gabrielmoreira 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：
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？
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）
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：
- 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？
- 网络效应：用户越多，每个用户的价值是否越大？
- 转换成本：客户离开你需要付出什么代价？
- 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）
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
- 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"。
- 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。
- 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"。
- 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