过去一年，推理成本暴跌九成成为大模型行业最受关注的变化之一。成本下降让更多应用能调用模型，也动摇了按 Token 计费的单一逻辑。当模型能力逐渐同质化，商业化焦点自然从“消耗了多少算力”转向“解决了什么问题”。
成本下降改变了什么
推理成本下降，首先降低了试错门槛。过去许多场景因调用费用过高而无法落地，如今可以更频繁地嵌入业务流程。其次，它削弱了单纯转售模型能力的溢价，让中间层和应用层必须寻找新价值。成本越便宜，客户越会追问：这笔 AI 支出究竟带来了什么结果？
卖 Token 为什么仍然重要
按 Token 计费并未过时，因为它透明、可计量，也便于云厂商和模型厂商结算。对开发者而言，Token 是基础设施成本，类似水电与带宽。只要模型调用仍是生产资料，Token 收入就会长期存在。问题在于，当供给丰富、价格竞争激烈，单卖 Token 很难支撑高毛利和差异化。
卖结果意味着什么
卖结果不是简单把账单从“每千 Token”改成“每单成交”，而是把交付物从模型调用量变成业务指标。例如客服场景看问题解决率，营销场景看有效线索，编程场景看代码通过率。客户购买的不再是 API 次数，而是可验证的效率提升或收入增长。这要求服务商深入行业，承担部分实施、运营和效果风险。
从 Token 到结果的过渡形态
现实商业不会一夜切换，更可能出现混合模式。基础调用仍按量计费，增值部分按订阅、项目制或效果分成收费。企业可以先为“模型使用”付费，再为“结果保障”支付溢价。这样既保留基础设施的规模效应，也回应客户对确定性的需求。
- 按量计费：适合标准化 API 和高频调用，边界清晰。
- 按订阅收费：适合持续使用的工具型产品，收入可预测。
- 按效果分成：适合能归因、可量化的业务场景，但谈判和交付成本更高。
卖结果的三道门槛
第一是归因难题。业务提升往往由多因素共同造成，AI 贡献多少很难精确拆分。第二是交付成本。卖结果需要行业 know-how、数据治理和持续调优，难以完全自动化。第三是风险承担。若结果不达标，服务商可能面临赔付或口碑损失，商业模式必须重新定价。
商业化会走向哪里
更可能的未来，是 Token 成为底层计量单位，结果成为上层价值主张。模型厂商继续卖算力和调用，应用厂商则卖场景、流程和确定性。谁能把模型能力封装成可衡量、可交付、可复制的业务结果，谁就更可能在成本下降周期中获得议价权。大模型商业化不会简单抛弃 Token，而是从卖 Token 走向卖“由 Token 驱动的结果”。
