一次解决 0.62 美元对人工 7.40 美元的剪刀差，正在把企业软件的计价单位从“人”换成“事”——而定义“事”的权力，成为新一轮议价的焦点
企业软件的定价范式正在发生一次结构性迁移：当 AI 智能体开始"做工"而不是"被人使用"，按席位收费的逻辑就自我瓦解了——智能体越成功，需要的席位越少，厂商的收入反而下降。2026 年主流厂商已集体转向按结果与消耗计费：Intercom Fin 每次解决 0.99 美元、Salesforce Agentforce 每次对话 2 美元、HubSpot 从 1.00 美元下调至 0.50 美元、Zendesk 每次自动解决 1.50—2.00 美元、ServiceNow 按每次技能执行计费。
驱动这场迁移的是一道足够大的单位经济学剪刀差：McKinsey 2026 年服务运营数据显示，一次 AI 解决的成本为 0.62 美元，人工坐席为 7.40 美元。但剪刀差带来的是议价，不是净收益——按结果计费把效率红利的一部分从买方转移给卖方，把软件从固定成本变成计量成本。Forrester 口径下已有超过 45% 的组织在使用 AI 智能体、另有 25% 在试点；Gartner 则警告超过 40% 的智能体项目将在 2027 年底前被取消，原因集中在成本失控、业务价值不清与风险控制不足。
第三个判断落在治理层：2026 年智能体工程从"协议之争"转入"默认架构"，MCP 负责工具接入、A2A 负责智能体间协作的双层栈已基本定型——A2A v1.0 于 2026 年 7 月 GA，Linux Foundation 口径下支持组织超 150 家。但同一份账单里还有安全：Agent Card 的真实性验证、智能体身份与运行时隔离正在成为生产部署的实际门槛。对买方最实际的一条建议是——在签下任何按结果计费的合同之前，先算清自己当前的单位结果成本。
按席位收费能统治企业软件二十年，是因为它同时解决了两个问题：厂商有可预测的收入，买方有可预测的成本，而且席位数量大致随客户获得的价值同步增长。AI 智能体把这个等式打破了——当软件不再被人使用，而是自己把工作做完，席位数与客户获得的价值就变成了反比关系。
这个矛盾在 2026 年已经无法回避：一个解决了 60% 一线工单的支持智能体，创造的价值随团队缩小而上升，但在席位制下厂商的收入反而下降。同时，AI 有真实的边际成本——重度用户的算力消耗可以达到轻度用户的 40 倍，固定席位价把两者平均，等于让低用量客户补贴高用量客户，厂商也在暗中抑制那些本该证明产品价值的用量。
结果是主流厂商在 2026 年集体改价。
| 厂商 / 产品 | 原模式 | 新模式 | 公开单价 |
|---|---|---|---|
| Intercom Fin | 席位订阅 | 按解决计费（客户确认解决后才计费） | 约 $0.99 / 次解决 |
| Salesforce Agentforce | 按席位（CRM / Service Cloud） | 按对话计费 + Flex Credits | $2 / 次 AI 对话；$0.10 / 标准动作、$0.15 / 语音动作 |
| HubSpot | 席位订阅 | 按解决对话计费 | $0.50 / 次（自 $1.00 下调） |
| Zendesk | 席位订阅 | 按自动解决计费 | $1.50—$2.00 / 次 |
| ServiceNow | 按席位 | 按技能执行（"assist"）消费计费 | 消费型 |
| Sierra AI | 定制合同 | 按解决结果计费 / 高触达定制 | 第三方估 $1—$2.50 / 次；年度合同起价 $150,000 |
| Microsoft Copilot | M365 席位 | 席位叠加（混合过渡态） | $30 / 用户加购 |
| Workday | 订阅 | Flex Credits 消费制 | 近 50 家客户已签署 |
Intercom Fin 是最常被引用的验证案例：按每次解决 0.99 美元计价，ARR 在 24 个月内从 100 万美元增长到 1 亿美元，证明按结果计费可以在规模化下成立。但同一批数据也说明它有多难——按结果计费要求厂商先把"结果"定义、计量与审计的工程做扎实，否则无从开票。
驱动这次改价的是一道足够大的剪刀差。McKinsey 2026 年服务运营数据显示：一次 AI 解决的成本为 0.62 美元，人工坐席为 7.40 美元，相差近 12 倍。这不是舍入误差，而是足以重排整个服务成本结构的量级差。Forrester 口径下，已有超过 45% 的组织在使用 AI 智能体，另有 25% 正在试点。
但剪刀差带来的是议价，不是净收益。按结果计费本质上是把效率红利从买方手里转移一部分给卖方：客户省下的人力成本，变成了按次计费的账单。软件由此从固定成本变成计量成本——财务部门必须开始管理一个此前不存在的波动项。
| 模式 | 计价单位 | 风险归属 | 可预测性 | 适用场景 |
|---|---|---|---|---|
| 按席位 | 人 | 买方承担性能风险（用不用好都付钱） | 高 | 人在环路中的辅助型工具、协同与创作套件 |
| 按消耗 | token / API 调用 / 分钟 | 买方承担用量波动 | 低 | 通用 AI 能力、波动可接受的场景 |
| 按结果 | 解决的单、处理的发票、合格的线索 | 卖方承担性能风险（未达成不计费） | 中 | 能清晰定义"完成"的专项流程 |
| 混合 | 平台费 + 变量部分 | 双方分担 | 中高 | 2026 年的主流过渡态 |
| 按智能体 | 每个智能体 / 月（合成劳动力） | 算力成本难以预测 | 低 | 新兴，尚在早期 |
混合模式之所以成为 2026 年的主流着陆区，是因为它同时给了厂商收入下限和买方成本上限，最容易通过采购审批。但它也只是过渡态——一旦计量与审计能力成熟，定价会继续向结果端迁移。
其一是委托—代理问题：厂商被激励最大化计费指标（解决次数），而不是客户体验的质量，可能隐含永久性的风险溢价与高昂的对账成本。其二是"结果"的定义权归谁——这个定义既决定了账单，也决定了争议如何裁决。对买方而言，签约前必须确认三件事：什么叫一次"解决"、由谁判定、争议如何复核。
AI 智能体市场最容易被误读的地方是"口径分裂"：同样是 2026 年，不同机构给出的数字可以相差近二十倍，原因不是谁错了，而是统计边界不同。Gartner 的 2,065 亿美元量的是"AI 智能体软件支出"，包含嵌入既有企业应用（CRM、ERP、SCM）中的智能体能力；而 109 亿美元量的是独立智能体平台与编排工具。两者不可相加，也不可互相替代。
| 口径 | 数值 | 统计范围 | 来源 |
|---|---|---|---|
| Gartner AI 智能体软件支出 | 2,065 亿美元（2026）→ 3,763 亿美元（2027），同比 +139% | 含嵌入既有企业应用的智能体能力 | Gartner，2026-05 |
| 全球独立智能体软件市场 | 109 亿美元（2026），同比 +43% | 纯智能体平台 / 编排工具 | IDC / Fortune Business Insights |
| 全球 AI 总支出 | 2.59 万亿美元（2026），同比 +47% | 含基础设施（占 45%—55%） | Gartner，2026-05 |
| 中国企业级 AI 智能体市场 | 212 亿元（2025）→ 449 亿元（2026），2029 年 3,320 亿元 | 企业级口径 | IDC，转引自中国企业报 2026 |
| 中国智能体市场（赛迪口径） | 135.3 亿元（2026），增速 >70% | 含开发平台（2025 年私有化 17.5 亿 / 公有云 2.5 亿） | 赛迪顾问 |
| Gartner 中国企业级口径 | 突破 480 亿元 | 企业级 | 国家发改委网站引 Gartner，2026-05-15 |
| 企业 SaaS 支出风险敞口 | 2,340 亿美元面临"智能体套利" | 到 2030 年约占企业 SaaS 支出 20% | Gartner，2026-07 |
与支出高增长并列的是两组冷水数据。Gartner 预计到 2026 年底，40% 的企业应用将嵌入任务型智能体（2025 年不足 5%），但同一家机构警告：超过 40% 的智能体项目将在 2027 年底前被取消，原因集中在成本失控、业务价值不清与风险控制不足；在数千家宣称具备智能体能力的厂商中，真正 agentic 的仅约 130 家，约 70% 属于"agent washing"（把既有自动化工具重新贴标）。
McKinsey 的口径同样分裂：62% 的组织至少在试验智能体，仅 23% 在至少一个职能实现规模化，跨多职能规模化的不足 10%；另一组统计显示 79% 的企业以某种形式采用了智能体，但只有 11% 真正在生产环境运行。更关键的是回报分布——仅 39% 的组织称 AI 对 EBIT 有任何可归因影响，仅 6% 属于"AI 高绩效者"（AI 贡献 5%+ EBIT）。
中国市场呈现类似结构：Gartner 调研显示仅 17% 的中国企业已部署 AI 智能体、超 60% 仍在探索，而国内智能体相关服务商已突破 300 家；IDC 预计 2026—2027 年是活跃智能体数量增速最快的两年（单年同比增长超 200%），2031 年将达到 3.5 亿个活跃智能体。
2026 年智能体工程最重要的一次收敛发生在协议层。此前的"MCP 对抗 A2A"叙事从一开始就是错位的——两者不在栈的同一层：MCP 解决"我的智能体怎么用工具"，A2A 解决"我的智能体怎么把活派给你的智能体"。生态已经收敛出一个清晰的两层架构。
| 层 | 协议 / 机制 | 作用 | 2026 年关键进展 |
|---|---|---|---|
| 工具接入（纵向） | MCP | 单个智能体连接数据库、API、文件系统、代码执行 | 2026-07-28 规范改为无状态架构，移除 initialize 握手与 Mcp-Session-Id；Tier 1 SDK 月下载量逼近 5 亿次 |
| 智能体协作（横向） | A2A | 跨组织 / 跨框架的发现、委派与结果交换 | 2026-07-16 v1.0 GA，支持多协议、企业级多租户、签名 Agent Card；Linux Foundation 口径支持组织超 150 家 |
| 打包标准 | Agent Plugins 1.0.0 | MCP 描述符与 Skill 描述符合入同一份 .well-known 清单 | 2026-08-06，OpenAI / Google / AWS / Cursor / Microsoft / Vercel 六方对齐 |
| 支付 | AP2 | 智能体之间的标准化交易 | 已吸引 60+ 支付与金融服务组织 |
| 身份与信任 | OAuth 2.1、Agent Card、W3C DID | 跨层的身份证明与验证 | IEEE 已启动 Agentic AI 协议工作组；Linux Foundation 托管 A2A 与 MCP |
采用双层栈的收益是可量化的：MCP 消除了每个工具接入的定制集成代码，A2A 消除了每次跨框架交接的适配代码，两类胶水代码同时消失，标准化团队的报告工作流开发效率提升区间在 40%—60%。
A2A 的 Agent Card（智能体用来声明能力的可读文档）规定了支持的认证方式，却没有强制规定这些卡片如何被验证真伪。研究者已在 2025 年演示了一个具体攻击：恶意智能体提交一份被夸大的 Agent Card，专门用来操纵编排器的路由选择逻辑，把敏感任务引向自己。由于 A2A 的客户端/服务端角色是可互换的，单个被攻陷的节点有机会污染整个智能体网络的信任链。
正在形成的缓解手册包括：用密码学方式验证 Agent Card 而非仅读取其自我声明、维护可信智能体身份白名单而非动态信任新智能体、在 OAuth token 之上叠加双向 TLS 与 PKI 机器身份。标准侧也在跟进：AIUC-1 智能体安全标准的 2026 年第二季度更新把 MCP/A2A 协议安全、智能体身份与访问管理、第三方风险监测列为三大焦点，新增 23 项针对协议认证、传输安全与运行时隔离的控制项。
停止以席位数做基准。把支出建模到厂商实际使用的消耗或结果指标上，谈判时争取用量上限与超额告警，坚持用量透明，并确认退出时数据与访问权限如何处理——消费型合同往往会加深供应商锁定。同时把财务部门提前拉进软件决策：可变定价把软件从固定成本变成了计量成本。
按席位买的是"能力"，失败模式是采用率低；按结果买的是"交付"，失败模式是准确性不足——系统能否在没有人兜底的情况下可靠地把活干完。这一转变对买方有利：它把性能风险转移给了卖方，智能体只解决 30% 而不是承诺的 60%，就只付 30% 的钱。但它也提出一个多数团队跳过的难题：你当前的单位结果成本是多少？
McKinsey 的发现值得单独强调：围绕 AI 重新设计工作流的组织，获得可衡量回报的可能性是仅在既有流程上叠加 AI 的组织的 3 倍。Gartner 对 350 位高管的调研则显示，因 AI 裁员与 ROI 改善之间并无相关性——投资于人机协作而非替代的组织，回报更好。这两条共同指向同一个结论：智能体的价值来自流程重构，不是来自工具采购。
