OpenAI测试按结果付费：企业AI或将不再只按Token计费

据报道，OpenAI正允许少数大型企业客户尝试一种新的AI代理付费方式：客户不再单纯为模型处理的Token数量买单，而是在AI代理完成双方约定的业务任务后付费。这是一项规模有限的试点，并非OpenAI已经公开发布的通用价格方案；参与任务、费率和合同条款目前都没有披露。5

这项尝试的核心，是把企业AI的计费单位从“系统做了多少计算”转向“系统完成了什么工作”。对于能够自主调用工具、反复尝试甚至并行执行任务的AI代理而言，这种变化可能影响企业如何预算，也可能改变AI软件公司的收入模式。

从按Token计费，到为业务结果付费

OpenAI目前公布的API及企业价格卡，主要按照每百万Token收取输入Token、缓存输入Token和输出Token费用。1 2 在这种模式下，只要模型实际处理了请求，客户通常就需要为相应使用量付费，无论代理最终成功、反复重试，还是未能完成任务。

按结果计费则改变了“什么时刻产生账单”。合同不再首先追问“系统处理了多少Token”，而是明确“AI代理是否达成了约定结果”。理论上，符合条件的结果可以是成功解决客户问题、完成一项工作流，或在企业系统中完成经过验证的数据更新。但OpenAI这次试点具体涵盖哪些结果，尚未公开。5

这也意味着，部分执行风险可能从客户转移到OpenAI。如果代理进行了多轮尝试、使用了较长的推理链，或多次调用外部工具，却没有产出符合要求的结果，OpenAI可能需要承担更多计算成本，而不一定能向客户收取对应费用。

为什么企业担心AI代理“越忙越贵”

对于路径固定、调用量可预测的传统应用，按使用量计费相对容易管理。但AI代理可以自行选择执行路径，连续调用工具，拆分任务，委派给其他代理，或同时运行多个流程，因此成本可能随着尝试次数和活跃程度迅速上升。

一个被报道的极端案例是：一名开发者同时运行100个代理，在30天内累积了130万美元的OpenAI Token费用。5 这并不代表普通企业都会面临同等账单，但它直观展示了代理经济学中的一个问题：成本可能与“尝试了多少次”同步增长，却不一定与“创造了多少价值”同步增长。

如果合同规定失败尝试不计费，按结果付费可以帮助企业提高预算可预测性，也能降低为无效执行承担全部成本的风险。不过，OpenAI试点是否提供这种保护，以及失败、部分完成和异常情况如何收费，目前都不得而知。

哪些任务最适合先采用这种模式

按结果计费最容易应用于边界明确、完成状态可观察的工作。客户服务是一个典型场景：企业可以通过工单状态、客户互动记录，或是否仍需人工介入来判断问题是否得到解决。

其他可能的应用还包括范围较窄的编程任务、保险理赔处理、销售线索筛选，以及后台系统操作。不过，这些只是符合该模式的潜在场景，并非OpenAI已经披露的试点用例。5

一份可执行的合同可能需要提前规定：

• 什么条件才算任务成功；
• 结果需要达到怎样的质量和准确率；
• 转交人工处理算失败、部分成功还是完整成功；
• 重试、超时和异常情况如何处理；
• 哪个系统事件可以作为完成凭证；
• 如果客户和供应商对结果有分歧，应如何解决账单争议。

没有这些规则，“AI有效才付费”听起来很有吸引力，但在商业上仍可能是一句含义模糊的宣传语。

Intercom、Zendesk和Salesforce已经在探索不同版本

OpenAI的试点并非孤立事件。越来越多软件公司正在尝试让AI代理的价格与完成的工作挂钩，但不同方案之间仍有明显区别。

• Intercom Fin： Intercom称，Fin按照每次成功解决的问题收费，每个结果为0.99美元；这里的“解决”通常指AI在没有人工介入的情况下端到端完成客户问题处理。8
• Zendesk： Zendesk使用“Verified Resolution”（已验证解决）这一概念，将收费与AI成功解决问题联系起来，而不是简单按照用户席位收取AI许可费。14
• Salesforce Agentforce： Salesforce最初采用每次对话2美元的定价，之后推出Flex Credits。Intercom的对比资料显示，一项标准操作消耗20个积分，约合0.10美元。8 这属于与操作量挂钩的消费型计费，并不等同于只在最终业务目标达成后收费。

因此，“按结果计费”和“按消费量计费”不能混为一谈。按操作或按对话收费，确实可能比Token更容易理解和预测，但即使更易管理，也可能在整体业务目标没有实现时照常产生费用。

企业还没有选定一种统一模式

Futurum Group的调查显示，企业市场更像是分化，而不是彻底放弃按席位收费。

Futurum对830名全球IT决策者进行的一项调查显示，在生成式AI功能的定价上，43%的受访者偏好消费型计费，27%偏好按结果计费。14

该机构另一项2026年下半年调查则显示，对于单独计费的AI功能，42.3%的买家偏好按席位收费，36.6%偏好消费型计费，21.1%偏好按结果收费。对于核心软件，消费型计费的支持率为28.9%，按结果计费为22.2%，按席位计费则为12.6%。

这组数据说明，企业并没有接受一种适用于所有场景的定价方式。可预测、主要用于辅助员工的AI功能，可能仍适合按席位或作为软件附加功能收费；而能够自主完成明确任务、直接产出可衡量结果的AI服务，则更容易采用按使用量或按结果计费。

为什么按结果付费可能扩大，又可能止步于小范围任务

对客户而言，按结果付费的吸引力很直接：支出可以与交付价值建立联系，也更容易向财务部门说明一项AI代理部署的预算。对供应商而言，这种模式则会形成更强的激励，促使其提升可靠性、减少无效执行，而不是单纯增加代理调用次数。

但这种模式也会让供应商承担更多无法直接转嫁给客户的成本。与此同时，合同指标设计不当还可能产生新的风险：如果代理只针对一个狭窄指标进行优化，它或许能在形式上满足合同，却损害客户体验或更广泛的业务目标。

另一个难题是责任归属。一个企业工作流可能同时使用多个模型、外部工具、员工和业务系统。如果AI代理只完成了流程的一部分，或者最终决定由人工作出，那么“可计费结果”究竟应归功于谁，就很难判断。

因此，按结果计费更可能先从狭窄、可验证的工作流开始，而不是直接覆盖开放式知识工作。对于复杂部署，混合模式或许更现实：将席位费、使用量、积分和部分结果费用结合起来。Futurum也将混合模式视为供应商在探索“AI价格如何与客户价值连接”时的重要中间方案。14

OpenAI试点真正值得关注的地方

如果这项安排未来扩大，企业AI的商业逻辑可能出现重要变化：供应商卖的不再只是模型访问权限或Token消耗，而是可交付、可验证的工作成果。

但就目前证据而言，结论仍应保持克制。现有报道只表明，OpenAI正与部分大型客户测试按结果计费；公司尚未公布面向市场的统一方案，也没有披露足够的合同细节，因此外界还无法判断其费率、适用范围或商业成效。5

更准确地说，这是一场早期商业实验：AI代理供应商能否把“只为结果付费”从一个容易理解的口号，变成企业采购能够精确定义、核验和执行的合同条款，仍有待观察。