P6 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

核心方法论（来自书稿）

核心命题

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。

当生产成本趋近于零时，还按生产成本收费的商业模式，必然走向崩溃。

确定性溢价公式

确定性溢价 = 用户的恐惧程度 × 出错的代价 × 替代成本

• 用户的恐惧程度：用户对不确定性的敏感度（不是害怕情绪，而是对不确定性的耐受阈值）
• 出错的代价：AI 出错时用户会损失多少（金钱、职业风险、机会成本）
• 替代成本：用户找到另一个同等确定性解决方案的代价

三个确定性维度

维度	核心承诺	客户痛点	代表案例
事实确定性 (Truth)	每个数字都是真的	AI 假消息泛滥	NeoTax 可信度分层
合规确定性 (Compliance)	不违法、不被罚	法规秒变	实时合规追踪系统
结果确定性 (Result)	输入即所得	Prompt 调试痛苦	Intercom Fin $0.99/次解决

四种确定性商业模式

Model 1：Arbiter Mode（真相即服务）

• 核心：提供可验证的真实信息和判断
• 定价：订阅制或按验证量收费
• 案例：Harvey AI（法律研究）、专业事实核查平台
• 关键：建立可追溯的证据链和权威背书

Model 2：Insurance Mode（结果担保）

• 核心：为 AI 的输出结果提供担保，出错则赔偿或免费
• 定价：成功费 / 结果分成（如 NeoTax 收退税额 10-20%）
• 案例：NeoTax、Intercom Fin ($0.99/次解决，失败不收费)
• 关键：准确定义"成功"标准，建立风险评估模型

Model 3：Closed-Loop Infrastructure（主权基础设施）

• 核心：提供数据不离开企业边界的私有化 AI 基础设施
• 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：解决数据安全和合规焦虑，提供持续迭代能力

Model 4：Prediction Arbitrage（时间套利）

• 核心：利用 AI 的预测能力帮客户抢占时间窗口
• 定价：按预测准确度分成 / 按节省时间收费
• 案例：Pencil（广告 CTR 预测，按效果分成）
• 关键：预测准确度必须可量化、可验证

执行流程

Step 1：现有模式诊断（Current Model Diagnosis）

识别你当前的商业模式属于哪种（以及为什么可能失效）：

模式	定价逻辑	失效信号	风险等级
Token 计费	调用量×单价	价格战、收入=算力成本+薄利	🔴 高
按调用收费	成功次数×单价	天花板低、无法捕获高价值	🟡 中
SaaS 订阅	用户数×月费	ARPU 低、大厂价格战	🟡 中
买断制	License×价格	迭代困境、二次收费矛盾	🟡 中
免费增值	流量×广告	转化率低、算力黑洞	🔴 高
项目制	项目数×金额	不可规模化、人力密集	🟠 中高

输出：商业模式健康度评分（0-100）+ 主要风险点清单

Step 2：确定性价值评估（Certainty Value Assessment）

评估你的产品可以在哪个维度提供确定性价值。

评估三问：

1. 你的用户现在为"不确定性"付什么代价？

   • 花多少时间检查 AI 输出？
   • 因为不确定做出了多少次保守决策？
   • 承担了多少次"AI 出错"的损失？

2. 你的产品可以在哪个确定性维度提供不可替代的价值？

   • 事实确定性（让用户相信每个数字都是真的）
   • 合规确定性（让用户不用担心下一秒会违法）
   • 结果确定性（让用户不用调试，直接得到可用输出）

3. 你的商业模式能不能把"确定性"明码标价？

   • Intercom Fin: $0.99/次成功解决
   • NeoTax: 退税额的 10-20%
   • 你的确定性怎么定价？

输出：确定性价值矩阵

Step 3：商业模式选择（Model Selection）

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 → Arbiter Mode（真相即服务）
├── 可担保的结果/成果 → Insurance Mode（结果担保）
├── 基础设施/平台能力 → Closed-Loop Infrastructure（主权基础设施）
└── 可量化的预测能力 → Prediction Arbitrage（时间套利）

混合模式：大多数成功的 AI 公司会混合使用多种模式。例如：

• 基础层：Closed-Loop Infrastructure（私有化部署）
• 应用层：Insurance Mode（按结果收费）
• 增值层：Arbiter Mode（高级验证服务）

输出：推荐商业模式 + 备选模式

Step 4：定价设计（Pricing Design）

基于确定性溢价公式设计定价策略。

定价公式推导：

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
最优定价 = 价格下限 + (价格上限 - 价格下限) × 客户支付意愿系数

定价模式选择：

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
按节省收费	时间/成本节省可量化	按节省工时收费
订阅分级	需要持续使用、功能差异化	基础版/专业版/企业版
用量阶梯	使用量差异大	前 1000 次 $X，之后 $Y
风险共担	高价值、高风险场景	基础费 + 成功分成

输出：Pricing Strategy Document（定价策略文档）

Step 5：护城河评估（Moat Assessment）

评估你的商业模式是否具备长期护城河。

AI 时代护城河四问：

1. 数据飞轮：用户使用是否产生数据 → 数据是否训练更好的模型 → 更好的模型是否吸引更多用户？
2. 网络效应：用户越多，每个用户的价值是否越大？
3. 转换成本：客户离开你需要付出什么代价？
4. 品牌确定性：你的品牌是否成为"确定性"的代名词？

输出：护城河强度评估 + 增强建议

Step 6：商业模式简报输出（Business Model Brief）

business_model_brief:
  current_model:
    type: "SaaS订阅"
    health_score: 45
    key_risks: ["大厂价格战", "ARPU低"]
  certainty_value:
    dimension: "结果确定性"
    fear_level: 8  # 1-10
    error_cost: "每次错误损失$5000"
    alternative_cost: "人工客服$30/次"
  recommended_model:
    primary: "Insurance Mode"
    secondary: "Arbiter Mode"
    pricing: "按成功解决次数收费，失败不收费"
  moat_assessment:
    data_flywheel: "弱 - 暂无数据回流机制"
    switching_cost: "中 - 客户需要重新训练AI"
    brand: "弱 - 新品牌"
  go_no_go: "go"  # go / no-go / revisit
  next_stage: "p6"

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。

常见陷阱

• 陷阱 1："我的 AI 准确率 95%" → 准确率是对过去的统计，用户要的是对未来的保证
• 陷阱 2：把"确定性"当营销话术 → 确定性必须能被验证、被追责、被量化
• 陷阱 3：低估"幻觉税" → AI 出错的损失往往远超用户支付的费用
• 陷阱 4：大厂做什么我做什么 → 大厂卖的是基础设施，你卖的是确定性应用

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

---

核心概念

概念 1：确定性溢价的本质

确定性溢价不是你的 AI 值多少钱，而是你的 AI 为用户消除了多少恐惧。它的计算公式：

确定性溢价 = 用户的恐惧程度 × 出错的代价 × 替代成本

• 用户的恐惧程度：用户对不确定性的敏感度。每天处理几百笔税务申报的 CFO 比偶尔报一次税的小公司老板愿意付更多钱——他每天都在不确定性里煎熬。
• 出错的代价：金钱损失（IRS 罚款数十万）、职业风险（CFO 签字负责）、机会成本（等待"更确定的答案"而错过决策窗口）。
• 替代成本：找到同等确定性方案的代价。NeoTax 的替代方案是聘请专业税务律师，收费更高且也不能 100% 保证不出错。

NeoTax 的 10%-20% 成功费正是这个公式的体现：恐惧程度高（每年被审计的担忧）× 出错代价大（罚款加声誉损失）× 替代成本高（真正懂行的税务律师既贵又稀缺）。Intercom Fin 的 $0.99/次 同理：替代方案人工客服要 $15-30/次。

概念 2：确定性的三个递进维度

确定性有三个核心维度，从基础到高级递进：

维度	核心承诺	客户痛点	定价逻辑	代表案例
事实确定性 (Truth)	每个数字都是真的	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是真的"	NeoTax 可信度分层
合规确定性 (Compliance)	不违法、不被罚	法规秒变，不知道下一秒什么违规	"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	Prompt 调试痛苦，AI 答错需人工兜底	"我付钱是为了省调试时间"	Intercom Fin $0.99/次解决

确定性可以分层定价：基础层给"信息"（事实确定性），进阶层给"担保"（合规确定性），最高层给"结果"（结果确定性）。每升一级，客户愿意支付的溢价倍增。

概念 3：6 种失效模式的共同根源

现有 AI 商业模式都在为生产过程收费，而非为结果收费。当 AI 让生产边际成本趋近于零时，这套逻辑必然崩溃：

模式	定价逻辑	失效信号	风险等级	共同缺陷
Token 计费	调用量×单价	价格战，收入=算力成本+薄利	🔴 高	为过程付费
按调用收费	成功次数×单价	天花板低，"幻觉税"问题	🟡 中	为过程付费
SaaS 订阅	用户数×月费	ARPU 低，"玩具税"问题	🟡 中	为使用权付费
买断制	License×价格	迭代困境，二次收费矛盾	🟡 中	为资产付费
免费增值	流量×广告	转化率 1-5%，算力黑洞	🔴 高	为流量付费
项目制	项目数×金额	不可规模化，卖人头	🟠 中高	为人力付费

DHH 的 Basecamp 故事是缩影：花三个月重写开发流程，省了钱，但客户没为此多付一分钱。客户买的不是"AI 能做什么"，而是"AI 保证什么"。

概念 4：确定性公式——分子分母的商业含义

确定性 = (可验证的事实 + 逻辑因果链) ÷ 实时噪音

分子：AI 输出里可以被验证的部分——数据来源可靠性、结论可追溯性、过往表现一致性、推理路径可检验性。

分母：正在干扰判断的噪音——新法规出台、行业突发事件、市场情绪变化、竞争对手动作、AI 幻觉。

提高确定性不是单纯"提高 AI 准确率"就够了。当分母（实时噪音）增大时，即使最强 AI 准确率也可能大幅下降。降低分母（过滤噪音）有时候比提高分子（提升 AI 能力）更有效。 NeoTax 的做法是：做大分子（专业税务知识、历史数据验证、专家团队）的同时管理分母（持续追踪法规变化、建立审计日志）。

概念 5：确定性税与确定性溢价的转化

"确定性税"是客户因 AI 不确定性而付出的隐性代价——额外时间成本、风险成本和机会成本。只存在于出错代价高的场景（写邮件草稿不算）。

商业模式设计的核心就是将"确定性税"转化为"确定性溢价"：

• 确定性税 = 客户因不确定性自己承担的代价（人工审核、反复调试、保守决策）
• 确定性溢价 = 客户为消除不确定性愿意付给你的钱

Intercom Fin 的 $0.99/次，从客户视角就是用本来要花的人工审核成本（确定性税），换成了明码标价的确定性保证（确定性溢价）。设计商业模式时，先量化客户的确定性税，再定价你的确定性溢价。

---

分步执行

Step 1：现有模式诊断

目标：识别当前商业模式属于哪种失效模式，评估健康度。

执行方法：

1. 对照 6 种失效模式表格，确认当前主要收费模式
2. 评估失效信号是否已出现（价格战、ARPU 下降、转化率低等）
3. 计算商业模式健康度评分（0-100）
4. 识别主要风险点和优先改进方向

诊断清单：

• 收入是否与客户的成功挂钩？
• 客户离开你的成本有多高？
• 你的定价能否回答"AI 到底值多少"？
• 大厂进入后你的价格优势是否消失？

输出：商业模式健康度评分 + 主要风险点清单 + 优先改进方向

Step 2：确定性价值评估

目标：找到可以在哪个维度提供确定性价值。

执行方法：

1. 量化客户的"确定性税"：花多少时间检查 AI 输出？做了多少次保守决策？承担了多少次 AI 出错损失？
2. 评估三个确定性维度的适配度：
   • 事实确定性：用户是否因信息不可信而痛苦？
   • 合规确定性：用户是否因法规变化而焦虑？
   • 结果确定性：用户是否因 AI 输出不可用而浪费时间？
3. 确定性溢价计算：恐惧程度(1-10) × 出错代价(金额) × 替代成本(金额) = 溢价上限
4. 竞品对标：竞品在哪个确定性维度做得好/差

输出：确定性价值矩阵（三维度评分 + 溢价空间估算）

Step 3：商业模式选择

目标：根据确定性维度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 → Arbiter Mode（真相即服务）
│   定价：订阅制或按验证量收费
│   案例：Harvey AI 法律研究
│
├── 可担保的结果/成果 → Insurance Mode（结果担保）
│   定价：成功费 / 结果分成
│   案例：NeoTax 退税额 10-20%
│
├── 基础设施/平台能力 → Closed-Loop Infrastructure（主权基础设施）
│   定价：部署费 + 维护费 / 私有化订阅
│   案例：Databricks 企业私有化部署
│
└── 可量化的预测能力 → Prediction Arbitrage（时间套利）
    定价：按预测准确度分成 / 按节省时间收费
    案例：Pencil 广告 CTR 预测按效果分成

混合模式设计：大多数成功的 AI 公司混合使用多种模式——基础层 Closed-Loop + 应用层 Insurance + 增值层 Arbiter。

输出：推荐商业模式 + 备选模式 + 混合模式架构

Step 4：定价设计

目标：基于确定性溢价公式设计定价策略。

执行方法：

1. 计算价格上限 = 确定性溢价 = 恐惧程度 × 出错代价 × 替代成本
2. 计算价格下限 = 交付成本 + 合理利润
3. 最优定价 = 下限 + (上限 - 下限) × 客户支付意愿系数
4. 选择定价模式并设计具体方案

定价模式选择指南：

模式	适用场景	关键条件	案例
按结果收费	结果可明确定义、成功可验证	需定义清晰的"成功"标准	NeoTax 10-20% 成功费
按节省收费	时间/成本节省可量化	需建立基线对比	按节省工时收费
订阅分级	需持续使用、功能差异化	需明确每级价值差异	基础版/专业版/企业版
风险共担	高价值高风险场景	需建立信任基础	基础费 + 成功分成

输出：定价策略文档（含价格锚点、收费规则、客户 ROI 计算）

Step 5：护城河评估与增强

目标：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？飞轮转速如何？
2. 网络效应：用户越多，每个用户的价值是否越大？是否存在跨边网络效应？
3. 转换成本：客户离开你需付出什么代价？数据迁移？重新训练？流程重建？
4. 品牌确定性：你的品牌是否成为"确定性"的代名词？客户提到你的品类是否会首先想到你？

护城河强度评估：每个维度评分 1-10，并给出增强建议。

输出：护城河强度评估报告 + 增强路线图

Step 6：商业模式简报输出

目标：整合以上所有分析，输出可执行的商业模式简报。

简报模板：

business_model_brief:
  current_model:
    type: "当前模式类型"
    health_score: 0-100
    key_risks: ["风险1", "风险2"]
  certainty_value:
    dimension: "事实/合规/结果确定性"
    fear_level: 1-10
    error_cost: "每次错误损失金额"
    alternative_cost: "替代方案成本"
  recommended_model:
    primary: "主模式"
    secondary: "辅模式"
    pricing: "定价策略描述"
  moat_assessment:
    data_flywheel: "强/中/弱 + 说明"
    switching_cost: "强/中/弱 + 说明"
    brand: "强/中/弱 + 说明"
  go_no_go: "go / no-go / revisit"
  next_stage: "下一步行动"

输出：商业模式简报 + 行动计划

---

示例 1：客服 AI 从 SaaS 订阅升级为结果担保模式

场景：某公司做电商客服 AI，当前按 SaaS 订阅收费 ¥2000/月/店铺，ARPU 低，大厂（如阿里智能客服）以更低价格竞争。

现有模式诊断：

• 模式：SaaS 订阅
• 健康度：40/100
• 失效信号：ARPU 低、大厂价格战、客户流失率 8%/月
• 客户确定性税：AI 答错时客服需人工兜底，每次约 ¥15，月均 200 次 = ¥3000（超过订阅费本身）

确定性价值评估：

• 维度：结果确定性（输入即所得）
• 恐惧程度：7/10（怕 AI 答错导致差评和退货）
• 出错代价：每次答错损失 ¥50（退货 + 差评 + 人工补救）
• 替代成本：人工客服 ¥30/次

模式选择：Insurance Mode（结果担保）

• 定价：¥5/次成功解决，失败不收费
• 客户 ROI：人工客服 ¥30/次 vs AI ¥5/次，节省 83%
• 月收入预估：客户月均 1000 次咨询，成功率 90% → 收入 ¥4500/月（比原来 ¥2000 翻倍+）

护城河：

• 数据飞轮：每次成功解决 → 训练数据 → 更高成功率 → 更多客户
• 转换成本：客户的 FAQ 库、对话历史、品牌话术都沉淀在系统中
• 品牌：成为"电商客服确定性"的代名词

结果：ARPU 从 ¥2000 提升到 ¥4500，客户 LTV 提升 125%，因为客户只在 AI 成功时付费，满意度和续约率同步提升。

示例 2：法律 AI 从 Token 计费升级为真相即服务模式

场景：某公司做合同审查 AI，当前按 GPT API Token 加成收费（约 ¥0.5/千 Token），月收入 ¥8 万，利润微薄。

现有模式诊断：

• 模式：Token 计费（变相）
• 健康度：25/100
• 失效信号：大模型降价 95%，利润趋零；客户可直接用 ChatGPT 替代
• 客户确定性税：AI 标注的"风险条款"可能遗漏真正风险，律师需逐条复核，每次 4 小时 × ¥800/时 = ¥3200

确定性价值评估：

• 维度：事实确定性（每个风险标注都有依据）+ 合规确定性（符合最新法规）
• 恐惧程度：9/10（合同出错可能导致数百万损失甚至诉讼）
• 出错代价：一次合同漏洞平均损失 ¥50 万
• 替代成本：聘请外部律所审查一份合同 ¥2-5 万

模式选择：Arbiter Mode（真相即服务）+ Insurance Mode（结果担保）

• 基础层：¥5000/月订阅，提供合同审查 + 风险标注 + 法规追踪
• 担保层：¥2000/份合同担保，AI 担保审查结果完整，遗漏风险则赔偿（上限 ¥50 万）
• 客户 ROI：外部律所 ¥2-5 万/份 vs AI ¥2000/份，节省 90%+

护城河：

• 数据飞轮：审查过的合同 → 训练数据 → 更精准的风险识别
• 因果理解：不只是"这个条款看起来有风险"，而是"如果被诉，这个条款会导致什么后果"
• 品牌：成为"合同确定性"的代名词

结果：月收入从 ¥8 万提升到 ¥35 万（50 个客户 × 平均 ¥7000），利润率达 70%+，因为定价锚点从"Token 成本"转移到"客户规避的风险价值"。