道，然后你把这个认知差变现。"

5. 四种模式速查对比

模式	核心主张	定价逻辑	侧重确定性层	时间维度
仲裁者	"我能证明这是真的"	按验证次数	事实/准确	验证过去/现在
保险	"如果错了，我赔钱"	基础费+成功分成	结果	承担当前风险
闭环基础设施	"数据在这里绝对安全"	订阅+部署费	稳定+安全	保障当前环境
预测套利	"我能提前看到未来"	规避损失分成	准确+结果	预判未来

---

分步执行流程

Step 1：现有模式诊断

识别当前商业模式类型及失效信号。

输入：当前产品描述、定价方式、收入数据

诊断清单：

1. 你的收入主要来自哪种计费方式？（Token/调用/订阅/买断/免费增值/项目制）
2. 过去12个月是否面临价格战压力？
3. 客户是否觉得"AI不值这个价"？
4. AI出错时，谁承担损失？（客户 vs 服务商）
5. 客户切换到竞品的成本有多高？

输出：商业模式健康度评分（0-100）+ 失效风险清单

Step 2：恐惧级别评估

评估目标场景中用户对不确定性的恐惧程度。

恐惧级别评分标准：

级别	分数	特征	典型场景
极高恐惧	9-10	出错=灾难性后果，监管强制要求，职业风险	金融合规、医疗诊断、法律诉讼
高恐惧	7-8	出错=重大损失，行业高敏感度	税务申报、合同审查、安全审计
中恐惧	4-6	出错=效率损失，可人工补救	客服应答、内容营销、数据分析
低恐惧	1-3	出错=轻微不便，娱乐性场景	社交文案、游戏内容、日常搜索

评估三问：

1. 用户每天在不确定性中做多少次决策？（频率 → 恐惧累积）
2. 一次AI出错最坏会怎样？（后果严重度 → 恐惧强度）
3. 用户是否有"签字负责"的角色？（责任绑定 → 恐惧放大）

输出：恐惧级别评分（1-10）+ 恐惧来源清单

Step 3：错误成本计算

量化 AI 出错时用户承受的全部损失。

错误成本 = 直接损失 + 间接损失 + 机会成本

成本类型	包含内容	计算方式
直接损失	罚款、赔偿、退款、补救成本	单次事件金额
间接损失	声誉损失、客户流失、内部信任下降	估算年化影响
机会成本	因等待更确定答案而错过的时间窗口	延迟决策的价值损失

输出：单次错误成本估算 + 年化错误成本

Step 4：替代成本分析

评估用户获得同等确定性的替代方案成本。

替代方案清单：

1. 人工方案：请专家/顾问/律师需要多少费用？（通常最贵）
2. 传统软件：现有非AI方案的效率和成本？
3. 竞品AI：其他AI产品的定价和确定性水平？
4. 自建：用户自己搭建的成本（开发+维护+人力）？

替代成本 = 最佳替代方案的总成本 - AI方案成本

输出：替代方案对比矩阵 + 替代成本数值

Step 5：商业模式选择

根据确定性维度和行业特征，选择最适合的商业模式。

决策树：

你的产品核心交付物是什么？
├── 可验证的信息/判断 → 仲裁者模式（真相即服务）
│   判断标准：行业存在大量虚假/不确定信息，核心价值是"证明这是真的"
│
├── 可担保的结果/成果 → 保险模式（结果担保）
│   判断标准：结果可客观衡量，AI准确率足够高，客户基数可分散风险
│
├── 基础设施/平台能力 → 闭环基础设施（主权基础设施）
│   判断标准：数据安全是核心焦虑，客户需要私有化部署
│
└── 可量化的预测能力 → 预测套利（时间套利）
    判断标准：AI预测显著优于市场共识/人类判断，预测价值可量化

混合模式：大多数成功的 AI 公司混合使用多种模式：

• 基础层：闭环基础设施（私有化部署，解决数据焦虑）
• 应用层：保险模式（按结果收费，捕获高价值）
• 增值层：仲裁者模式（高级验证服务）

输出：推荐商业模式 + 混合策略 + 理由

Step 6：定价设计

基于确定性溢价公式设计定价策略。

定价推导：

价格上限 = 确定性溢价 = 恐惧程度 × 出错代价 × 替代成本
价格下限 = 交付成本 + 合理利润（≥30%毛利率）
最优定价 = 价格下限 + (价格上限 - 价格下限) × 支付意愿系数(0.3-0.7)

定价模式选择指南：

定价模式	适用场景	案例
按结果收费	结果可明确定义、成功可验证	NeoTax 10-20%成功费
按验证次数收费	仲裁者模式，验证量可统计	Harvey AI按合同审查量
按节省收费	时间/成本节省可量化	按节省工时收费
基础费+效果佣金	高价值高风险，风险共担	Sierra $10万+$0.2-1.5/次
订阅分级	持续使用，功能差异化	基础版/专业版/企业版

输出：定价策略文档（含定价模型、价格区间、分层方案）

Step 7：护城河评估

评估商业模式的长期可持续性。

AI 时代护城河四问：

1. 数据飞轮：用户使用 → 产生数据 → 训练更好模型 → 吸引更多用户？
2. 网络效应：用户越多，每个用户价值是否越大？
3. 转换成本：客户离开需要付出什么代价？
4. 品牌确定性：品牌是否成为"确定性"的代名词？

输出：护城河强度评估（强/中/弱）+ 增强建议

Step 8：商业模式简报输出

business_model_brief:
  current_model:
    type: "SaaS订阅"
    health_score: 45
    key_risks: ["大厂价格战", "ARPU低"]
  fear_assessment:
    level: 8  # 1-10
    sources: ["审计风险", "罚款恐惧", "职业责任"]
  error_cost:
    single_event: "$50,000"
    annual_estimate: "$500,000"
    breakdown: "罚款$30K + 声誉$10K + 机会$10K"
  alternative_cost:
    best_alternative: "人工税务律师"
    alternative_price: "$200/小时 × 40小时 = $8,000/次"
    ai_solution_cost: "$2,000/次"
    net_alternative_cost: "$6,000/次"
  certainty_value:
    dimension: "合规确定性 + 事实确定性"
    premium_formula: "8 × $50,000 × $6,000 = 高溢价空间"
  recommended_model:
    primary: "保险模式"
    secondary: "仲裁者模式"
    pricing: "成功费10-15%，失败不收费"
    price_range: "$2,000 - $8,000/次"
  moat_assessment:
    data_flywheel: "强 - 每次使用产生税务数据，模型持续优化"
    switching_cost: "中 - 需要重新对接数据源和审计流程"
    brand: "可建 - 定位'零风险税务合规'品牌"
  go_no_go: "go"
  next_stage: "p7"

---

关键原则

1. 卖确定性，不卖功能：客户买的不是"AI 能做什么"，而是"AI 保证什么"
2. 按结果收费，不按过程收费：Token 计费、调用计费都是过程思维，结果思维才能捕获高价值
3. 确定性是可以分层定价的：基础层给"信息"，进阶层给"担保"，最高层给"结果"
4. 护城河来自数据飞轮，不是技术壁垒：技术差距在缩小，数据差距在放大
5. 降低分母（过滤噪音）有时比提高分子（提升AI能力）更有效
6. 确定性税无处不在：客户已经在为不确定性付代价，你只是把它明码标价

常见陷阱

陷阱	错误认知	正确理解
"准确率95%"	准确率代表产品质量	准确率是对过去的统计，用户要的是对未来的保证
"确定性营销话术"	把确定性当卖点宣传	确定性必须能被验证、被追责、被量化
低估"幻觉税"	AI出错概率低，影响可控	AI出错的损失往往远超用户支付的费用
跟大厂定价	大厂做什么我做什么	大厂卖基础设施，你卖确定性应用——定价逻辑完全不同
忽视恐惧程度	客户怕的不是AI出错	客户怕的是"不知道AI什么时候出错"

---

示例

示例 1：法律AI（仲裁者模式）

场景：一家 LegalTech 创业公司开发了 AI 合同审查工具，目前按 SaaS 订阅收费 $299/月/律师。面临 Harvey AI 竞争压力，客户流失率高。

输入：

产品：AI合同风险审查
当前定价：$299/月/律师（SaaS订阅）
目标客户：中型律所（50-200名律师）
核心功能：自动标记合同中的风险条款、引用相关判例法

执行流程：

1. 模式诊断：SaaS订阅 → 健康度40分。问题：大厂（Harvey AI $110亿估值）正在吞噬市场，$299无法捕获合同漏洞可能造成的数百万损失。

2. 恐惧级别评估：9/10。律师对合同错误零容忍——一个遗漏的风险条款可能导致客户损失数百万，律师面临执业资格风险。

3. 错误成本计算：单次合同审查遗漏 → 客户平均损失 $200,000（诉讼/赔偿/交易失败）。律师声誉损失不可估量。

4. 替代成本分析：人工审查一份M&A合同需高级律师40小时 × $500/小时 = $20,000。AI方案 $299/月。替代成本极高。

5. 模式选择：仲裁者模式。不生成合同，而是验证合同——"证明这份合同是安全的"。可混合保险模式（审查遗漏则赔偿）。

6. 定价设计：

   • 价格上限 = 9 × $200,000 × $19,701 = 极高溢价
   • 按合同审查量收费：$500-2,000/份（远低于人工$20,000）
   • 高级模式：基础订阅 + 审查遗漏保险

输出：

business_model_brief:
  current_model:
    type: "SaaS订阅"
    health_score: 40
    key_risks: ["Harvey AI竞争", "ARPU无法匹配价值", "客户流失"]
  fear_assessment:
    level: 9
    sources: ["合同遗漏导致客户损失", "执业资格风险", "律所声誉"]
  error_cost:
    single_event: "$200,000"
    annual_estimate: "$2,000,000"
    breakdown: "客户诉讼赔偿$150K + 声誉$30K + 机会$20K"
  alternative_cost:
    best_alternative: "高级律师人工审查"
    alternative_price: "$20,000/份"
    ai_solution_cost: "$1,000/份"
    net_alternative_cost: "$19,000/份"
  recommended_model:
    primary: "仲裁者模式"
    secondary: "保险模式（审查遗漏赔偿）"
    pricing: "按合同审查量收费，$500-2,000/份"
    price_range: "$500 - $5,000/份（按复杂度分层）"
  moat_assessment:
    data_flywheel: "强 - 每份审查产生风险数据，模型持续优化"
    switching_cost: "高 - 律所工作流深度集成"
    brand: "可建 - 定位'合同安全守门人'"
  go_no_go: "go"

---

示例 2：医疗AI（保险模式）

场景：一家医疗AI公司开发了处方合理性检查系统，目前按医院订阅 $5,000/月收费。医院觉得"可买可不买"，续约率低。

输入：

产品：AI处方合理性检查（药物相互作用、剂量异常、禁忌症）
当前定价：$5,000/月/医院（SaaS订阅）
目标客户：三甲医院药剂科
核心功能：实时检查处方，标记潜在风险

执行流程：

1. 模式诊断：SaaS订阅 → 健康度35分。"玩具税"问题严重——医院把处方检查当"可选安全工具"，不是核心流程。

2. 恐惧级别评估：10/10。处方错误 = 患者生命危险 + 医疗事故诉讼 + 医生执照风险。这是恐惧级别最高的场景之一。

3. 错误成本计算：单次处方错误 → 患者伤害赔偿 $500,000-$5,000,000。医生执照吊销。医院声誉灾难。年化风险极高。

4. 替代成本分析：人工药师逐一审核 → 每张处方额外10分钟 × 每天500张 = 每天83小时药师工时 → 不可行。替代成本 = 雇佣额外药师团队 $300,000/年/医院。

5. 模式选择：保险模式。核心承诺："如果我们的AI没有标记出处方风险导致医疗事故，我们承担赔偿。"这将处方检查从"可选工具"变为"医疗责任保险"。

6. 定价设计：

   • 基础费 $3,000/月（确保服务可用）+ 每次检查 $0.50
   • 或：按避免的潜在赔偿分成（需精算模型）
   • 关键：建立熔断机制——连续3次漏检自动暂停，启动人工复核

输出：

business_model_brief:
  current_model:
    type: "SaaS订阅"
    health_score: 35
    key_risks: ["可买可不买心态", "续约率低", "无法证明ROI"]
  fear_assessment:
    level: 10
    sources: ["患者生命安全", "医疗事故诉讼", "医生执照风险", "医院声誉"]
  error_cost:
    single_event: "$500,000 - $5,000,000"
    annual_estimate: "$10,000,000+"
    breakdown: "患者赔偿$1-5M + 法律费用$200K + 声誉不可估量"
  alternative_cost:
    best_alternative: "额外雇佣药师团队"
    alternative_price: "$300,000/年/医院"
    ai_solution_cost: "$36,000/年"
    net_alternative_cost: "$264,000/年"
  recommended_model:
    primary: "保险模式（结果担保）"
    secondary: "仲裁者模式（处方验证）"
    pricing: "基础费$3,000/月 + $0.50/次检查 + 医疗事故赔偿承诺"
    price_range: "$3,000 - $10,000/月"
  moat_assessment:
    data_flywheel: "极强 - 处方数据是医疗AI最稀缺资源"
    switching_cost: "极高 - 医院系统深度集成 + 责任绑定"
    brand: "可建 - '处方安全保险'品牌定位"
  go_no_go: "go"

---

示例 3：金融AI（预测套利模式）

场景：一家FinTech公司开发了供应链金融风险预测AI，目前按API调用次数收费 $0.10/次。客户使用频率低，觉得"结果不确定，不如用传统风控"。

输入：

产品：AI供应链金融风险预测（预测供应商违约概率、应收账款坏账风险）
当前定价：$0.10/次API调用
目标客户：供应链金融平台、保理公司
核心功能：基于多维数据（财务、舆情、物流、海关）预测供应商违约概率

执行流程：

1. 模式诊断：按调用收费 → 健康度30分。问题：客户觉得"预测不一定准"，调用频率低。Token思维无法捕获预测价值。

2. 恐惧级别评估：8/10。供应链金融坏账 = 直接资金损失。保理公司一次坏账可能吃掉全年利润。

3. 错误成本计算：单次预测失误（漏判违约供应商）→ 坏账损失 $100,000 - $2,000,000。年化：一家保理公司年坏账率若从3%降至1%，每$1亿保理额节省$200万。

4. 替代成本分析：传统人工风控 → 每个供应商调查需3-5天 × 分析师$200/天 = $600-1,000/供应商。且人工无法覆盖数百家供应商的实时监控。AI方案 $0.10/次 → 替代成本极高。

5. 模式选择：预测套利模式。核心承诺："如果我们的预测准确率低于约定基准（如AUC>0.85），按降低比例退款。"更进一步：按规避的坏账损失分成。

6. 定价设计：

   • 旧模式：$0.10/次 → 年收入 $10,000（客户调用10万次）
   • 新模式：年订阅 $50,000 + 规避坏账金额的5-10%分成
   • 验证机制：每月出具预测准确率报告，与实际违约对比

输出：

business_model_brief:
  current_model:
    type: "API调用计费"
    health_score: 30
    key_risks: ["客户调用频率低", "无法证明预测价值", "价格战"]
  fear_assessment:
    level: 8
    sources: ["坏账损失", "风控失职问责", "资金链断裂风险"]
  error_cost:
    single_event: "$100,000 - $2,000,000"
    annual_estimate: "$5,000,000"
    breakdown: "坏账损失$3-5M + 法律追偿$500K + 客户流失$500K"
  alternative_cost:
    best_alternative: "人工风控团队+传统征信"
    alternative_price: "$500,000/年（分析师团队）"
    ai_solution_cost: "$50,000/年（基础订阅）"
    net_alternative_cost: "$450,000/年"
  recommended_model:
    primary: "预测套利"
    secondary: "保险模式（预测失误退款）"
    pricing: "年订阅$50K + 规避坏账金额5-10%分成"
    price_range: "$50,000 - $300,000/年"
  moat_assessment:
    data_flywheel: "极强 - 每次预测验证产生新数据，模型越用越准"
    switching_cost: "高 - API深度集成 + 历史预测数据迁移成本"
    brand: "可建 - '供应链风控AI第一品牌'"
  go_no_go: "go"

---

整合子方法（原 p6a–p6d）

p6a: 确定性溢价计算器

基于核心公式（恐惧程度×出错代价×替代成本）计算产品的确定性溢价，帮助从"卖功能"升级为"卖确定性"。输入产品场景+用户描述+当前定价，输出溢价评分与定价建议。

p6b: 仲裁者模式设计器

设计以"真相即服务"为核心的商业模式：提供可验证的真实信息和判断，让用户相信每个数字都是真的。适用场景：产品核心价值是可验证信息、行业存在大量不确定或虚假信息。

p6c: 保险模式设计器

设计以"结果担保"为核心的商业模式：为 AI 的输出结果提供担保，出错则赔偿或免费。采用成功费/结果分成定价（如 NeoTax 收退税额 10-20%），需准确定义"成功"标准并建立风险评估模型。

p6d: 预测套利设计器

设计以"超越人类预测能力"为核心的商业模式：在 AI 预测能力强于人类的领域进行套利，将预测优势转化为商业价值。预测准确度必须可量化、可验证，适用于库存预测、广告 CTR 等场景。

---

与其他 Skill 的关系

• 上游输入：ai-native-system-building（系统构建，提供成本结构和技术约束）
• 下游输出：ai-native-marketing-growth（增长策略，商业模式决定增长方式）
• 冲突检测：与 ai-native-system-building 的成本输出进行"成本-定价匹配"验证