P6c insurance mode designer

保险模式设计器

一句话定位

为 AI 的结果提供担保：成功才收费，失败不收费。

何时触发

• AI 产品的结果可以明确定义
• 用户愿意为"确定的结果"付费
• 出错的代价可以量化
• 有能力承担偶然的失败

输入

产品场景 + 成功标准 + 失败成本。

示例输入：

产品: AI 税务申报助手
场景: 帮助个人和企业申请税收退回
成功标准: 成功帮助用户获得税收退回
失败成本: 每次失败损失人工审核成本约 50 元

设计步骤

Step 1: 定义"成功"标准

任务：明确什么算"成功"，什么算"失败"。

输出：

成功标准:
  definition: "成功的明确定义"
  measurable: "是否可量化"
  verification: "如何验证成功"
  edge_cases: ["边界情况"]

Step 2: 评估风险与成本

任务：计算每次失败的成本和发生概率。

输出：

风险评估:
  failure_rate: "失败率估算"
  cost_per_failure: "每次失败成本"
  expected_cost: "预期成本"
  risk_mitigation: ["风险缓解措施"]

Step 3: 设计收费模式

任务：将风险转化为可持续的收费策略。

收费方式：

收费模式:
  - 成功费: "按成功次数收费（如 $0.99/次解决）"
  - 成果分成: "按结果价值比例收费（如退税额的 10%）"
  - 保底 + 分成: "基础费 + 超额分成"
  - 订阅保险: "月费保证最大次数的成功"

Step 4: 设计风险控制

任务：确保失败在可控范围内。

输出：

风险控制:
  max_exposure: "最大风险暴露"
  stop_loss: "止损线"
  escalation: "风险上升处理"
  insurance_pool: "是否需要风险准备金"

综合输出格式

insurance_mode_design:
  input:
    product: "产品名称"
    scenario: "使用场景"
    success_criteria: "成功标准"
    failure_cost: "失败成本"
  
  success_definition:
    definition: "成功定义"
    measurable: "可量化"
    verification: "验证方法"
    edge_cases: ["边界情况"]
  
  risk_assessment:
    failure_rate: "失败率"
    cost_per_failure: "每次失败成本"
    expected_cost: "预期成本"
    mitigation: ["缓解措施"]
  
  pricing:
    model: "收费模式"
    unit: "计费单位"
    rate: "费率"
    example: "计算示例"
  
  risk_control:
    max_exposure: "最大暴露"
    stop_loss: "止损线"
    escalation: "上升处理"
    reserve: "风险准备金"
  
  unit_economics:
    revenue_per_success: "每次成功收入"
    cost_per_failure: "每次失败成本"
    break_even_rate: "盈亏平衡点"
    margin_at_target: "目标利润率"

示例：AI 税务申报助手

设计：

• 成功标准：帮助用户获得税收退回
• 收费：退税额的 10-20%
• 风险控制：最高保证 50 万元/单
• 盈亏平衡：成功率 > 60% 即可盈利

常见误判

• 成功标准不清："成功"定义模糊，导致收费争议
• 低估失败率：实际失败率高于预估，导致亏损
• 风险暴露过大：没有设置止损线，一次大失败就倒闭

一句判断

保险模式的核心不是承担风险，而是精确计算风险并将其转化为价值。

---

核心概念

1. 从"卖工具"到"卖担保"

保险模式的核心转变：把 AI 从"工具"变成"担保"。

维度	卖工具	卖担保
承诺	"我给你一个能力"	"我保证这个结果"
风险归属	客户承担全部风险	服务商承担失败风险
定价逻辑	按功能/用量收费	按结果/成功收费
客户心理	"我买了一个锤子"	"我请人保证画挂正"
典型定价	SaaS 订阅 $99/月	NeoTax 退税额 10-20%

工具的特点是：我给你一把锤子，墙被你砸坏了不关我事。担保的特点是：我帮你挂好画，挂歪了我重新挂，挂坏了我赔你。这两个生意的定价逻辑完全不同。

2. 精算逻辑：保险模式的数学基础

保险模式本质上是一场精算博弈。

预期利润 = 收取的保费 - 预期赔偿 - 运营成本

赚钱的三个条件：

1. AI 准确率足够高：赔偿概率足够低（建议 ≥90%，最好 ≥95%）
2. 保费覆盖预期赔偿和运营成本：定价必须经过精算
3. 足够的客户基数分散风险：单个客户风险 5%，1000 个客户总体赔偿概率趋近 0

大数定律的关键假设：客户足够分散，且 AI 对每个客户的表现是独立的。如果客户集中在同一行业，一个系统性 bug 可能同时影响所有客户。

3. 混合定价：基础费 + 效果分成

保险模式的标准定价结构：

总收入 = 基础费（覆盖运营成本）+ 效果分成（收割确定性溢价）

组成部分	作用	定价逻辑
基础费	覆盖基本服务成本（客服、模型调用、运营审核）	不管结果如何先收，确保基础运营
效果分成	收割确定性溢价	只在 AI 产生可验证正面结果时收取

分成比例取决于：

• 结果越容易量化 → 越适合按效果收费
• 失败代价越高 → 客户越愿意付溢价

实际案例定价：

公司	定价结构	逻辑
NeoTax	退税额 10-20%，到账才收	零风险尝试，精算可行因为领域聚焦
Intercom Fin	$0.99/次解决，不解决不收费	高频低单价，量大利润可观
Sierra	$10万基础 + $0.2-1.5/次佣金	高基础费筛选客户，效果佣金收割溢价
EvenUp	按案件收费（和解金额提升 ~30%）	按案件价值比例收费

4. 客户筛选：Anti-Adverse Selection

保险模式的天敌是逆向选择：只有认为自己会出问题的人才最想买保险。

高风险客户的危害：把 AI 往最难的场景上怼，拿你做兜底，吃掉你的溢价空间。

筛选策略（以 NeoTax 为例）：

1. 行业聚焦：只服务软件公司（而非所有企业）
2. 场景聚焦：只做 R&D 税收抵免（而非泛税务）
3. 数据要求：要求客户有 Jira 或 Linear 数据（AI 能处理的数据源）

本质：承认边界，然后在边界内建立确定性。不是承诺"什么都能做"，而是明确定位"什么能做得好"。

5. 熔断机制（Circuit Breaker）

防止 AI 连续出错导致系统性赔偿崩溃。

熔断规则示例：
- 单次错误：触发警告，记录日志
- 连续 2 次错误：暂停服务，启动人工复核
- 连续 3 次错误：触发退款，暂停客户账号

熔断机制的双重价值：

1. 防止单点故障扩散：AI 频繁出错说明模型有问题，让人工介入而非继续犯错
2. 建立客户信任：客户知道"有熔断保护"，反而更愿意使用

AI + 专家双保险架构：

• 第一层：AI 自动分析，发现异常触发警告
• 第二层：专家审核，发现 AI 错误触发熔断
• 两层叠加把"AI 出错"概率压到足够低，使得成功费定价有利可图

---

分步执行

Step 1：定义"成功"标准

明确什么算"成功"，什么算"失败"。这是保险模式的地基。

定义标准四要素：

1. 客观可衡量：双方都能判断是否成功（"退税到账"而非"税务优化了"）
2. 双方认可：客户和服务商对成功定义达成一致
3. 可验证：有第三方或系统可以验证结果
4. 边界清晰：明确哪些情况算成功，哪些算失败，边界在哪

常见成功定义：

场景	成功标准	失败标准
税务申报	退税到账	申报被驳回/被罚款
客服对话	问题解决，客户不再追问	客户转人工/投诉
合同审查	标记所有风险条款	遗漏关键风险条款
内容生成	客户直接使用不修改	客户重写/废弃

输出：

success_definition:
  definition: "成功的明确定义"
  measurable: "是否可量化"
  verification: "如何验证成功"
  edge_cases: ["边界情况及处理规则"]

Step 2：评估风险与精算

计算每次失败的成本和发生概率。

风险评估公式：

预期成本 = 失败率 × 每次失败成本 × 客户数量
预期收入 = 成功费率 × 成功次数 × 平均交易额 × 客户数量
盈亏平衡条件：预期收入 > 预期成本 + 运营成本

风险评估清单：

1. AI 在目标场景的历史准确率是多少？
2. 单次失败的直接赔偿成本是多少？
3. 失败是否可能是系统性的（同时影响多个客户）？
4. 最坏情况下的最大暴露是多少？

输出：

risk_assessment:
  failure_rate: "失败率估算"
  cost_per_failure: "每次失败成本"
  expected_cost: "预期总成本"
  risk_mitigation: ["风险缓解措施"]
  break_even_rate: "盈亏平衡成功率"

Step 3：设计客户筛选机制

防止逆向选择，确保客户质量。

筛选三策略：

1. 行业聚焦：只服务 AI 擅长的行业（而非通用）
2. 准入门槛：要求特定数据源、业务规模、合作意愿
3. 风险分层：根据客户风险等级差异化定价

判断标准：

• 客户是否属于 AI 高准确率覆盖的领域？
• 客户是否有 AI 能处理的数据（如 Jira、CRM、ERP）？
• 客户的历史数据是否表明他们是"健康客户"而非"高风险客户"？

Step 4：设计熔断与风控机制

确保失败在可控范围内。

风控四层架构：

第 1 层：AI 预检 — 输入数据质量检查，异常输入自动拦截
第 2 层：AI 输出质量评估 — 置信度低于阈值自动标记
第 3 层：熔断机制 — 连续错误自动暂停，启动人工复核
第 4 层：止损线 — 单月/单季度最大赔偿限额

关键参数设置：

risk_control:
  max_exposure: "最大风险暴露（单客户/单月）"
  stop_loss: "止损线（总赔偿/收入比例）"
  circuit_breaker: "连续 N 次错误触发熔断"
  insurance_pool: "风险准备金（建议为月收入的 20-30%）"
  escalation: "风险上升处理流程"

Step 5：设计收费模式

基于精算结果设计可持续的收费结构。

四种保险定价模式：

模式	适用场景	示例
纯成功费	结果明确、AI 准确率极高	NeoTax 退税额 10-20%
按次计费	高频低价值、量大	Intercom Fin $0.99/次
基础费 + 佣金	高价值高风险、需要筛选客户	Sierra $10万 + $0.2-1.5/次
订阅保险	持续使用、可预测使用量	月费保证 N 次成功

定价推导：

成功费 = (人工方案成本 - AI 方案成本) × 分成比例(10-30%)
基础费 = 月运营成本 ÷ 客户数 × (1 + 利润率)

Step 6：构建数据飞轮

保险模式的终极优势：自我强化。

客户多 → 数据多 → AI 更准 → 赔偿少 → 保费更低 → 客户更多

飞轮启动条件：

1. 初始阶段有足够的准确率（≥90%）支撑保险定价
2. 有机制收集每次成功/失败的反馈数据
3. 有持续优化模型的工程能力
4. 有耐心等待数据积累达到临界点

---

示例 1：AI 税务申报保险——NeoTax 模式复刻

场景：一家 FinTech 公司要为中小企业打造 AI 税务申报助手，采用保险模式：帮企业申请税收退回，成功才收费。

输入：

产品: AI 税务申报助手
场景: 帮助中小企业申请 R&D 税收抵免
成功标准: 退税实际到账
失败成本: 每次失败损失人工审核成本约 500 元 + 客户信任

执行流程：

1. 定义成功标准：

   • 成功：税收退回实际到账（银行到账记录可验证）
   • 失败：申报被驳回或被税务局追查
   • 边界：客户自身提供虚假数据导致的失败不计入（在合同中明确）

2. 风险评估与精算：

   • AI 准确率（基于历史数据）：95%
   • 失败率：5%
   • 平均退税额：$50,000
   • 成功费率：15%
   • 每次成功收入：$7,500
   • 每次失败成本：$500（人工审核成本）
   • 预期利润/100 客户：95 × $7,500 - 5 × $500 = $710,000
   • 盈亏平衡成功率：$500 / $7,500 = 6.7%（远低于 95%，安全边际极高）

3. 客户筛选机制：

   • 只服务软件/科技公司（R&D 活动明确）
   • 要求有 Jira/Linear/GitHub 数据（AI 能分析的工单数据）
   • 最低年研发投入 $100,000（确保退税额足够覆盖服务成本）

4. 熔断与风控：

   • 单次申报被驳回：记录并分析原因
   • 连续 2 次被驳回：暂停该客户申报，启动专家复核
   • 单月整体失败率 > 10%：暂停新客户接入，全面排查
   • 风险准备金：月收入的 25%

5. 收费模式：

   • 零前期费用（降低客户尝试门槛）
   • 退税到账后收取 15% 成功费
   • 最低收费 $500/次（避免小额退税不划算）
   • 年度大客户可谈固定年费 + 降低分成比例

输出：

insurance_mode_design:
  input:
    product: "AI 税务申报助手"
    scenario: "帮中小企业申请 R&D 税收抵免"
    success_criteria: "退税实际到账"
    failure_cost: "$500/次（人工审核）"
  success_definition:
    definition: "税收退回实际到账（银行记录可验证）"
    measurable: "是 - 到账金额明确"
    verification: "银行到账记录 + 税务局回执"
    edge_cases: ["客户数据造假不计入", "税务局政策变化导致驳回需协商"]
  risk_assessment:
    failure_rate: "5%"
    cost_per_failure: "$500"
    expected_cost: "$2,500/100 次"
    mitigation: ["领域聚焦", "Jira 数据验证", "专家复核"]
    break_even_rate: "6.7%"
  pricing:
    model: "纯成功费"
    unit: "按退税到账金额"
    rate: "15%"
    example: "退税 $50,000 → 收费 $7,500"
  risk_control:
    max_exposure: "$50,000/单客户/月"
    stop_loss: "单月总赔偿 < 月收入 30%"
    escalation: "连续 2 次失败 → 暂停 + 专家复核"
    reserve: "月收入 25% 作为风险准备金"
  unit_economics:
    revenue_per_success: "$7,500（基于 $50K 退税）"
    cost_per_failure: "$500"
    break_even_rate: "6.7%"
    margin_at_target: "93.3%（实际 95% 成功率时）"

---

示例 2：AI 客服保险——Intercom Fin 模式复刻

场景：一家 SaaS 公司要为电商客户打造 AI 客服系统，采用保险模式：每次成功解决客户问题才收费，未解决不收费。

输入：

产品: AI 电商客服系统
场景: 处理客户售前咨询和售后问题
成功标准: 客户问题自然关闭（不再追问或转人工）
失败成本: 每次未解决损失算力成本约 0.5 元 + 客户流失风险

执行流程：

1. 定义成功标准：

   • 成功：客户对话自然关闭（AI 回答后客户不再追问，24 小时内无后续）
   • 失败：客户主动要求转人工 / 对话超过 5 轮未解决 / 客户投诉
   • 边界：退款/退货等需要人工操作的不计入 AI 失败

2. 风险评估与精算：

   • AI 解决率（基于历史数据）：75%
   • 未解决率：25%
   • 每次成功收费：¥2.00
   • 每次失败成本：¥0.50（算力 + 基础设施）
   • 预期利润/1000 次对话：750 × ¥2.00 - 250 × ¥0.50 = ¥1,375
   • 盈亏平衡解决率：¥0.50 / ¥2.00 = 25%（远低于 75%，安全边际高）
   • 关键：高频量大，即使单价低也有可观利润

3. 客户筛选机制：

   • 只服务电商行业（售前售后问题标准化程度高）
   • 要求客户有知识库（产品信息、FAQ、退换货政策）
   • 最低月咨询量 1,000 次（确保数据量和收入规模）

4. 熔断与风控：

   • 单客户连续 3 次未解决：自动转人工，记录分析
   • 单客户解决率 < 50%：暂停 AI 接入，优化知识库
   • 整体解决率 < 65%：触发全量排查
   • 每月自动出具解决率报告给客户

5. 收费模式：

   • 每次成功解决收费 ¥2.00
   • 月度保底：¥5,000（确保基础运营成本覆盖）
   • 超过 5,000 次/月的部分 ¥1.50/次（量大优惠）
   • 年度客户可签 ¥50,000/年包干（预估 30,000 次成功解决）

输出：

insurance_mode_design:
  input:
    product: "AI 电商客服系统"
    scenario: "处理客户售前咨询和售后问题"
    success_criteria: "客户问题自然关闭（24h 内无后续）"
    failure_cost: "¥0.50/次（算力成本）"
  success_definition:
    definition: "客户对话自然关闭，不再追问或转人工"
    measurable: "是 - 对话状态可自动判定"
    verification: "对话日志 + 24h 静默检测"
    edge_cases: ["退款/退货需人工操作不计入", "客户因其他原因离开不计成功"]
  risk_assessment:
    failure_rate: "25%"
    cost_per_failure: "¥0.50"
    expected_cost: "¥125/1000 次"
    mitigation: ["电商行业聚焦", "知识库要求", "自动转人工机制"]
    break_even_rate: "25%"
  pricing:
    model: "按次计费 + 月度保底"
    unit: "按成功解决次数"
    rate: "¥2.00/次（量大 ¥1.50）"
    example: "月 10,000 次成功 → 收费 ¥17,500"
  risk_control:
    max_exposure: "¥10,000/单客户/月"
    stop_loss: "月度未解决率 > 35% 触发排查"
    escalation: "连续 3 次未解决 → 自动转人工"
    reserve: "月收入 20% 作为风险准备金"
  unit_economics:
    revenue_per_success: "¥2.00"
    cost_per_failure: "¥0.50"
    break_even_rate: "25%"
    margin_at_target: "75%（实际 75% 解决率时）"
  self_reinforcing_loop:
    step_1: "客户使用 → 产生对话数据"
    step_2: "对话数据 → 优化 AI 模型"
    step_3: "AI 更准 → 解决率提升 → 收入增加"
    step_4: "收入增加 → 降低单价 → 吸引更多客户"

---

常见误判与对策

误判	错误认知	正确做法
成功标准不清	"成功就是用户满意"	必须客观可衡量、双方认可、可自动验证
低估失败率	"AI 准确率 95%，够了"	实际场景失败率可能远高于测试数据，需留充足安全边际
风险暴露过大	"先接单再说"	必须设置止损线和最大暴露限额，一次大失败不能倒闭
忽视逆向选择	"客户越多越好"	主动筛选客户，在边界内建立确定性
没有熔断机制	"AI 出错是小概率事件"	系统性失败可能同时影响所有客户，必须有熔断保护
精算不足	"感觉定价差不多"	必须基于数据精算，预期利润 > 预期赔偿 + 运营成本