价值定价 > Token 定价
当前 AI 行业普遍采用"按 Token 计费"的模式（类似云计算的按使用量计费）。但 Dario 认为这不是最终形态——AI 的价值在于"解决了什么问题"，而非"消耗了多少计算"。未来的 AI 定价应该是"价值定价"（Value-based Pricing）：客户愿意付多少钱，取决于 AI 为其创造了多少经济价值，而非 AI 公司消耗了多少算力。
"Token 定价是"商品化定价"——不同模型如果 Token 成本差不多，就会陷入价格战。 价值定价是"解决方案定价"——客户不为 Token 付费，而是为"AI 替代了多少人力成本"或"AI 创造了多少新增收入"付费。 Claude Enterprise 已部分采用此逻辑：不是简单的"Token 数量 × 单价"，而是根据"替代了多少人力成本"来协商定价。 长期行业趋势：从"商品化定价"（所有模型按 Token 竞价）转向"价值定价"（不同模型因能力差异有完全不同的定价逻辑）。 "
故事案例
Anthropic 在 2025 年开始对企业客户采用"价值定价"试点：
一家金融客户使用 Claude 替代了 5 名分析师的日常工作（文档摘要、风险分析、监管报告），
Anthropic 的定价是"被替代人力成本的 30%"，而非"Token 消耗量 × 单价"。
结果：客户愿意付更多钱（因为"30% 人力成本"比亚马逊按 Token 计费便宜得多），
Anthropic 的毛利率也远高于按 Token 计费的模式。
目前这个模式还在试点阶段，但 Dario 在内部明确表示"这是未来方向"。
决策逻辑
如果设计 AI 产品定价 → 先量化"这个产品为客户创造了多少经济价值"，再设计定价（而非先算成本再加成）
如果面临价格战 → 转向价值定价（强调"我的模型在你这个场景能创造更多价值"，而非"我的 Token 更便宜"）
如果做企业版 AI → 必须能向客户证明"用我 vs 不用我"的经济账（这是价值定价的前提）
如果资源有限 → 优先提升"高价值场景"的能力（如代码生成、数据分析），而非追求通用能力
如果评估竞争对手 → 不只看"他们的模型能力如何"，还要看"他们的定价模式是否容易被价值定价颠覆"