How Stripe Is Building for an Agent-native World

互联网现在出现了一类新的参与者。随着时间推移，这种参与者，也就是这些 agent（智能体），会成为互联网上最主要的参与者。从收入角度看，这些 AI 公司增长的速度比我们此前见过的任何一批公司都更快。流向 Stripe Docs 的 LLM（大语言模型）流量同比增长了 10 倍。而这只是一个有用的信号，说明机器也正在成为开发者基础设施的用户，其中也包括 Stripe 的开发者基础设施。

Signal

Emily，欢迎来到节目。

非常感谢，Dan。

真的很高兴请到你。你是 Stripe 的 data and AI 负责人。我觉得现在请一位来自 Stripe 的人来聊这件事，时机再合适不过了，因为大家都知道，你们一直在推动互联网的 GDP 增长。而现在互联网正在发生巨大的变化，因此，某种意义上说，互联网经济也正在变化：它正从一个由人类彼此买卖的经济体，转向一个由 agent（智能体）向人类买卖、以及 agent 与 agent 彼此买卖的经济体。我一方面想知道这对 Stripe 意味着什么；另一方面，我也想理解，既然你们对这种 agent economy（智能体经济）有宏观视角，那它究竟意味着什么，你们又看到了什么？

是的。我认为我们当下正处于一个重大转变之中：互联网经济正在变得更加 autonomous（自主化），对吧。很长一段时间里，甚至可以说一直以来，互联网都是建立在一个极其简单的假设之上的，那就是主要参与者是人。是坐在屏幕前的人在浏览、填写表单、一步步完成结账流程，同时也是他们在写代码、配置工具。而这个假设现在正开始在多个方面被打破，对吧？

有时候，人类仍然完全掌控一切，但他们是通过 AI 界面而不是网站或传统 app 来交互。有时候，agent（智能体）是在代表他们行动；还有的时候，现在的软件就是直接在与其他软件交互。随着这一切开始发生，在所有这些层面上，很多事情都需要被重新思考。所以，你知道，我们一直在重新思考我们的产品该如何被发现、如何被购买；但与此同时，也要思考开发者工具应该是什么样子？以及，在 Stripe 所处的这个世界里，底层的经济基础设施又应该是什么？

所以，payments（支付）、billing（计费）、fraud detection（欺诈检测）以及 identity layer（身份层），这些能力在这个世界里都是必需的——因为在这个世界里，参与者已经不再只是人类了。所以对我来说，这就是当下更大的背景。这不只是说，AI 让搜索变得更好了，或者 AI 在帮助人们写代码，或者 AI 只是在边际上推动 commerce（商业）的演化。更准确地说，是互联网现在出现了一类新的参与者。随着时间推移，这种参与者，也就是这些 agents（智能体），会成为互联网上最主要的参与者。

随着这种情况发生，基本上技术栈的每一层都开始需要一次演进。所以对 Stripe 来说，就是，好，Stripe 要怎么为 agent 做好准备？但同时，我们又要怎样帮助企业为 agent 做好准备？这两件事都正通过多种方式同时发生。对。

这体现在 commerce（商业）里，但也体现在开发者构建产品的方式上。

那你能不能给我一些更具体的例子，说明你们正在看到哪些类型的变化？比如说，我几乎在想，我知道在 Stripe，你们做得特别多的一件事就是 fraud（欺诈）。A，我猜现在一定出现了全新的欺诈类型；但 B，我甚至在想，现在到底什么还算是欺诈——因为从某种意义上说，我的 agent 也有可能去盗刷别人的信用卡然后下单结账。我不觉得 Claude 会这么做，但像 Grock 这种，你懂的，谁知道呢？在结账时——

不予置评。不予置评。不过你说得对，AI 确实引入了非常不同的欺诈问题。你刚才问什么是欺诈？我们过去认为的欺诈，某种意义上主要就是 payment fraud（支付欺诈）。

有人在偷钱。有人在窃取你的银行卡凭证。但实际上，越来越多地——我今天还和我们一个非常大的 AI 用户开过会——fraudsters（欺诈者）正在偷的是 compute（算力），而这就是一种完全不同的问题了。所以在早期的软件模式里，如果你想的是那种传统 SaaS，让别人进一个 free tier（免费层级）其实花不了你多少钱，而盗用一个 free tier 对欺诈者来说也没那么有价值。现在则不同：给别人发 credits（额度）、提供 freemium（免费增值）方案、给 free trial（免费试用），或者让他们先累计一大堆 token，到月底再付钱——结果他们也可能选择不付——这实际上已经成了一个主要的 fraud vector（欺诈路径），甚至是很多这类企业面临的生存级风险。

对吧？因为在 AI 里，每一个 prompt（提示词）、每一张生成的图片、每一次 API 请求，背后都对应着非常真实的成本。你知道，大家都在说 intelligence（智能）正在变便宜。是的，但离“免费”还差得非常远。还有一点，当你去看很多这类 AI 公司的增长模型时，free compute（免费算力）某种程度上就是新的 CAC（获客成本），对吧？

以前说 cost of acquisition（获客成本），通常是你要在付费媒体上花很多钱；现在则是你在 free trial、credits，以及 self serve onboarding（自助式引导注册/开通）上花很多钱，把它们当作增长的主要杠杆。所以在这种语境下——compute 成了新的 CAC，而 compute 又非常昂贵——我们看到的滥用主要有三类。第一类是 multi account abuse（多账号滥用）。也就是说，不良行为者会反复注册，一次又一次地进来，每次都用新的邮箱地址创建新的身份，领取新用户 credits，并通过不断切换各种不同的别名来逃避检测。给你一个量级概念：在所有运行在 Stripe 上的 AI 公司里，大约有 7% 的注册用户属于这类 multi account abusers（多账号滥用者）。

所以这不是一个可以忽略的比例。我们看到的第二个新型滥用趋势是 free trial abuse（免费试用滥用）。而这往往是最紧迫的问题，因为 unit economics（单位经济模型）会非常快地失衡。给你一个概念，我们有一家大型 AI 公司，他们的 free trial 只有 4% 能转化为付费用户。而每一次 free trial，光是 LLM 支出就要花掉他们 25 美元。

所以，基本上，在带来第一美元收入之前，他们每获得一个付费用户（payer），成本就要 625 美元。而当我们进一步深挖那些所谓的免费试用用户时，发现其中绝大多数、绝大多数其实都是滥用者（abusers）。也就是说，他们实际上是在偷算力（compute），根本没有任何付费意图。这些人并不是真正在认真试用你的服务、然后决定不买的人；他们就是在实打实地滥用你的系统。

所以，你知道，有些公司就干脆彻底取消了免费试用。当然，这并不好，因为你是在抑制增长。另一些公司的应对方式，则是屏蔽 virtual cards。至于 virtual cards，我不知道你平时被推销得多不多，反正我经常会被推销，对吧？

比如那种——你知道的——一次性卡。24 小时后就过期，这样你就永远不用为这项服务付款了。放在正常消费者手里，倒也还好；但放在 fraudster（欺诈者）手里，那就非常不妙了。问题在于，如果把所有 virtual cards 一刀切全都屏蔽掉，那么对 AI 公司来说，Stripe 上大约 15% 的合法银行卡交易，其实都是 virtual cards。

所以我们几乎把那个当作——

比如说，用在 ramp 上。像我们就有一堆——

——virtual cards。完全没错。所以同样地，你不想关闭免费试用；你也不想去限制 virtual card、virtual cards。大致从量级上看，你可以把过去六个月里免费试用滥用的增长理解为指数级增长。现在已经是 4 倍了。

而且，对于 Stripe 上一家大型 AI 用户，我们目前每周都会拦截 25 万次欺诈性免费试用。所以这里的量级——而且确实相当——

——是说，欺诈的总量是恒定的吗？只是形态在变化？还是说，欺诈本身就在上升，因为他们现在更强了，能够直接用 AI agents（智能体）来实施这些行为？

欺诈之所以在上升，一方面是因为 fraudsters 有 AI 站在他们那边——当然，detectors 这边也有——但另一方面也是因为他们能偷走的服务价值更高了。对吧？比如，我不知道。你去偷传统的 SaaS，能得到什么好处呢？

比如，你偷一些 inference（推理服务），偷一些 compute（算力），你可以转手倒卖，还能做各种各样的事。

你看，我确实很喜欢一个好用的 CRM seat（CRM 席位），你懂吧？对。

你难道不喜欢吗？谁会不喜欢

一个好的我，Emily。

CRM seat 要有吸引力得多，而 LLMs 肯定更诱人。顺便说一下，我们看到的第三类某种新的 abuse（滥用）是这种 non payment abuse（不付款滥用）。对吧？也就是比如你产生了超额使用费用，或者你采用的是，比如说，30 天账期 invoicing（开票结算），结果你根本不付这张 invoice（账单）。你知道，很多情况下，客户会在一个月内、一天内，有时甚至一小时内，消耗掉价值几千到几万美元的 compute（算力）。

而等到他们被出账、然后支付失败时，你知道，这笔损失其实早就已经发生了。这些 AI 公司只能自己吞下损失。所以对我们来说，fraud 过去是一个 transaction（交易）问题；现在它是一个 customer（客户）问题。它是一个贯穿 full funnel（全漏斗）的事情。

它从 sign up（注册）的那一刻就开始了。这是不是 multi account abuse（多账号滥用）？他们该不该拿到 credits（额度）？这是不是 free trial abuse（免费试用滥用）？我们一开始到底该不该给他们试用？

然后当他们出现 overage（超额使用）时，我们应该对他们做 throttling（限流）吗？应该要求他们 top up（充值）吗？还是应该彻底阻断服务？这某种意义上真的是一个全新的世界，因为被盗取的东西价值高得多，而一旦被盗，所带来的代价也更具 existential（生存层面）的威胁。Existential。

你们到底是怎么做到这一点的？我的意思是，我完全理解为了检测 fraud（欺诈），你们需要覆盖 full funnel（全漏斗）各个环节；但据我的理解，过去我们集成 Stripe 时，通常都是放在 checkout（结账）这个环节。我们不一定会在用户只是免费填写 email address（邮箱地址）的时候就把你们接进去。所以你们是已经改了产品来支持 full funnel，还是说这在实际中到底是怎么运作的？

是的。所以 Radar，也就是我们的 fraud protection（欺诈防护）产品，过去是在 transaction（交易）层面起作用的，对吧？也就是像你说的，在 checkout 的那一刻。但因为大量 fraud risk（欺诈风险）其实出现在漏斗更前面的环节，所以现在 AI 公司越来越多地会在 sign up（注册）时就集成 Stripe Radar。

所以，在 sign up 的时候，我们会看到相关 metadata（元数据）；在 sign up 的时候，我们会回传 score（评分）；而且在之后的每一个时刻也都会这样做。还是因为同样的原因：fraud 现在是一个 full funnel 问题，而不再只是单纯的 transaction 问题。

如果你是在“帮朋友问”，假设你经营着一家 AI 公司，而你甚至都不知道自己的 fraud rate（欺诈率）是多少，但你又想保护自己免受这类 abuse（滥用），那么为了确保自己处于相对安全的状态，最重要需要做的几件事是什么？

对。所以我会直接采用我们最高档的 Radar 方案。但从具体机制上说，在 sign up 的时候，你要知道你的 customer（客户）是不是可靠。在你给他们任何 credits（额度）访问权限之前，你要先确认他们没问题。在他们付款的时候，你要确认那笔 charge（扣款）没问题。而每次他们出现 overage 时，你都要确认他们是有能力付款的。

此外，还有一些关于 refunds（退款）和 disputes（争议款项）的事情，我们也支持；但我认为，这四个时点基本上就是 AI 公司 customer life cycle（客户生命周期）中的四个关键时刻。我们会近乎偏执地专注于在这些节点提供保护，因为这正是我们看到成本最高、而且 fraud 增长最快的地方。

所以在每一个节点上，本质上都只是调用一次 Radar API 吗？

对，没错。

那如果我现在就坐在这里——而且确实如此——每年通过 Stripe 处理数百万美元的交易，但其实我根本不知道自己的 fraud rate（欺诈率）是多少；除了那个小小的提示，像是有那么个小东西显示着，不过那甚至都不一定是——我甚至不知道那到底算不算我们的 fraud rate。我觉得那更像是我们的 card chargeback（银行卡拒付）之类的。总之，我们的 fraud rate 低到系统给我的标记让我根本没去在意它。但我想，我其实并不真的知道，现在是不是存在某种 free trial fraud（免费试用欺诈）而我还没有完全意识到。所以，我应该关注哪些信号，才能判断自己是否需要进一步深挖，并可能去做某种——比如说——Radar integration（Radar 集成）？

对。第一件事是，你可以去看你的 Radar dashboard，看看里面有没有什么可疑的东西。如果没有，你也可以去问 dashboard 里的 Radar assistant。而且在你这么做的时候，你可以描述一下你的 business model（商业模式）。比如你可以说，我是一个 marginal cost（边际成本）很高的业务，那样的话，你对某些类型的欺诈就会比对另一些更在意。

不过你也可以直接试着集成 UpFunnel，看看它的表现。我们当然可以基于 back testing（回测）跟你分享我们认为的主要问题是什么，但最快能得到清晰判断的方式，还是直接集成。

明白了。所以我会——我觉得我们现在还没集成，那我就先去看看 Radar，看看它是不是没提示什么。我现在就在看。要是我发现我们其实有一大堆自己都不知道的欺诈，那就太好笑了。我们是 0% fraud。

这怎么可能？

我也不知道。

0.02% 的 early fraud warnings（早期欺诈预警）。总 fraud rate 是 0.2%。所以我们——你知道——做得相当不错，对吧？

那相当低。那相当低。我是说，嗯，你算是个相当不错的人。也许那些 fraudster（诈骗分子）现在还不想盯上你，除非他们听到这期节目，然后他们可能就会说，嗯，对。

好的。这真的很有意思。好。所以这这很吸引人。我想先回到一下 AI economy（AI 经济）这个话题，因为你刚才提到的一点是，Internet 上的 fraud（欺诈）总体上正在增加。

而且，增长的原因之一是 fraudster（诈骗分子）也有 AI，但同时你们以及 AI economy（AI 经济）中所有站在正义一方的人，也同样有 AI 来防御这类攻击。我觉得你们正在看到这场 arms race（军备竞赛）一个很有意思的窗口，而我认为这场竞赛正在很多存在这类 threat vector（威胁路径）的领域上演。一个非常简单的例子是 cybersecurity（网络安全），不只是支付，比如说 payments，还包括 hacking（黑客攻击）之类的事。但还有很多其他类似的情况：AI 让流程中的一部分变得容易得多，而流程中的另一部分就不得不用 AI 来弥补、来追赶、来识别问题。所以这场竞赛现在进展如何？

那是什么感觉？对于一群由 AI 武装起来的 fraudster（诈骗分子），与你们展开竞赛这件事，你目前看到和感受到的早期反馈是什么？

我觉得 fraudster（诈骗分子）有意思的一点在于，他们其实并不在乎边界。他们不在乎这笔 transaction（交易）是在 Stripe 上处理还是不在 Stripe 上处理。他们不在乎这笔 transaction（交易）走的是 Fiat（法币）还是 crypto，是在 card network（银行卡网络）上，还是 buy now pay later（先买后付）上。他们只会想办法摸索出如何绕过系统、如何闯过去。所以，我很感谢你把我们称为好人，而我认为好人一方取胜的一个重要 lever（杠杆），就是要做到 comprehensive（全面）。

在我们的世界里，一个简单的例子是，Stripe Radar 过去只适用于 cards transactions（银行卡交易）。然后去年，我们加入了 ACH 和 SEPA，对吧？也就是其他 payment methods（支付方式）。但今年，我们已经把它扩展到所有会产生 disputes（争议/拒付）的 payment methods（支付方式）。我们还加入了 crypto，也加入了 Radar API。

所以你看，会发生什么？你甚至可以筛查 transaction（交易），包括那些不是在 Stripe 上处理的交易。对吧？你可以在 Worldpay 或 Adyen 或其他任何平台上处理，然后通过 Radar API 获得同样的 fraud signals（欺诈信号）。类似地，虽然我们还没谈到 agent ecommerce（agent 电商），但在我们构建 agent ecommerce suite（agent 电商套件）的过程中，我们设计出的一个新 primitive（基础原语）是 shared payment token（共享支付 token），它允许 agent 安全地把买家的凭证传递给 merchant（商户），由 merchant 来处理这笔 transaction（交易）。

作为这些 shared payment token（共享支付 token）的一部分，我们也会把 Radar 的 fraud scores（欺诈评分）一并传过去，这样 merchant（商户）就可以再次根据这些信息采取适当行动，无论他们是否在 Stripe 上处理交易。你知道，说到 fraud（欺诈），我们确实把 fraud defense（欺诈防御）和 fraud mitigation（欺诈缓解）视为一种 public good（公共产品）。这让我们能够投入远高于 Stripe 直接收益的资源，因为保护 Internet 对于发展 Internet economy（互联网经济）很重要。所以我会说，整体来看，没错，fraudster（诈骗分子）确实拥有 AI 带来的优势。Stripe 覆盖了全球 GDP 的 2%，并且同比增长 34%，同时还通过像 Radar API 这样的 multiprocessor solutions（多处理渠道解决方案）看到更广泛的全局视野。

所以很幸运的是，我们这边不仅像他们一样也有 AI 站在我们这一边，而且我们还有数据站在我们这一边。我认为，我们在 fraud（欺诈）防护上做得越全面，就越能一点点拉开领先优势。当然，这并不是说我们不会不断被他们想出的那些新的、富有创意的攻击向量所惊到；但你完全可以让一个 agent（智能体）每天、甚至每小时查看 Stripe 网络上的异常模式，识别出正在不同 processor、不同 payment method、不同 merchant 之间冒出来的新向量，并且非常快地把它们清除掉。所以，总体上我还是 bullish（乐观）的，但绝不是 complacent（自满）的。

那 AI 或 agent economy（智能体经济）的其他部分呢？我们刚才已经聊了很多 fraud。那么，从你这种拥有全局鸟瞰视角的位置来看，还有哪些事情是你观察到、但外界可能并没有意识到的？

我的意思是，我觉得 AI economy（AI 经济）其实很广。我认为，有一类横向的 model provider（模型提供商）对 AI 正在经济中的哪些地方被采用、以及采用强度如何，有非常有意思的观察视角。还有不少垂直型的 AI 解决方案。人们喜欢把它们叫作 wrappers，我这么说并不是贬义，只是说它们的模型不是自己的，而是别人的模型；但它们拥有领域特定的数据、关系和上下文，正在解决 healthcare、architecture 等等领域的问题，因此它们对于 AI 在垂直行业层面的采用情况，也有相当独特的视角。不过我倒是很好奇，你心里觉得谁拥有最好的横向全局视角？

你是在问我吗？对。嗯，我是……你知道，我想了解 payment（支付）这一侧看起来是什么样，但我猜，我猜那些 model companies（模型公司）整体上应该拥有最好的视角，因为毕竟所有 token（令牌）最终都流向那里。

对，对。我觉得它们确实看到了很多 token。我也认为 AI gateways（AI 网关）有相当独特的视角，能看到是谁在向谁买什么。就我从 Stripe 的 vantage point（观察位置）退一步来看整个 AI economy，而且我们能看到谁在向谁买什么、花了多少钱、谁在续订、谁在流失订阅，有几个比较突出的主题。

其中一个就是——我觉得大家直觉上其实能感觉到这一点，但不是每个人都真的在数据里见过——这些 AI 公司从 revenue（营收）角度看，增长速度比我们过去见过的任何一批公司都更快。我当时在看 Stripe 上排名前 100 的 AI 公司，那些做到 30,000,000 ARR 的公司，大约只需要十八个月，也就是一年半。哇。而这差不多比 2018 年那一批前 100 的 SaaS 公司快了三倍。

顺便说一句，这还只是 30,000,000 这个数字。即便你去看它们达到 1,000,000 ARR 或 5,000,000 ARR 的速度，它们的扩张速度也比不到十年前那些表现优秀的 SaaS 公司快了好几个数量级。第二个更宏观的趋势是这个——而且你作为消费者大概也能感觉到，我自己就有这种感觉——那就是 monetization model（变现模式）上的快速迭代。

对吧？传统 SaaS 很多都是——你刚才提到 seat——大量采用基于 seat 的使用方式，也就是固定的月度订阅。这对它们来说是合理的，因为它们主要是被人类使用，而且它们的 marginal cost（边际成本）基本上接近于零。但是，我们刚才在 fraud 的语境下已经谈过非常真实存在的 inference cost（推理成本）。这些成本同样会对你如何定价产生非常实际的影响。

因此，usage based billing（按使用量计费）很快就变得非常重要。公司会计量，你知道，token 和 API 调用，但他们也在计量 workflow（工作流），还会计量 outcome（结果），基本上就是用最能同时反映客户价值和成本结构的单位。然后他们会以非常高的精度来收费，对吧？他们真的想知道每一个 event（事件）。这个事件是如何被 rated（计费定价）的？

以及，附着在这个 rated event（已定价事件）上的 metadata（元数据）都有哪些？hybrid monetization model（混合变现模式）也多得多了。对吧？所以我刚才提到了 subscription（订阅），但 subscription 并没有消亡。它们只是变成了带有 usage overage（超额使用收费）的订阅，或者像是会逐步消耗的 prepaid credits（预付额度），或者 real-time top ups（实时充值），这也呼应了我前面提到的那个 non-payment abuse（非支付滥用）问题，以及那种非常多维的 pricing（定价）和 monetization（变现）方式。

Lovable 就是一个很好的例子，对吧？他们在最初发布时使用的是 Stripe Billing，当时模式还比较简单，就是 subscription，更偏传统的定价方式，这让他们能够非常快地开始变现。后来他们又增加了一系列产品，比如 Lovable Cloud 或 Lovable AI，于是他们也把这些产品转向了 usage based billing。对吧。所以客户实际上是按 token 消耗量来收费的，不过这是一个 hybrid model（混合模式），也就是超过某个阈值之后才这样计费。

而这恰好能帮助像 Lovable 这样的公司，让收入与使用量、客户获得的价值，以及运行这些模型的实际成本保持一致。再往极端一点说，我们实际上还有一个叫 token billing 的方案，因为底层 model（模型）成本变化很大，有时甚至变化得非常快。如果你是在别人的 LLM 之上做一层 wrapper（封装），而你的定价又跟不上成本变化，那你的利润率基本上就可能被吃掉。对吧？所以，成本上涨了，而你的价格还停在原地，那你就会开始亏钱。

所以 token billing 的意思其实就是，实时追踪底层 token 的成本，并据此定价，再加上企业设定的一定 markup（加价）。所以，Mesa、Ship 和 Lovable 都是这类基础设施的例子。

我很喜欢这些观点。我想把它们一个一个展开来说。你刚才提到的一个重点，是在 monetization（变现）上的快速迭代；而且现在感觉像是正在发生一种高度实验化的状态，人们会想，好，我们可以收费，我们可以按 token 收费，我们可以基于 token 来收费，我们可以按完成的 request（请求）收费。比如我记得 Fin 这个客户服务平台就是按每个已解决 case（工单/案例）收费，这在客户服务领域已经存在很久了，但现在感觉随着 LNs 让人们更容易判断“我们是否真的完成了该收费的工作”，这种方式可能会扩展到更多软件类型。你怎么看？如果我们要选一个——当然现在整个范围内都在进行各种探索——但如果一定要选一个新的 pricing model（定价模型），就像你知道的，如果去年的定价模型、或者过去十年的定价模型，就是非常直接的 per-seat（按席位）收费，那么你认为现在从你看到的 Stripe 客户中，开始浮现出来的新标准定价模型会是什么？

如果你买的是 model，也就是说，如果你本质上是一个 model provider（模型提供方），或者说你的客户主要买的是 model，那么我认为你计量的就是 token。

就像在 API 里一样，比如 OpenAI API、Cloud API。对。

完全正确。对于这些垂直解决方案（vertical solutions），我认为在稳定状态下，计费会是按 outcomes（结果）来衡量的。但要走到那一步还需要一些时间，不是因为 billing（计费）基础设施不行。事实上，那套东西已经完全准备好了。你刚才提到了 Fin 的例子。

Intercom 实际上也是这么做的，借助 Stripe Billing。他们有一个基于 outcomes 的 meter（计量方式），按已解决的 support tickets（支持工单）计费。为什么我说垂直解决方案最终会按 outcomes 计费？因为我认为终端用户会希望这些垂直解决方案对 outcomes 负责，而且他们会想知道自己的支出是否带来了正向 ROI（投资回报）。而当你我去买一个 model（模型）时，我们会觉得，对自己在这个 LLM 上可能开展的那一大堆、非常广泛的应用所获得的 ROI，责任其实在我们自己身上。

但如果你是一个垂直提供商，也就是说，你真正专注于在别人的 LLM 之上，解决某个具体业务领域中的明确需求，那么核心价值似乎就在于：确保 ROI 的存在，这某种程度上就是你的责任。我认为，基于 outcomes 的定价是实现这一点最高效的方式。当然，我不认为所有 outcomes 都是一样的。所以你可以想象出一些这类复杂的 objective functions（目标函数）——我是学经济学出身的，所以会稍微 nerdy（一点书呆子气）——比如，不只是看你有没有解决那个 support case（支持案例/工单），还要看它有多复杂、解决质量如何、CSAT（客户满意度）是多少，以及你所自动化掉的那个岗位在执行这项任务时原本有多昂贵。

所以，这就是为什么我说从极限上看，我认为还需要时间，我们才能非常明确地界定我们在乎哪些 outcomes，以及如何衡量这些 outcomes；而且这些 outcomes 会是多维的。但我很难想象，一年之后，大多数垂直提供商还真的是按 token 计费。

这很有意思。我非常想看看这会怎么发展，因为我自己的感受是——我觉得你给的那个例子里其实已经能稍微看出来一点，Claude 和 Tradjeet BT 的例子里也是，还有我们最后采用的一些定价方式——那就是按 seat（席位）收费。也就是按每个 user（用户）收费，再加上 overages（超额费用）。因为我们已经开始处在这样一个世界里：过去我们是按 seat 收费的，所以大家知道怎么建模，基本也很容易估算自己要付多少钱。

但以前 software（软件）的运行成本几乎可以视为免费，现在不是了。所以我们基本上得 cover our butts（保护自己），通过加上 overage 之类的机制来保护利润率，这样客户通常就能知道自己要付多少钱，除非出现某种特殊情况。你怎么看这个模式？在你刚才举的那些例子里，你觉得它该放在什么位置？而且我猜你可能会说，最终这种做法也许会消失。我很好奇为什么。

所以我不认为，按使用量收费，或者收取 overages，会在大多数 model providers（模型提供商）那里消失。如果有变化，我反而觉得这会成为主导，而基于 seat 的计费会消失。比如我们可以回到 Fin 或 Intercom 的例子。你我都会觉得，按使用这个工具的 customer service reps（客服代表）人数来收费是很荒谬的，因为很显然，这个工具所做的大量工作，本来就是在自动化 customer service reps。在今天的世界里，对 developer tools（开发者工具）按 seat 来收费，还没有被普遍认为荒谬；但我觉得，自从大概去年 11 月或 12 月以来，提出这样一个问题其实很合理：等等，为什么这不算荒谬呢？

这看起来确实有点荒谬，因为如果这些 agents（智能体）所做的事情，是让每个 developer（开发者）——比如说，我随便举个数——在某个时间点 productivity（生产率）提升 10x，那你岂不是只需要原来十分之一的开发者？如果这样的话，你为什么还想让自己的收入锚定在 developer 数量这种基础价格之上？所以我怀疑，在 enterprise（企业）场景里，基于 seat 的收费会消失。当然，我认为在 consumer（消费者）个人场景里情况很不一样。我觉得，除了电话会议里也许有一些 nerds（技术宅）之外，大多数个人消费者其实都非常不喜欢固定月费之外的收费方式；也许如果他们真的想疯狂多用一点，可以接受一些 overages。

但在企业里，如果六个月后，我们基于席位（seat-based）的 licenses 数量只剩下今天的一半，我也完全不会意外，反而会非常震惊如果不是这样。

这很有意思。看来我们得再请你来聊聊这个话题了。我太好奇了，Azian。我很想看到 Stripe 在这方面释放更多数据。你刚才还提到另一点，就是你们也看到这些公司扩张得更快。

就像你说的，它们做到 30,000,000 ARR（年度经常性收入）只需要大约十八个月，这明显比你见过的任何其他公司 cohort（群体）都要快。我很好奇，这到底是从哪里来的？按理说，它们客户的支出或增长总得有个来源。要么是以前人们还没花出去的钱，比如放在公司资产负债表上、等着被部署的资金；要么就是从另一个 provider（提供商）那里转移出来，然后非常迅速地流向这些新公司。你对这里到底发生了什么，有什么判断吗？

它们为什么增长得这么快？这些钱到底都是从哪里来的？

是的。所以我认为，我们看到的很多 AI 增长，实际上都是被注入经济中的净新增支出（net new spend）。我觉得这在很大程度上还没有替代传统 SaaS，或者说替代 headcount OpEx（人员运营支出），因为它一直处于实验阶段，因为人们还在学习，因为组织在放弃现有 licenses 这件事上通常动作比较慢，往往也是因为它们签了更长期的合同；另外还因为 AI 的起点虽然不是真的从零开始，但也接近于零。所以，比如说，之前并不存在其他 AI 公司去……

吸收这些支出。

抢占其中的 market share（市场份额）。

对。

但我会说，接下来往后看，我没有 crystal ball（水晶球），没法准确告诉你这些动态究竟会怎么演变，不过我预计其中一部分会替代传统 SaaS。当然，顺便说一句，我这么讲并不是那种“老公司被新公司取代”的意思。比如，有些 SaaS 公司在把自己重塑为 AI first（AI 优先）这件事上做得非常出色。所以你会看到，传统 SaaS 公司内部的 AI 业务线，会蚕食同一家公司传统版本的一部分收入。但其中确实会有一部分来自 SaaS。

我认为其中一部分会来自 headcount OpEx（人力运营支出）。很难相信公司会开始把个位数、甚至有时两位数比例的 headcount OpEx 花在 LLMs（大语言模型）上，却不退一步想一想：好吧，我的人力成本其实已经变了。以前一个 engineer（工程师）要花我 $300,000，现在一个 engineer 要花我 $330,000，因为其中 300k 是 salary 和 equity，另外 30k 是 LLMs。既然如此，我最好按加了 10% 的口径来考虑预算，并据此做 headcount 决策。顺便说一句，ROI（投资回报率）决策也是如此。

然后，我们现在看到的另一部分现象，确实是 AI providers（AI 提供商）之间的替代。我在看 AI 公司的 retention rates（留存率），你会发现实际上在同一细分领域内部——比如 AI dev tools（AI 开发工具）、AI coding tools（AI 编码工具）或相关 providers——无论是 B2C 还是 B2B，它们的留存率都比 SaaS 时代更高。

有意思。我很震惊。不过——是在这个内部、同一领域内部？明白了，明白了。对。