R

G02 定价模式演化详解·Seat 到 Usage 到 Outcome

创建 2026-06-07 更新 2026-06-11 1 条双链 AI 产品护城河与商业模式 专题 AI 整理

定价不是收银台，是护城河的现金流投影。同一个 AI 产品，按座位（seat）卖、按用量（usage）卖、还是按结果（outcome）卖，决定的不只是收多少钱，而是它把”价值创造”绑在哪个可观测的计量单位上——而这个单位一旦选错，会反向掏空护城河：要么你替客户承担了你控制不了的成本（outcome 抽成翻车），要么客户用一个 AI 干了五个人的活却只付一份座位费（seat 价值脱钩）。本节点的视角是代际演化：把 2020–2026 这六年的定价范式拆成四代，逐代回答”代表定价 / 推动力 / 瓶颈 / 被谁超越”，并在每一代都钉上一个失败反例——因为定价史从来不是”一代更比一代先进”，而是一部”每一代都在解决上一代的病、同时埋下自己的病”的钟摆史。本节点衔接 G01（代际谱系总图），是它在”商业模式维度”上的纵向放大。

§0 为什么用”计量单位演化”框架，而不是”定价策略大全”

市面上讲 AI 定价的文章，90% 是横向罗列：成本加成、价值定价、freemium、分层、捆绑……这是 SaaS 时代的 pricing 101，套在 AI 上会漏掉最要命的一件事——AI 产品的边际成本不为零（见 m209 - 推理成本控制手册 的 per-token 成本结构），传统 SaaS 那套”软件复制成本≈0、随便送免费额度”的直觉在这里直接失效。

所以本节点拒绝”策略大全”框架，改用计量单位演化框架：每一代定价的本质，是一次”把账单挂在哪个可观测单位上”的重新选择。

  • Seat 代：计量单位 = 人（谁有权限用）
  • Usage 代：计量单位 = token / call / compute（消耗了多少底层资源）
  • Outcome 代：计量单位 = 可验证的业务结果（解决了几个工单、生成了几份文件）
  • AI-as-Employee 代：计量单位 = 被替代的人力（顶替了几个人头的产能）

这个框架的好处是：它让”为什么这一代会死/会被超越”变得可推导——每一代的死因，都是”它的计量单位与真实价值之间的耦合断裂了”。这正是 0434 专题的核心命题（护城河 = 价值捕获的可持续性）在定价维度上的投影。

[!note] 与 G01 的分工 G01 给的是护城河代际的总谱系（能力套壳 → 工作流嵌入 → 数据飞轮 → 制度位置）。G02 只放大其中一条线：价值捕获机制（定价）如何随护城河形态演化。读 G01 知道”护城河在往哪走”，读 G02 知道”钱怎么跟着护城河走”。

§1 第一代：Seat-based（按座位）——SaaS 直觉的惯性延续

代表定价（已核实）：

  • GitHub Copilot Business：$19/用户/月（2025），含 300 次高级请求/月，超出 $0.04/次（来源：getdx.com，WebSearch）
  • Microsoft 365 Copilot：$30/用户/月附加费，全包成本含基础许可约 $66–$87/用户/月（来源：eesel.ai，WebSearch）
  • Cursor Pro：$20/用户/月；Team $40/用户/月（2026，WebSearch）

推动力： 继承自 SaaS 黄金时代的采购心智。Seat 定价对采购方极友好——预算可预测、易做人头预测、财务好审批。在 AI 产品刚进企业、客户还把它当”又一个生产力工具”时，seat 是最低摩擦的入场券。截至 2025 年初，seat-based 仍占整体定价模式约 15%（来源：Flexprice / Monetizely，WebSearch），且大型企业续约层大量保留。

瓶颈（结构性死因）： AI Agent 不登录、不持证、可批量干活。一个开发者借 Cursor 一天接受几百条补全，一个客服借 Fin 一晚解决几千个工单——价值产出与”有几个人头”彻底脱钩。MindStudio（2025）的尖锐表述是：“一个用户用 AI 能干五个员工的活，seat 收费对应的价值彻底断裂。“这不是优化问题，是计量单位本身错了。

被谁超越： 被 usage / outcome 超越。数据上，seat-based 占比从约 21% 降到约 15%（约 12 个月内），而 hybrid 从 27% 升到 41%（来源：Flexprice / Monetizely，WebSearch）。

失败反例（seat 的反例不是”翻车”而是”温水”）： seat 代很少有戏剧性爆死，它的失败是慢性价值漏损——典型如早期一批”按 seat 卖的 AI 写作工具”，企业买了 100 个 seat，实际重度用户只有 5 个，但这 5 个人创造的价值是 100 个 seat 费的十倍。结果：供应商收不到价值溢价（重度用户没多付），客户也觉得亏（95 个 seat 在睡觉）。双输。这是 seat 的隐性病灶，也是 usage 代起来的直接动力。

§2 第二代：Usage / Token-based（按用量）——把账单贴到 COGS 上

代表定价（已核实）：

  • Anthropic Claude API（2026）：Haiku 4.5 $1/$5 per MTok；Sonnet 4.6 $3/$15 per MTok；Opus 4.8（2026-05-28 发布）$5/$25 per MTok；批量 API 全线 -50%，Prompt Caching 省 90% 输入费（来源：finout.io，WebSearch）
  • Anthropic 企业合同迁移（关键事件链）：2025 年 11 月起放弃含用量的 seat 捆绑包改纯用量；2026 年 2 月引入 $20/员工/月基础费 + 全量按 token；2026 年 3 月 8 日旧 seat 套餐停止新签（来源：The Register，2026-04-16，WebFetch 已验证）

推动力： AI 产品毛利只有 50–60%，远低于传统 SaaS 的 80–90%（来源：BVP Atlas，WebFetch）。当底层推理是真金白银的可变成本（2023→2025 推理成本下降约 80%，但仍 >0，见 m209 - 推理成本控制手册），usage 定价的诱惑是显而易见的：让账单随 COGS 线性走，毛利不会被重度用户拖穿。 Anthropic 之所以强推企业纯用量计费，理由被其客户侧（IntuitionLabs CEO，The Register）转述为”用户增速超过产能扩张，旧定价的单位经济学不成立”。

瓶颈： usage 把”成本不确定性”从供应商转嫁给了客户——而客户最恨这个。78% 的 IT 领导报告遭遇过意外 AI 收费，90% 的 CIO 把成本预测列为 AI 部署首要难题（来源：Pilot Blog，2026，单一来源存疑但方向多源印证）。usage 定价的第二个病灶是价值不对齐：客户付的是 token，但他要的是结果——烧了 100 万 token 却没解决问题，照样付钱。这在 PM 视角是”计量单位贴在了成本侧，而不是价值侧”。

被谁超越： 被 hybrid（基础费 + 用量）和 outcome 两路超越。Anthropic 自己 2026 年 2 月的 “$20/员工 + token” 其实就是从纯 usage 退回 hybrid 的一步。

失败反例（usage 翻车）： Anthropic 这次企业迁移本身就是 usage 激进化的争议案例——取消捆绑 token 后，轻量用户账单大幅上涨（来源：The Register，2026-04-16，WebFetch）。客户侧的分裂反应很说明问题：重度客户表示”基础费只占账单 20%、80% 早已按量，影响有限”，但轻量用户被打得措手不及。这印证了 usage 的失效边界——它对重度用户公平、对轻量用户惩罚性，而轻量用户恰恰是 freemium 漏斗里最该被温柔对待的转化池。

§3 第三代：Outcome-based（按结果）——价值对齐的圣杯，与它的玻璃下限

代表定价（已核实）：

公司计量单元单价结果判定来源
Zendesk AI Agent每次”自动解决”（AR）$1.50（承诺量）/ $2.00（按需）工单关闭后 72 小时无后续跟进WebSearch，2024-08 发布
Intercom Fin每次完整解决对话$0.99客户确认或不再追问WebSearch / BVP Atlas
Salesforce Agentforce每次对话（2024-10）$2.00 → 后改 Flex Credits对话完成（非解决确认）WebSearch，concret.io
Salesforce Agentforce Flex每次 Action$0.10/action（$500/10 万积分）单步骤执行WebSearch，2025-05 迁移

推动力： 这是计量单位向”价值侧”迁移的终极一跃——客户只在 AI 真正产出可验证结果时付钱。2024 年 8 月 Zendesk 成为第一家推出 outcome-based 定价的主流 SaaS 大厂，业界普遍视为传统 SaaS 向 AI-native 转型的里程碑（来源：WebSearch）。对 PM 的诱惑：它把”AI 到底有没有用”这个 ROI 疑虑直接转化为”有用才付费”的合同条款，是降低企业采纳门槛的最强武器（这一点呼应 0428 组织采纳专题的核心痛点）。

瓶颈（双重）：

  1. 代理指标陷阱（Goodhart’s Law）。 “可验证结果”在工程上极难干净归因，实践只能退而求其次用 proxy。Zendesk 的”72 小时不复联”并不等于”问题真解决”——客户可能只是放弃了。一旦计量单位是 proxy，系统就会被优化去满足 proxy 而非真实价值（来源：EY，WebFetch；Monetizely，WebSearch）。
  2. 成本-收入错配的玻璃下限。 outcome 定价让供应商先承担全部推理成本、后才可能收到钱。如果”结果达成率”低于盈亏线，每一次尝试都在烧钱却收不到费——这是 outcome 抽成最危险的悬崖。

被谁超越 / 修正： 被”per-action / hybrid 退守”修正。Salesforce 的曲折就是教科书。

失败反例（outcome 抽成翻车 —— 本节点的核心反例）： Salesforce Agentforce 的 $2/对话模型上线后撞墙：

  • “什么算一次对话”定义争议不断（来源：getmonetizely.com，WebSearch）；
  • 前两季度签下约 5,000 个 Agentforce 合同，实际付费的仅约 3,000 个（即约 40% 合同没转化成收入，来源：SaaStr，WebSearch）；
  • 2025 年 5 月被迫切换到 Flex Credits（$0.10/action），从”按结果”退回”按动作”。

分析人士的批评一针见血：Salesforce 按 conversation 而非按 resolution 计费，价值对齐其实并不彻底——它拿到了 outcome 定价的所有定义难题，却没拿到 outcome 定价的全部价值对齐红利（来源：getmonetizely.com）。这就是 outcome 翻车的典型病理：计量单位选在了”结果的影子”（对话）上，既被客户质疑”凭什么算一次”，又没真正绑住价值。 对 PM 的教训：outcome 定价不是”越靠近结果越好”，而是”必须选一个双方都能低成本验证、且供应商成本可控的结果代理”——这个交集往往很窄。

[!note] 反例的反例：outcome 也有活得好的 Intercom Fin 的 $0.99/已解决对话至今稳定运行，说明 outcome 不是必然翻车。差别在于：客服工单的”解决”相对易验证、单次推理成本相对可控、且 Fin 把判定权部分交给客户确认。outcome 定价的存活条件 = 结果可低成本验证 + 单位成本可控 + 判定权不全在供应商单方。 把它写进选型 checklist。

§4 第四代：AI-as-Employee（按人力替代）——把账单挂到人力成本中心

代表定价（已核实）：

  • Harvey（法律 AI）：按席位报价，多源区间约 $1,000–$2,000+/律师/月（截至 2026-06；随律所规模与来源浮动——中型律所约 $1,200–$1,500，Am Law 100 约 $1,500–$2,000+，亦有来源给 $1,000–$1,200）；定位为联席律师人力成本的约 5–7%，把预算从软件 line item 搬到人力成本中心（价格区间多源交叉验证：bindlegal.com / eesel.ai / aivortex.io / irys.ai；各源不一致故取区间。5–7% 占比为单一来源、Harvey 未公开确认，标〔需查询〕）
  • AI SDR 方案（通用形态）：约 $2,000/月对标 $90K/年人类 SDR，约占其成本 27%（来源：mpt.solutions，WebSearch）
  • ServiceNow Now Assist：基础 SKU 提价 50–60% + $50–$100/处理人/月 + token 超量（来源：rezolve.ai，WebSearch）

推动力： 这是计量单位的又一次跃迁——从”软件值多少钱”切换到”它替代的人值多少钱”。锚点一换，定价天花板瞬间抬高一个数量级（一个律师 $20/月 vs 一个律师人力成本的 5%）。这正是 0434 专题反复强调的”护城河往制度位置走”在定价上的体现：当 AI 被当成”人头”而非”工具”，它就嵌进了组织的编制与权力结构，切换成本陡增。

瓶颈： 这一代太新，2026 年中尚未沉淀出公认的失败反例与稳态。可推断的风险有三：(1) 一旦 AI 没真正替代人（人还在），“按人力定价”的叙事会崩；(2) 人力成本中心的预算审批比软件预算更严、周期更长（采购方会拿它和招人直接比 ROI）；(3) 它本质是 outcome 定价的”叙事升级版”——如果实际计量退回到 seat（按 AI”人头”数收费），就又掉回第一代的价值脱钩陷阱。

被谁超越： 〔待观察〕——这是当前演化前沿，谁超越它现在下结论为时过早。诚实地承认这一点，比硬编一个”第五代”更接地。

§5 当下位置：Hybrid 是钟摆的暂时平衡点，不是终点

四代演化不是替代关系，而是钟摆 + 叠加。当下（2025–2026）的主流不是任何单一代，而是 Hybrid（固定基础费 + 含量配额 + 超量按用量）：

  • hybrid 占比 2025 年达 41%，已是第一大类（从 2024 年 27% 急升）；约 61% SaaS 公司采用某种混合（来源：Flexprice / Monetizely，WebSearch）
  • BVP 框架称其为 AI 初创的”最优中间道路”——兼顾收入可预测性与扩张弹性（来源：BVP Atlas，WebFetch）
  • 典型形态：Cursor 的 Credit 池（月费封顶基础量，高级模型额外消耗 Credits，2026-06 起，WebSearch）；Anthropic 2026 年 2 月的 “$20/员工 + token”

hybrid 之所以是平衡点：它同时压住了 seat 的价值脱钩（有用量层捕获重度价值）、usage 的成本不确定（有基础费给采购方可预测性）、outcome 的归因难题（不把全部收入压在难验证的结果上）。但它是妥协的产物，不是终极答案——一旦某个垂直场景的”结果”变得足够可验证（如客服工单），钟摆又会朝 outcome 摆过去。

Gartner 同源反方数据（必须并置）： Gartner 2025 一边预测 2030 年 40%+ 企业 SaaS 支出转向用量/agent/结果计费；另一边预测 2027 年底前超过 40% 的 agentic AI 项目将被取消（来源：Gartner 官方新闻稿 2025-06-25，WebSearch）。两个 40% 同源却方向相反——它精确刻画了这一代定价的真实处境：方向确定（向价值侧迁移），但商业化仍在高度不确定的混沌期。 把这条并置写进任何”AI 定价未来”的判断里，否则就是单边 hype。

§6 判断主轴：定价代际迁移中 90% 的人会栽的四个坑

⭐ 这一节是 PM 顶刊与定价博客的分水岭。每个坑给”症状 → 为什么会错 → 正确做法 → 真实反例”四件套。

坑 1：把”价值对齐”等同于”越靠近结果越好”。

  • 症状：迷信 outcome 定价，认定 seat/usage 都是落后的。
  • 为什么会错：outcome 的归因成本与供应商成本风险被严重低估。越靠近”真结果”，验证越贵、单方判定争议越大、成本悬崖越陡。
  • 正确做法：选双方可低成本验证 + 供应商成本可控的结果代理；其交集很窄，找不到就退 hybrid。
  • 真实反例：Salesforce Agentforce $2/对话 → 5,000 合同仅 3,000 付费 → 2025-05 退回 $0.10/action（SaaStr / concret.io）。

坑 2：把成本不确定性单方面转嫁给客户，还以为这是”公平”。

  • 症状：纯 usage 定价，认为”用多少付多少”天经地义。
  • 为什么会错：客户买的是确定性，不是公平。意外账单是企业采购的头号雷区（90% CIO 列为首要难题）。
  • 正确做法：基础费托底（可预测）+ 用量封顶或预警（防爆单）= hybrid。
  • 真实反例：Anthropic 取消捆绑 token 后轻量用户账单暴涨、客户分裂反应（The Register，2026-04-16）。

坑 3：用 SaaS 的免费额度直觉送 AI 额度。

  • 症状：照搬 freemium，慷慨送 token/调用。
  • 为什么会错：AI 边际成本 >0，送额度 = 真烧钱（见 m209 - 推理成本控制手册 的成本结构），且吸引来的常是 0428/数据飞轮专题所说的”AI 游客”——实验性而非生产性用户，留存暴跌。
  • 正确做法：免费层用最便宜的模型 + 严格配额，把贵模型锁在付费层（Cursor 的 Auto vs 高级模型分层即此逻辑）。
  • 真实反例：一批早期 AI 原生产品低价位段（<$50/月）留存崩盘（这一现象与数据飞轮专题引用的 ChartMogul 留存数据互证）。

坑 4：换了定价叙事，却没换计量单位。

  • 症状：宣称”按结果/按人力定价”,底层仍按 seat 或 conversation 计量。
  • 为什么会错：叙事与计量脱节，客户会立刻拆穿”这凭什么算一次”，既丢了对齐红利又惹了定义争议。
  • 正确做法：定价叙事必须由可审计的计量单位支撑；叙事先行、计量滞后是自取其辱。
  • 真实反例：Salesforce 用 “agent 替人” 叙事却按 conversation 计费，被分析人士批评价值对齐不彻底（getmonetizely.com）。

§7 产品 PM 视角补盲：定价不只是财务问题

工程 PM 容易把定价当”算成本 + 加 margin”。补三个非工程盲点：

  • 用户心理模型：锚点决定天花板。 AI-as-Employee 把锚点从”软件预算”切到”人力成本”，天花板抬高一个量级——同样的产品，叫”工具”卖 $20，叫”AI 律师”卖 $1,500。定价的一半是定位心理学。
  • 采购心理：可预测性是一种可被定价的价值。 大企业愿意为”账单不会爆”额外付费，这是 hybrid 基础费能存活的根本——别把基础费当”白送的入场券”,它在卖确定性。
  • 合规边界：outcome 定价可能制造畸形激励。 按”解决工单”收费的客服 Agent，有动机把难题草草关单。在安全/金融/医疗等高后果场景，proxy 指标的 Goodhart 风险会变成合规风险。Rick 在滴滴 费用治理 中处理”按结果分摊成本”时已遇到同构问题：计量单位一旦可被博弈,系统行为就会朝指标而非真实价值漂移（见 纠纷治理从裁判到管家 的不确定性承接逻辑）。

§8 对手框架回应（接受 + 边界）

对手立场 A——“Seat 会死”派（Flexprice / Monetizely 数据派）。

  • 接受：seat 占比从 21% 跌到 15%、AI Agent 确实破坏人头-价值关联，这是真的。
  • 边界：seat 不是死，是降级为 hybrid 的基础层。Microsoft Copilot 在 $30/seat 仍大量续签；纯消费模式让采购部门头疼。我赌的是：seat 作为”可预测性托底层”会长期共存，而非消失。

对手立场 B——“Outcome 是终局”派（Zendesk / Futurum）。

  • 接受：计量单位向价值侧迁移是确定方向，outcome 在客服等可验证场景已跑通（Intercom Fin）。
  • 边界：outcome 的适用域被”可低成本验证 + 成本可控”这个窄交集严格限定。Salesforce 翻车证明，把它强推到归因模糊的场景会反噬。我赌的是：outcome 是特定场景的最优解，不是普适终局。

对手立场 C——Gartner 的两个 40%（自相矛盾的同源预测）。

  • 接受：两个数据都来自 Gartner 2025，都该被认真对待。
  • 边界：它们不矛盾，而是同一现实的两面——方向向价值迁移（乐观 40%），但执行高度不确定（取消 40%）。任何单引一个 40% 的判断都是 cherry-picking。

[!note] Rick 未读对手框架引入：Shapiro & Varian《Information Rules》(1999) 的 versioning 理论 信息商品的经典定价智慧是按客户对价值的支付意愿做版本切分（versioning），而非按成本。这个 1999 年的框架反过来拷问本节点：四代 AI 定价的钟摆，是不是在重新发现一个老道理——最优定价永远是”贴价值”而非”贴成本”，usage（贴成本）注定是过渡态？接受这个拷问的话，hybrid 的胜出就不是偶然，而是 versioning 在 AI 时代的复现：基础费 = 价值锚，用量层 = 防成本穿透的安全阀。边界：Shapiro-Varian 假设边际成本≈0，而 AI 边际成本>0，所以纯 versioning 不够，必须叠加 usage 安全阀——这正是 AI 定价相对经典信息商品的新增约束。

§9 跨域呼应：Goodhart 定律与”计量单位即治理”

outcome 定价的核心病理，本质是一个测量与治理问题。Goodhart 定律（“当一个指标成为目标，它就不再是好指标”）在这里不是装饰性引用，而是直接改变判断：一旦你把账单挂在某个 proxy 上，你就把这个 proxy 变成了 AI 系统优化的目标函数,从而扭曲它。 Zendesk 的”72 小时不复联”作为计费单位，会激励系统去做”让客户 72 小时内不再来”的事——这可能是真解决,也可能是把客户逼走。

这与 STS（科学技术研究）的一个洞见同构：计量基础设施不是中立的,它分配权力。 选哪个单位计费，等于选谁来定义”价值”,等于把博弈空间画在哪里。Rick 在滴滴费用治理中处理”按结果分摊”时的经验可直接迁移：计量单位一旦可被一方博弈，治理就会失效——这正是 纠纷治理从裁判到管家 里”从高确定性裁判退到概率性管家”的同一逻辑。定价设计 = 一次微型制度设计。 这是 PM 在选定价模式时最该有、却最常缺的自觉。

§10 PM 决策启示（面试 / 选型 / 复现）

  • 面试怎么用： 被问”你怎么给一个 AI 产品定价”,别背”value-based pricing”。答：“先问它的护城河在哪一代——能力套壳就只能 usage 贴成本求活；工作流嵌入可以 hybrid 捕获重度价值;制度位置才撑得起 AI-as-Employee 的人力锚点。定价是护城河的现金流投影。” 再补一个 Salesforce 翻车反例证明你懂边界。
  • 选型怎么用： 评估供应商定价时，用本节点的四件套 checklist 反查它选错了哪个计量单位:它的成本不确定性转嫁给你了吗(usage 陷阱)?它的 outcome 判定单方说了算吗(归因争议)?它的免费额度是真送钱吗(留存假象)?
  • 复现怎么用： 给自己的 AI 产品设计定价时，先画”价值-成本-可验证性”三角:找出三者交集最大的计量单位。找不到干净交集 → 默认 hybrid，别硬上 outcome。

§11 与已有节点的关系

  • 对照 m209 - 推理成本控制手册（深化 + 升维）： m209 停在”per-token 成本的工程降本手段”(缓存/路由/压缩);本节点把同一个 per-token 成本翻到收入侧——成本结构如何反向决定可行的定价代际(边际成本>0 是 usage 代存在的根因、是 freemium 直觉失效的根因)。不复述 m209 的成本公式。
  • 对照 Perplexity（补缺）： Perplexity 是”RAG+LLM 双成本、毛利低”的定价困境样本,但其节点未链到定价代际框架。本节点提供分析它的工具:Perplexity 的困境正是”产品形态领先、但卡在 usage/hybrid 之间找不到 outcome 计量单位”。
  • 对照 0413 成本专题（升级对照）： 0413 讲”成本即商业模式”的 unit economics(COGS/LTV);本节点是它的定价侧对偶——0413 管”花多少”,G02 管”收多少、怎么收”。两者合起来才是完整的单位经济学。〔0413 当前在 99Archive/_ai_review/0413-cost/,归位后链接需更新。〕
  • 衔接 G01（本专题内横切）： G01 给护城河总谱系,G02 是其定价投影,共享同一代际时间轴。

§12 关联节点

核心（必读）：

  • m209 - 推理成本控制手册 —— 成本侧对偶,理解边际成本>0 才懂定价代际为何如此演化
  • Perplexity —— 定价困境的活体样本
  • 费用治理 —— Rick 一手经验:计量单位可博弈 → 治理失效的同构案例
  • 纠纷治理从裁判到管家 —— 计量/治理从确定性裁判退到概率性管家的逻辑迁移
  • G01（本专题代际谱系总图,同级节点)

延伸（可选）：

  • Anthropic、Claude、OpenAI —— 基础模型层定价(usage 代纯形态)
  • 02.1 PDP 分层补偿框架 —— 分层定价/用户分层的滴滴实践对照
  • AI PM 知识图谱·总索引 —— 全局入口
  • 0413 成本专题·总览（归位后补链）、0428 组织采纳专题·总览(outcome 定价降低采纳门槛的呼应)

修订日志

  • 2026-06-07 R0 首稿：四代定价（Seat / Usage / Outcome / AI-as-Employee）逐代演化 + hybrid 当下位置;每代钉失败反例(Seat 温水漏损 / Anthropic usage 激进迁移 / Salesforce outcome 抽成翻车);判断主轴四坑四件套;Shapiro-Varian versioning 作为未读对手框架;Goodhart + STS 计量即治理跨域呼应;接地 Cursor/Anthropic/Zendesk/Intercom/Salesforce/Harvey 数字(多源核实,争议项已标)。
  • 〔待 R1〕核实 Harvey “5–7% 人力成本占比”原始来源;补 0413/0428 归位后双链;G01 完稿后校准代际时间轴一致性。
  • 2026-06-11 P3.1 接地修复：Harvey 价格从写死 “$1,500–$2,000/律师/月” 改为多源区间 “$1,000–$2,000+/律师/月”——多源核验发现各独立来源不一致（aivortex.io/eesel.ai/bindlegal ~$1,200–$2,000+ vs irys.ai ~$1,000–$1,200），按”不一致→降级为区间”处理，补 aivortex.io、irys.ai 两源并加日期戳〔截至 2026-06〕；“5–7% 占比”仍单一来源未确认，标注由〔部分待核实〕收紧为〔需查询〕。来源：aivortex.io/legal/ai-tools/harvey-ai-pricing-2026、irys.ai/insights/market/harvey-enterprise-pricing-legal-ai-april-2026。