# AI Native Business Model

> AI Native 商业模式设计 Skill。基于《AI确定性商业模式》方法论， 帮助用户设计以"确定性溢价"为核心的 AI 商业模式： 避开6种失效模式，选择4种确定性模型，构建可持续的收费逻辑。

- Skill: `gabrielmoreira/ai-native-business-model` (Agent Skill)
- Install (CLI): `npx skillmds@latest add gabrielmoreira/ai-native-business-model`
- Raw SKILL.md: https://api.skillmd.com/api/skills/gabrielmoreira/ai-native-business-model/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: gabrielmoreira (https://skillmd.com/u/gabrielmoreira)
- Updated: 2026-09-09
- Page: https://skillmd.com/skills/gabrielmoreira/ai-native-business-model

---


# AI Native 商业模式设计 — SKILL.md

## 一句话定位

AI 让生产边际成本趋近于零，但大多数公司还在按"成本+加成"收费。本 Skill 教你如何从"卖 AI 功能"升级为"卖确定性"，用确定性溢价公式设计高价值商业模式。

## 何时触发

- 已有 AI 产品，需要设计或优化商业模式
- 现有商业模式收入遇到瓶颈（价格战、ARPU低、转化差）
- 需要回答"AI 到底值多少"这个定价难题
- 想要构建可持续的护城河，而非依赖技术先发优势

## 核心方法论（来自书稿）

### 核心命题

现有 AI 商业模式都绕不开一个根本矛盾：
> AI 让生产边际成本趋近于零，但你的收费模式还在拼命计算边际成本。

当生产成本趋近于零时，还按生产成本收费的商业模式，必然走向崩溃。

### 确定性溢价公式

```
确定性溢价 = 用户的恐惧程度 × 出错的代价 × 替代成本
```

- **用户的恐惧程度**：用户对不确定性的敏感度（不是害怕情绪，而是对不确定性的耐受阈值）
- **出错的代价**：AI 出错时用户会损失多少（金钱、职业风险、机会成本）
- **替代成本**：用户找到另一个同等确定性解决方案的代价

### 三个确定性维度

| 维度 | 核心承诺 | 客户痛点 | 代表案例 |
|------|----------|----------|----------|
| **事实确定性** (Truth) | 每个数字都是真的 | AI 假消息泛滥 | NeoTax 可信度分层 |
| **合规确定性** (Compliance) | 不违法、不被罚 | 法规秒变 | 实时合规追踪系统 |
| **结果确定性** (Result) | 输入即所得 | Prompt 调试痛苦 | Intercom Fin $0.99/次解决 |

### 四种确定性商业模式

#### Model 1：Arbiter Mode（真相即服务）
- **核心**：提供可验证的真实信息和判断
- **定价**：订阅制或按验证量收费
- **案例**：Harvey AI（法律研究）、专业事实核查平台
- **关键**：建立可追溯的证据链和权威背书

#### Model 2：Insurance Mode（结果担保）
- **核心**：为 AI 的输出结果提供担保，出错则赔偿或免费
- **定价**：成功费 / 结果分成（如 NeoTax 收退税额 10-20%）
- **案例**：NeoTax、Intercom Fin ($0.99/次解决，失败不收费)
- **关键**：准确定义"成功"标准，建立风险评估模型

#### Model 3：Closed-Loop Infrastructure（主权基础设施）
- **核心**：提供数据不离开企业边界的私有化 AI 基础设施
- **定价**：部署费 + 维护费 / 私有化订阅
- **案例**：Databricks、企业私有化大模型部署
- **关键**：解决数据安全和合规焦虑，提供持续迭代能力

#### Model 4：Prediction Arbitrage（时间套利）
- **核心**：利用 AI 的预测能力帮客户抢占时间窗口
- **定价**：按预测准确度分成 / 按节省时间收费
- **案例**：Pencil（广告 CTR 预测，按效果分成）
- **关键**：预测准确度必须可量化、可验证

## 执行流程

### Step 1：现有模式诊断（Current Model Diagnosis）

识别你当前的商业模式属于哪种（以及为什么可能失效）：

| 模式 | 定价逻辑 | 失效信号 | 风险等级 |
|------|----------|----------|----------|
| Token 计费 | 调用量×单价 | 价格战、收入=算力成本+薄利 | 🔴 高 |
| 按调用收费 | 成功次数×单价 | 天花板低、无法捕获高价值 | 🟡 中 |
| SaaS 订阅 | 用户数×月费 | ARPU 低、大厂价格战 | 🟡 中 |
| 买断制 | License×价格 | 迭代困境、二次收费矛盾 | 🟡 中 |
| 免费增值 | 流量×广告 | 转化率低、算力黑洞 | 🔴 高 |
| 项目制 | 项目数×金额 | 不可规模化、人力密集 | 🟠 中高 |

**输出**：商业模式健康度评分（0-100）+ 主要风险点清单

### Step 2：确定性价值评估（Certainty Value Assessment）

评估你的产品可以在哪个维度提供确定性价值。

**评估三问**：
1. **你的用户现在为"不确定性"付什么代价？**
   - 花多少时间检查 AI 输出？
   - 因为不确定做出了多少次保守决策？
   - 承担了多少次"AI 出错"的损失？

2. **你的产品可以在哪个确定性维度提供不可替代的价值？**
   - 事实确定性（让用户相信每个数字都是真的）
   - 合规确定性（让用户不用担心下一秒会违法）
   - 结果确定性（让用户不用调试，直接得到可用输出）

3. **你的商业模式能不能把"确定性"明码标价？**
   - Intercom Fin: $0.99/次成功解决
   - NeoTax: 退税额的 10-20%
   - 你的确定性怎么定价？

**输出**：确定性价值矩阵

### Step 3：商业模式选择（Model Selection）

根据确定性维度和行业特征，选择最适合的商业模式。

**决策树**：
```
你的产品核心交付物是什么？
├── 可验证的信息/判断 → Arbiter Mode（真相即服务）
├── 可担保的结果/成果 → Insurance Mode（结果担保）
├── 基础设施/平台能力 → Closed-Loop Infrastructure（主权基础设施）
└── 可量化的预测能力 → Prediction Arbitrage（时间套利）
```

**混合模式**：大多数成功的 AI 公司会混合使用多种模式。例如：
- 基础层：Closed-Loop Infrastructure（私有化部署）
- 应用层：Insurance Mode（按结果收费）
- 增值层：Arbiter Mode（高级验证服务）

**输出**：推荐商业模式 + 备选模式

### Step 4：定价设计（Pricing Design）

基于确定性溢价公式设计定价策略。

**定价公式推导**：
```
价格上限 = 确定性溢价 = 恐惧程度 × 出错代价 × 替代成本
价格下限 = 交付成本 + 合理利润
最优定价 = 价格下限 + (价格上限 - 价格下限) × 客户支付意愿系数
```

**定价模式选择**：

| 模式 | 适用场景 | 案例 |
|------|----------|------|
| 按结果收费 | 结果可明确定义、成功可验证 | NeoTax 10-20%成功费 |
| 按节省收费 | 时间/成本节省可量化 | 按节省工时收费 |
| 订阅分级 | 需要持续使用、功能差异化 | 基础版/专业版/企业版 |
| 用量阶梯 | 使用量差异大 | 前 1000 次 $X，之后 $Y |
| 风险共担 | 高价值、高风险场景 | 基础费 + 成功分成 |

**输出**：Pricing Strategy Document（定价策略文档）

### Step 5：护城河评估（Moat Assessment）

评估你的商业模式是否具备长期护城河。

**AI 时代护城河四问**：
1. **数据飞轮**：用户使用是否产生数据 → 数据是否训练更好的模型 → 更好的模型是否吸引更多用户？
2. **网络效应**：用户越多，每个用户的价值是否越大？
3. **转换成本**：客户离开你需要付出什么代价？
4. **品牌确定性**：你的品牌是否成为"确定性"的代名词？

**输出**：护城河强度评估 + 增强建议

### Step 6：商业模式简报输出（Business Model Brief）

```yaml
business_model_brief:
  current_model:
    type: "SaaS订阅"
    health_score: 45
    key_risks: ["大厂价格战", "ARPU低"]
  certainty_value:
    dimension: "结果确定性"
    fear_level: 8  # 1-10
    error_cost: "每次错误损失$5000"
    alternative_cost: "人工客服$30/次"
  recommended_model:
    primary: "Insurance Mode"
    secondary: "Arbiter Mode"
    pricing: "按成功解决次数收费，失败不收费"
  moat_assessment:
    data_flywheel: "弱 - 暂无数据回流机制"
    switching_cost: "中 - 客户需要重新训练AI"
    brand: "弱 - 新品牌"
  go_no_go: "go"  # go / no-go / revisit
  next_stage: "p6"
```

## 关键原则

1. **卖确定性，不卖功能**：客户买的不是"AI 能做什么"，而是"AI 保证什么"。
2. **按结果收费，不按过程收费**：Token 计费、调用计费都是过程思维，结果思维才能捕获高价值。
3. **确定性是可以分层定价的**：基础层给"信息"，进阶层给"担保"，最高层给"结果"。
4. **护城河来自数据飞轮，不是技术壁垒**：技术差距在缩小，数据差距在放大。

## 常见陷阱

- **陷阱 1**："我的 AI 准确率 95%" → 准确率是对过去的统计，用户要的是对未来的保证
- **陷阱 2**：把"确定性"当营销话术 → 确定性必须能被验证、被追责、被量化
- **陷阱 3**：低估"幻觉税" → AI 出错的损失往往远超用户支付的费用
- **陷阱 4**：大厂做什么我做什么 → 大厂卖的是基础设施，你卖的是确定性应用

## 与其他 Skill 的关系

- **上游输入**：`ai-native-system-building`（系统构建，提供成本结构和技术约束）
- **下游输出**：`ai-native-marketing-growth`（增长策略，商业模式决定增长方式）
- **冲突检测**：与 `ai-native-system-building` 的成本输出进行"成本-定价匹配"验证