AI 產品的付費模式，尤其是 Agent 產品，傳統的付費模式已經不再適用了，不管是 token 量還是席位模式。

有一家公司試圖解決這個問題，由 Outreach（一家估值 44 億美元的銷售自動化公司） CEO Manny Medina 創建的 Paid，Paid 為 AI 公司提供賬單、定價和利潤管理工具；它幫助 AI 公司從簡單的基于用量的定價過渡到更復雜的基于價值的方法，使它們能夠獲取為客戶創造的價值中的應有份額。

Manny Medina 主張讓 AI Agent的公司像付薪水給員工一樣，為 Agent 產出的結果付費。例如，如果在保險行業雇傭了一個 Agent，其角色成功與否以完成的保單續訂量來衡量，那么公司就不愿為該 Agent 發送的每一封郵件付費。

近日，Manny Medina 接受了紅衫資本 Training Data 欄目的訪談，在訪談中 Manny Medina 和主持人將探討他對于 AI 定價模式的逆向觀點、他總結的當今行之有效的四種定價方法框架、他為何相信瞄準狹窄問題的專業化 AI 智能體正在「印鈔」，以及在 AI 智能體時代建立成功企業需要什么。

TLDR:

• 只要某個領域高度依賴 BPO（業務流程外包），就意味著 AI Agent 有巨大的切入空間。

• AI 真正能「站穩腳跟」的地方，是它能完全接管那些沒人愿意做的角色，比如，保險精算師或保險理算員。

• 四種付費模式——基于工作量、基于工作流、基于結果、基于智能體。

• 做一只「刺猬」。當今最成功的 AI 應用公司正采取刺猬策略：深入研究一個特定、明確的問題，并成為解決該問題的佼佼者。通過瞄準那些存在高度摩擦、依賴大量人工操作且常常依賴 BPO（業務流程外包）服務的狹窄應用場景，正在取得成功。這些專注的應用通過提供清晰、可衡量的價值，正在瘋狂掙錢。

• 制定策略，提升「定價成熟度曲線」：成熟度曲線從基于使用量的定價（計算 token/使用量）發展到基于工作流的定價（按完整流程收費），再到基于結果的定價（按成果付費），最終到按智能體定價（取代同等的人力）。關鍵在于將定價與客戶價值對齊——無論是解決問題的時間、CSAT（客戶滿意度）分數，還是業務成果。

• 不要試圖服務所有人。最成功的 AI 公司正花時間深入了解特定的客戶細分群體，而不是追求廣闊的 TAM（潛在市場總額）。這使他們能夠針對特定用例調整其產品、定價和市場推廣策略，然后再進行擴展。當你能提供卓越體驗并從優勢地位擴張時，小 TAM 也能變大。

• AI智能體公司，應該按照智能體定價。在這種模式下，你可以和客戶談：「與其支付 9 萬美元，不如為這個智能體支付 2 萬美元，然后為預定客戶會議、成交機會給我獎金。」這與雇傭人類 SDR 非常相似，這樣一來，客戶就可以動用人頭預算，而不是工具預算。從預算來源來看，這不再屬于營收運營的范疇，而是屬于人力資源的范疇，后者的預算要大得多。

Founder Park 正在搭建「AI 產品市集」社群，邀請從業者、開發人員和創業者，掃碼加群：

進群后，你有機會得到：

• 最新、最值得關注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準的AI產品曝光渠道
  

01

解決特定場景問題的 AI 產品

跑得比較順

紅衫資本： 我們先從一個宏觀問題開始。AI應用公司現在哪些方面進展順利？很多 AI 應用公司都是你的客戶，所以我想你很清楚哪些行得通，哪些行不通。

Manny Medina：如果用刺猬和狐貍*作類比的話，我認為我們現在正處在刺猬的階段。

也就是說，如果你選擇一個非常狹窄的問題，然后像刺猬一樣鉆研進去，成為解決那一個問題的佼佼者，那現在簡直就是在印鈔。

附：刺猬和狐貍的比喻，狐貍象征著那些思維發散、追求多種目標的人；刺猬象征著那些將所有事物都與一個單一的、核心的、普遍性的原則或愿景聯系起來的人。

紅衫資本： 有什么好的例子嗎？

Manny Medina：好的例子？比如我很欣賞 Quandri（處理保單續訂的公司）在做的事情，還有你們投資組合里的 XBOW，以及 HappyRobot 在做的事情。這些都是非常狹窄的問題領域，涉及很多用戶，但沒有明確的軟件解決方案。

有趣的是，它們現在并不是在取代人，而是在取代 BPO（業務流程外包）。只要某個領域高度依賴 BPO，就意味著AIAgent 有巨大的切入空間。

Quandri 做保單續訂。另一個做類似事情的是一家叫 Owl 的公司，它們也在保險領域，但它們審查理賠理賠數據，同樣非常小眾，你很可能會因為覺得市場太小而略過，但這個需求其實非常明確。

HappyRobot 代表經紀人給卡車司機打電話，如果你想把啤酒從密爾沃基運到波士頓，你打電話給經紀人幫著找卡車司機，Happy Robot 會啟動 2000 個智能體；智能體給卡車司機打電話，互相協商，直到訂下這批貨，然后它們會一直跟進卡車司機直到交貨。

XBOW 做滲透測試（pen testing），他們給滲透測試機構排名，找出最好的，然后為你運行測試。所以在我的理解里，這些都是非常狹窄的問題。XBOW 不會一上來就說，「我要成為一個完整的網絡安全解決方案」，而是說，「我就要持續不斷地敲打你每一個應用和后端（backend）的門，我就要找出一種方法滲透進去。而且這會以盡可能高的質量進行。」 而且會持續進行，這是目前無法做到的。

紅衫資本：那反過來也成立嗎？那些范圍太廣的項目目前是不是行不通？

Manny Medina：我認為很多范圍廣泛的項目也有不少進展，像 Harvey 就做得相當好，而且它們的范圍也不是那么廣，它們專注于法律系統。

但我對 Crosby（醫療領域的病例合同處理）將要做的事情感到興奮，它們在相似領域解決問題，但用了不同的方法，它們會完全取代處理商業合同的律師。

但如果你范圍太廣，比如 AI 銷售開發代表就有點太寬泛了，它包含了很多東西，對不同的人意味著很多不同的事情，這就會產生混亂。所以我不想把它歸類為哪些行得通，哪些行不通。我把它歸類為哪些現在行得通，哪些「尚未」行得通。

例如，我翹首以盼的一個是針對行政助理的 AI 助手，我想現在的 AI 系統經過改進，最終會行得通的。

紅衫資本： 是的。

Manny Medina：比如，我很喜歡 Fyxer（行政助理類 AI 助手），但我的工作涉及三個時區。我的聯合創始人在 India，我們大部分客戶在 太平洋時區，我在美國。要讓這一切恰到好處地運作，對我來說還不太行。但如果我只有一個時區，只有一條業務線，比如我是個房地產經紀人，那它們就完美契合那個特定場景。所以，大問題，窄場景，AI 就適合搞定它。

02

AI最先取代

薪酬較低、沒人愿意做的工作

紅衫資本：你感覺哪些市場可能會較早被AI改造，而哪些市場會對 AI 轉型更具抵抗力？

Manny Medina：我聽過這樣一個論點。就是你們發表那篇 的文章時，Kleiner Perkins 的合伙人 Mamoon Hamid 提出了一個假說，對此我完全不認同。他認為，AI 將從薪酬最高的工作開始取代，這在邏輯上似乎說得通，AI 去瞄準最昂貴的工作，取代那些開發者、律師、會計師、醫生。

我認為那些收入最高的人會把 AI 當作附屬品來購買，然后像拋棄生活中其他東西一樣頻繁地拋棄它。我認為 AI 真正能「站穩腳跟」的地方，是它能完全接管那些沒人愿意做的角色，比如，保險精算師或保險理算員。

所以當 Quandri 處理這些保單續訂業務時，他們正在取代那些即將離開這個行業并且不再有人填補空缺的人。同理，沒人愿意去 BPO（業務流程外包）公司不停地打電話。他們做那份工作只是為了過渡到另一份工作，通常只干六個月，這些工作的流動率非常高。因此，從我的角度觀察到的是，那些做得非常好的 AI 公司，正在取代那些要么因為退休而消失的職位，或者是由 BPO 運營的業務。

在那個細分市場，我看到了很強的粘性，看到了良好的業務擴張，看到了增長和非常好的經濟效益。

紅衫資本： 是的。

Manny Medina：比如，我可以隨心所欲地定價。我價格的上限是勞動力成本，價格的下限是我的利潤率，而人們正在這方面大做文章。

所以，我看到大部分進展都集中在那些基于結果定價模式的業務里。而在更廣泛的應用領域，我之所以不同意「高薪職位被替代」的觀點，是因為每個人都會涌向那里。

如果 OpenAI 需要另一個收入來源，他們會去追逐律師和會計師市場。為什么？因為這很難，而且人們愿意為此付錢。所以我感覺那個市場現在會很火熱，但隨后會變得競爭極其激烈，很多人擠在里面。

紅衫資本： 我在想是否可以「魚與熊掌兼得」。我在想你和 Mamoon 是否都是對的，即對于薪酬更高、更具創造性的工作，「輔助駕駛」模式（那種賦予人們「超能力」的AI方法）似乎確實行之有效，就像法律領域的 Harvey 或醫療領域的 OpenEvidence。

而對于那些薪酬較低、創造性稍差的工作，「自動駕駛」模式行之有效，即用一個能夠更好、更快、更便宜地完成工作的自主智能體來完全取代這些工作。

至于「輔助駕駛模式」的護城河，我認為你說得對，因為那些是看起來很有錢的大領域，競爭肯定會很激烈。我們同時看到的還有協作工作流，這在軟件領域堪稱世界第八大奇跡。它們往往會非常深入地嵌入到客戶業務中，一旦你進去了，提供了巨大的價值，他們就不太想更換供應商了。

Manny Medina：對，我認為世界已經有點變了，我不確定是否還會看到像 Asana 或 ServiceNow 這樣的公司出現。它們在協作工作流不存在時發揮了作用，是革命性的。

但我認為現在任何人都可以憑借 vibe code，快速搭建出一個 ServiceNow。

紅衫資本：你相信 vibe code 么？

Manny Medina：我們用大概一個半月就快速搭建了 Paid。

紅衫資本： 你就是個「vibe coder」。

Manny Medina：其中一半就是「vibe code」，但是我們后來后來不得不扔掉它。但這就是「vibe code」的美妙之處：你可以扔掉它，然后重新快速搭建。

很多人糾結于調試這件事，但其實你不用調試「vibe code」出來的代碼，你把它扔掉重新開始，把它部署到生產環境，等它崩潰了，你再重新開始。你總是可以重新開始。

紅衫資本： 這對你的客戶來說真是莫大的安慰。

Manny Medina：我現在客戶還不多，所以問題不大。但最終，這會成為一個大問題，但開始做是很容易的。

回到工作流的問題。我認為你是對的。如果你成為了解決 X、Y 或 Z 問題的權威工作流，那絕對能夠增加粘性，我覺得現在的競爭速度真的很快。

而「輔助駕駛模式」，你真的很難判斷它是否真的有落地的價值。比如，我如何區分一個 copilot 和另一個類似的產品到底誰好？它們都可以說，我和 XX 產品一樣，但是更好或更便宜。這就容易導致混亂。

所以，除非它們專注于垂直領域，比如說， Harvey 針對專利法領域，說「我是最好的，我占據了 78%的市場」，那這事情就容易成，你進入了一個非常狹窄的應用領域，在一個利潤豐厚的狹窄市場里擁有穩固的地位。

它之所以利潤豐厚是因為你擁有了它的全部，而不是因為整個市場都很「富饒」。當然，我們都是在這里做假設，反正無論哪種方式我都能賺錢，所以我樂見所有模式都能成功。

03

四種行之有效的AI公司定價方式

紅衫資本：所以你正試圖在定價方面介入并提供幫助。你看到目前哪些方法是有效的？

Manny Medina：我看到有四種方法正非常成功且受歡迎地「站穩腳跟」。

第一種，是按量收費。這很簡單，采用類似積分消耗的模型，而且你可以相當容易地展示所完成的活動。

另一種是按工作流收費。你可以把一系列活動串聯起來，然后說，「這個工作流收這么多費。」 比如文檔審查，這樣你就可以區分小文檔和那些又長又復雜的文檔，因為它們的消耗模式不同。

紅衫資本：這感覺更接近基于價值的定價，而不是基于成本的定價。

Manny Medina：完全正確。轉向基于工作流的定價讓你能夠擺脫純粹為工作量付費的循環，轉而為對某人有價值的工作付費。然后最終你會達到某種基于結果的模式。

我一直向我的客戶推薦的是，與其按結果收費，不如設立一個結果獎金，意思是，如果達到了某個可衡量的特定質量的結果，就可以為此收費。這樣就為關于價值對齊的對話打開了大門。一旦你打開了價值對齊對話的大門，你就會開始與每個客戶簽訂更多定制化的合同，而這種合同是極難被取代的。

紅衫資本：從歷史上看，這是一種很難實施的定價模式。你認為AI改變了這一點嗎？

Manny Medina：我認為 AI 徹底改變了這一點，因為過去我們想把所有東西都塞進叫做 SKU（庫存量單位）的小盒子里，然后我們想計算 SKU 的數量，每個 SKU 都會有可自行決定的折扣額度等。

那是一個屬于行和列的世界（指表格化的、標準化的模式），你不再需要那個了。如果你去看那些最大的公司，比如 ServiceNow 或 Salesforce，他們所有的大合同都是定制的，然后你派 CRO（首席營收官）去和對方坐下來談，他帶回來一份協議，這份協議里有各種各樣的復雜條款，它們是不屬于 CPQ（配置、定價、報價）的。

我不知道為什么在智能體世界里，對于那些你想深入合作的客戶，你不這樣做。現在有了 AI，你可以直接問它「幫我解讀這份合同，告訴我年化價值。」 你可以查詢你簽過的所有合同主體，從而了解你的單位經濟效益、增長情況以及整體狀況。所以我認為定制合同的時代已經到來。

紅衫資本： 好的，你提到了四種。有基于工作量的，有基于工作流的，第三種是基于結果嗎？

Manny Medina：第三種是基于結果。

紅衫資本： 那第四種是什么？

Manny Medina：第四種是按智能體付費。

紅衫資本： 按智能體付費。那是怎么運作的？

Manny Medina：我一直在和很多做 AI SDR（銷售開發代表）的公司合作，試圖引入這個概念，因為他們做的很多事情是在取代普通 SDR 的 80%重復性工作。而一個全成本的 SDR 每年會花費公司大約 7 萬到 9 萬美元。

所以你與其定一個平臺費，不如這樣定價：「我將部署 X 個智能體，這些智能體將完成相當于一個年薪 9 萬美元 SDR 的工作量。我向你收取每個智能體 2 萬美元。這個智能體將交付 XX 工作量，如果在完成工作量的基礎上有更進一步的實際成交機會，你可以給我付獎金。」

紅衫資本： 你怎么定義一個 SDR 的工作？是「人類 SDR 有一定的工作配額，這個智能體也會達到同樣的配額。」嗎？

Manny Medina：是的。當你雇傭一個 SDR 時，你需要他們幫你完成一定工作量，例如打 X 個電話，X 次客戶會議，最后轉化成 X 個成交客戶。你可以讓 AI SDR 做同樣的事情，你要為這個智能體將要做的工作劃定一個邊界，然后讓客戶為這個智能體收費，因為產出是一樣的。

你可以和客戶談：「與其支付 9 萬美元，不如為這個智能體支付 2 萬美元，然后為預定客戶會議、成交機會給我獎金。」這與雇傭人類 SDR 非常相似，而且這樣一來，客戶就可以動用人頭預算，而不是工具預算。所以從預算來源來看，這不再屬于營收運營的范疇，而是屬于人力資源的范疇，后者的預算要大得多。

這就是為什么我試圖引導人們不要像給工具定價那樣收費，因為那樣你容易受限，你只能從 CRO 那里獲得一小部分預算，而不是獲得完整的人頭替代預算。

04

按量收費

讓AI公司陷入低水平競爭陷阱

紅衫資本：對于那些最終陷入「將AI作為工具收費」而非「為工作成果收費」模式的公司，你看到了哪些陷阱？

Manny Medina：那樣的話，你就會被限制在傳統的按席位收費的模式里。

紅衫資本：為什么人們會被限制住？

Manny Medina：我看到的情況是，絕大多數 AI 智能體公司目前都在做 PoC（概念驗證）。 PoC 看起來像是合同，看起來像是收入，但實際上，企業是把它們當作試用版購買的。

紅衫資本： 氛圍收入（Vibe revenue）。

Manny Medina：是的，可以這么說。當 AI 智能體公司有了「氛圍收入」收入曲線，下一步將進入「續約期」，那時就能分出優劣，就能弄清楚誰真正具有粘性，誰沒有；也正是在那時，真正的盈利模式才會顯現。因為他們會搞清楚，誰賺了錢，誰沒賺錢，他們交付了什么樣的價值，或者沒有交付價值。

紅衫資本：他們會看到結果。

Manny Medina：完全正確。所以我感覺這將是由買方推動的，以此來降低風險。因為 AI 在很多維度上都有風險，而按結果付費實際上降低了風險。

紅衫資本：在你提到的四種模式——基于工作量、基于工作流、基于結果、基于智能體——這算是一種成熟度曲線嗎？比如，是不是說最終目標是銷售智能體，或者可能是銷售結果？

Manny Medina：這是個很有意思的問題。答案是，我認為其中確實有成熟度的元素，但也帶著一點「自己闖關」的意味，因為最終還是要看底線。

換句話說，每個人都必須擺脫按工作量銷售的模式。如果你停留在那兒，就會有人出現說，「我能用更便宜的價格做同樣的事情。」 然后你就陷入了一個噩夢般的場景，里面有大量和你看起來一模一樣的競爭對手，唯一能區分優劣的方法就是一個個去試。

然后你就陷入了從一個供應商換到另一個供應商的狀態。所以，這其中確實有成熟度水平的問題。如果你不脫離那個最底層、雖然容易銷售但最終會被淘汰的模式，你就會被淘汰出局。

一旦你進入基于工作流的模式，你就進入了基于價值的定價，然后你需要定義什么是工作流，以及它為什么重要。接著你就進入了更深層次的對話，這會促成更好的價值對齊。所以，我想對這個簡單問題的回答是肯定的，這確實需要一定程度的成熟度才能與你的客戶進行那種對話。你的客戶總是會默認選擇最容易購買的方式，第一年通常是某種固定價格或按消耗量價格，看看效果如何。但如果確實有效，那么 AI 公司就可以和客戶聊按照更有價值的方式，更合理的計費了。

紅衫資本： 哪些市場可能會停留在基于價值的定價，而哪些市場可能會退化到基于成本的定價？從你交談過或合作過的公司那里，是否看到了某些市場朝某個方向發展的早期跡象？

Manny Medina：我現在看到的是，對于那些瞄準 BPO（業務流程外包）預算的公司，為了贏得業務，他們會在 BPO 的定價基礎上，降低價格，然后說，「我能做得和 BPO 一樣，但更便宜，7x24 小時在線，并且我會積累所有 BPO 過去處理的數據。」

紅衫資本： 是的。

Manny Medina：但同樣，我認為這只是一個中間步驟，不是最終形態，只是進入市場并贏得市場的一種方式。

BPO 不會坐以待斃，它們都是相對較大的公司，完全可以購買某家公司的 AI 技術并進行部署。一旦 BPO 部署自己的智能體，取代自己的人員，利用他們內部的數據進行模型微調或改進，然后全力以赴保衛自己的領地時，會發生什么。 我和波士頓咨詢公司談過這個，他們不愿告訴我他們正在與 BPO 進行大量合作，但我感覺到了。而且我不認為他們會坐視自己的業務消失。

所以我在想這個游戲會如何達到某種平衡，現在我不知道答案。但我認為，要進入一個市場，你會看到很多初期的定價方式，用最容易讓別人接受的方式定價。

但要在市場中前進，你必須立即轉向其他方式。例如在 AI SDR 領域，你到處都能看到這種情況。比如，很多公司都進入這個領域，按照 token 或積分收費，隨后就變成了一場血戰，大概有 50 家看起來差不多的同類公司。所以，除非你能有差異化競爭優勢，例如對客戶保證「我能給你帶來五個合格的客戶會議機會」，或者「我按取代人類的智能體向你收費」，否則你就會被淘汰。

紅衫資本： 當進入定價模型更成熟的階段時，你看到人們如何衡量并實施這些模式？

Manny Medina：我認為這正是其美妙之處，對于每個客戶來說，成功的定義都會有點不同。

在一個大家都擁有相同工具的世界里，你理解客戶業務、圍繞它進行定價和簽約、并擁有支持它的引擎的能力，實際上就是一種競爭優勢。

一開始并不明顯——我剛起步時更是如此。我記得我們去年九月聊過那次，當時方向還很模糊。直到現在，我們在市場的不同角落「開燈」，才有客戶說：「是的，我們需要一套只屬于自己的方案，好保護我們的資產或合同。」

其次，正如 Seth?Godin* 所說，定價就是你故事的一部分。要在市場中脫穎而出，你的故事必須與眾不同；如果故事變了、價格卻沒變，那故事最終還是一樣。正因如此，Sierra 在官網首頁沒有公開價格——他們要先與每位客戶坐下來，弄清楚對方最在乎什么：解決時長？客戶處理完工單后能否追加購買？還是 CSAT、NPS？找到關鍵指標后，就圍繞它搭一個「盒子」，把它當作結果函數。這與機器學習里的目標函數一樣：先設定目標，然后不斷迭代直到達成。

附：Seth Godin，企業家，知名營銷專家。

05

Token 成本在降，

但 Agent 成本并沒有

紅衫資本：我們接下來談談成本端以及利潤在其中扮演的角色。

Manny Medina：這是我另一個持與主流相反觀點的地方。

每個人都告訴我 token 的成本會下降，這將變成一種商品。我認為在一個需要推理的世界里，推理時間計算（inference time compute）的價值何時會高于訓練時間計算（training time compute）？至少在不久的將來，我看不出 token 價格會如何下降，因為你將需要更深層次的思考。

所以現在智能體的問題在于，你是在給它們編排工作流，你去 LangGraph（注：一個流程編排框架），放置你的模塊，定義每個模塊做什么，然后把它們串聯起來。但其根本問題在于，如果在這個鏈條的最開始就出現了一個幻覺，你就完蛋了，你會有一系列糟糕的活動貫穿始終。

紅衫資本：是的。

Manny Medina：再多的評估也救不了你，所以更好的方法是讓模型來完成大部分工作。與其設置這些小的工作模塊，不如讓模型來做大部分工作，并有一個好的評估框架來確保它在做它應該做的事情，然后再推出。

在那個錯誤率更低的世界里，我看不出每個 token 的成本會下降。我認為，隨著模型變得更先進、更智能，那成本只會上升。

紅衫資本：或者這可能是數量和價格之間的賽跑，對于固定的工作負載，價格可能會隨時間下降，但工作負載會增加，因為你在推理時投入了更多的計算資源，或者因為你正在處理更復雜的任務。

Manny Medina：是的，我認為從長期來看，你絕對是對的。

我看到的第二件事，也是我的 a-ha moment，是智能體正在使用一種模態，而一旦你掌握了這種模態，你就想使用所有其他模態，對吧？所以你做了文本處理，然后你想打電話或接聽來電，或者撥打外呼電話，或者做一個虛擬形象，然后你就會產生并非來自 LLM 而是來自第三方 API 的成本。

所以，完整服務的全部成本包括：你的云成本，你的 LLM 成本，然后還有所有你必須購買的其他東西，才能讓它在使用的不同模態中表現出色，甚至包括購買數據或其他任何東西，這才是推高成本的原因。

所以如果你看一家虛擬形象公司或電話智能體公司，他們的成本不完全是 LLM。他們的成本在于你通話的時長，撥打的電話數量，或者虛擬形象運行的時長等，這些都是你需要注意的復合成本。

我們現在在成本模式上面臨的問題是，因為智能體的所有活動都通過評估框架——它在 token 進入 LLM 之前充當 Agent——你不知道誰產生了什么成本。

所以你不知道哪個客戶對你來說是盈利的，哪個客戶正在負面影響你的利潤。你不知道哪個智能體做得好，哪個做得不好。你只能看到一個整體。這就是為什么利潤問題如此難以解決。

紅衫資本：總的來說，利潤反映了你為客戶提供的價值量。你現在在AI應用中看到了這一點嗎？還是說公司提供的價值量與他們能夠獲得的利潤之間存在不匹配？

Manny Medina：存在不匹配，因為人們不知道如何定價，也不知道自己的成本。這問題有點復雜，因為智能體公司相對較新，所以他們進入市場時只是想獲得業務，它們用任何客戶想購買的方式來定價，然后才發現是賺了還是虧了。

所以我認為這只是游戲的開始，隨著他們理解了單位經濟效益，理解了價值交付，他們會更好地定價，但他們現在還沒看到這一點。例如，我們在 Paid 中構建了一個功能，可以查看一個活動或工作流，然后調用一個服務，告訴我們同樣的工作量在哪個國家的人力等價物是多少；如果工作有點難，它會查找工作類型，那個人每小時能賺多少錢，工作需要多長時間，然后返回一個價值。

我們給客戶提供這一點定價指導，告訴他們同樣工作量的人力等價物是這么多，你可以定價到那個水平。或者至少可以用這個去說，「我需要提高我的收費，因為這實際上相當昂貴。」 但沒有這個，就有點棘手。而且你身邊也不會一直有一個像 Simon-Kucher（注：一家定價咨詢公司）這樣的定價專家一直指導你。他們一年來一次，然后就閃人了。

你只能自己收拾殘局，而實際上，每次你和客戶談話時都需要這方面的指導，以確保你的價格物有所值。我們看到的問題是，價值正在流向客戶，而不是流向智能體業務。客戶捕獲了所有節省下來的價值，這種情況需要改變。

06

創立 Paid，

為AI公司解決收費難題

紅衫資本：所以你創辦了一家公司來幫助解決這個問題。跟我們談談為什么創辦這家公司，以及它背后的使命是什么。

Manny Medina：當我們在 Outreach* 推廣智能體時，我想了解智能體業務的基本面：我的利潤、我正在增加的價值，以及我如何增加價值，但底層的支持軟件幫不上忙，它不是為這樣一個定價需要不斷發展、智能體交付的不只是比特和字節而是完整結果的世界而構建的。

注：Outreach，Manny 之前創辦的自動化軟件銷售公司。

在我搬到倫敦并卸任 CEO 之后，這一點一直縈繞在我腦海里，這個問題一直困擾著我。所以我就想，「這是只有我遇到的問題嗎，還是其他人也有這個問題？」 于是我花了好幾個月時間給朋友和其他創始人打電話。

我對銷售了解很多，他們對智能體了解很多，所以我們會進行交叉學習。他們問我任何關于建立銷售團隊的問題，然后我問他們運營一個智能體業務是什么感覺。我發現，運營業務本身全靠電子表格。這是第一點。

第二點，有些問題確實困難，但并非棘手到無法解決。只是需要做很多工作。所以我喜歡那種問題很大、人們在用臨時方案解決、而且問題不是幾行代碼就能解決那么簡單的情況。這差不多就是創辦 Paid 背后的靈感來源，為了解決這個問題。

第三點，我想建立一家能讓我與新一代創始人合作的公司，因為他們自己也在創辦公司。那種活力驅動著我。我在運營 Outreach 時最有趣的事情就是與客戶的對話，但在創始人層面的客戶對話是非常原始、充滿驚奇、神秘和活力的，在每一次這樣的對話中，我都能感覺到我的能量槽不斷上升。

我就想，我想以此為生，這是一個很棒的存在方式。而且這個市場將會很大，同時它現在又足夠小，我可以給每個人打陌生電話，而且大多數人會回我電話，因為這是創始人之間的交流。

我了解你的問題，也許我能幫你，也許你能幫我。然后，砰，對話就開始了。所以這幾乎不像是銷售，感覺更像是我在提供解決方案。最后，我告訴他們我正在做這個東西，他們就會說，「是的，讓我試試。」 在表示「讓我試試」的人那里，我的成功率是百分之百。

我就想，「臥槽，干吧！」

紅衫資本： 我們其實還沒明確說過 Paid 是什么，所以請回答一下這個問題。Paid 是什么？

Manny Medina：Paid 是 AI 公司的業務引擎。我們在 Paid 所做的是構建客戶全部的賬單、發票、變現、定價；甚至現在，我們還在做收款、收入確認。所以是全部的供應商管理和利潤管理。

也就是你需要讓業務啟動并運行起來、理解單位經濟效益并經營業務所需的全部后臺運營，這就是我們在 Paid 構建的東西。

我們進入市場的第一個切入點是我們的變現引擎和利潤管理引擎，這是我們在市場上看到的最大問題。但我們也在構建相鄰的部分，所以問題會疊加。比如，一旦你解決了變現和發票問題，你就需要解決收款問題；一旦你解決了利潤問題，你就需要解決供應商管理問題，以此類推。所以我們正在構建一個統一層，讓你可以在一個地方運營你的業務。

紅衫資本： 你在 Outreach 學到的東西有多少可以直接轉移到創建 Paid 上，又有多少是全新的？

Manny Medina：人的方面是一樣的，建立團隊是一樣的，激勵他人是一樣的。在能力實現之前就進行銷售也是一樣的。

新的是，世界在公司創建方面變得更精明，我想你在我們的播客里開過這個玩笑，你看一家 AI 智能體公司，揭開引擎蓋，里面就是在創辦一家公司。

紅衫資本：是的。

Manny Medina：而創辦公司的部分已經變得聰明多了。我交談過的每個人都比我在創建 Outreach 同一階段時要先進得多，人們已經看到了 SaaS 領域發生的一切，他們正在以完全不同的方式構建公司。

紅衫資本： 我正想問，這是好事還是壞事？因為我認為積極的一面是人們信息更靈通，他們能做出更好的決策，并且他們在加速處理那些并非特定于他們公司的、共通的公司創建環節。

我認為消極的一面是人們在盲目地進行模式匹配，而不理解隨著時間推移真正能帶來健康業務的根本決定因素。你認為更偏向前者，是好事，還是更偏向后者，是壞事？也許介于兩者之間，具體情況具體分析。

Manny Medina：坦白說，我還沒停下來思考過這個具體問題。但如果我要給它一個限定，我認為初始條件是不同的，意思是，他們從這樣一個起點開始：我要保持公司規模小，我要更多地掌握自己的命運，所以我們要以不同的方式融資。我們不會不惜一切代價增長。我已經從好幾位創始人那里看到，他們會花更多時間明確他們的理想客戶畫像，確保他們是擴展那部分業務，而不是盲目擴展所有業務。

所以，當我創辦 Outreach 時，我總是在試圖弄清楚我的市場邊界在哪里，我應該向誰銷售？結果發現我可以賣給所有人，但這實際上讓問題變得更糟，對吧？因為我可以賣給初創公司，也可以賣給非常大的公司——比如，Adobe 是我最早的客戶之一。他們都有溝通問題，都有工作流問題，但接觸他們的方式、針對他們特定解決方案打磨產品的方式都完全不同。

我當時很難放手。我有點沉溺于來自各行各業的業務海洋中，如果我能重新經營我的公司，我會非常有意識地聚焦，然后說，「到底是什么讓 Outreach 成為一家年化收入十億美元的公司？」 然后從那里開始。

我看到這些新一代創始人帶著這種觀點而來。我就想，我能在沒有太多阻力的情況下銷售的最狹窄的用戶畫像是什么，然后從那里向上發展。現在這樣做的問題是，他們可能限制了他們的 ICP（理想客戶畫像）。他們可能沒有嘗試，沒有進行足夠的實驗來將公司從單一產品發展到多產品再到平臺。

紅衫資本： 是的，但高質量往往能夠規模化，對吧？如果你真的為小部分受眾做到了極致。

Manny Medina：我同意。

紅衫資本： 并且能從那里開始積累，那可能比為大批受眾提供平庸的服務要好。

Manny Medina：百分之百同意。而且這讓生活更有趣，因為你的路線圖清晰得多。當你只為一種類型的客戶提供卓越服務時，所有其他運營的擴展實際上更容易。然后你就會出名，口碑傳播會更廣，所有這些都更自然地發生。再次強調，我真希望我在創辦 Outreach 時就知道這一點，并且能更快地做到，收窄、收窄、再收窄，保持超級專注于這一兩件事或一件事。

紅衫資本： 好的，Manny，那么人們該如何開始使用 Paid 呢？

Manny Medina：這是個好問題。我們現在是手動進行引導，以確保我們所有的部件都根據您的業務進行了精確調整。

所以你需要申請，會有一個簡短的問卷，內容是關于變現、利潤以及客戶所處的領域。我們會安排一次引導對話。作為一家早期初創公司的美妙之處在于，所有的引導工作都由我和我的小團隊完成。我們確保我們正確地捕捉客戶的智能體工作。我們確保用最佳實踐指導客戶，因為我們了解市場。

我們基本上見過各種情況了，所以我們了解客戶的市場，知道客戶應該如何收費，并能給出一些建議，幫客戶建立發票記錄、利潤記錄，這樣客戶就能了解自己是如何賺錢的。而且我們會隨時待命，一個電話就能找到我們。所以，只要申請，確保客戶擁有智能體業務并且有一些客戶，然后我們會從那里開始為客戶服務。

07

AGI 已經到來，

只是我們尚未意識到

紅衫資本： 誰在你心中的創始人偶像榜上？

Manny Medina:Jeff Bezos. 他是我生命中一位重要的創始人。我有很多朋友也是創始人。他們真的激勵著我。

Pendo 的 Todd Olson，他是一位很棒的創始人，也是一個很棒的人。我非常喜歡 Sam Altman 在 OpenAI 所做的事情。我認為那種有規律地推動創新并且在世界上扮演一個善于展示的人的能力，是我渴望成為的樣子。

Collison 兄弟（Stripe 創始人）對我來說非常特別，因為他們在求知欲和閱讀方面是如此貪婪，以及他們思考世界的方式，盡管他們非常年輕，但他們是如此睿智，我非常敬佩他們。

紅衫資本： 有哪一份內容是每個AI創始人都應該閱讀的？

Manny Medina：我一直在思考這個問題，因為改變我對 AI 看法的東西實際上是一本關于統計自然語言處理的很老的書，作者是 Chris Manning。這本書曾是 Stanford 計算機科學專業自然語言處理課程的必讀物。我不知道現在還是不是，因為它太老了，但它就像那種「經典之作」一樣，告訴你馬爾可夫鏈如何工作，回顧和前瞻的長度如何用來預測下一個詞。這就像是機器學習的早期階段。我們現在做的很多事情仍然基于這種統計方法。

我知道已經取得了很多進展，我們現在以很多不同的方式切分 token，以很多不同的方式進行優化，但我覺得如果你不了解這一切的起源，我不知道你是否能理解它的走向。盡管聽起來像是本難讀的書，它寫得相當通俗易懂。

紅衫資本： 模型正在商品化，是還是不是？

Manny Medina：不，還沒。在推理的世界里還沒有。我認為我們才剛剛觸及這個領域潛力的皮毛，還有很長的路要走。比如，你看每一個新模型出來，輸入 token 的價格都比它們淘汰掉的模型貴六七八倍。我認為如果我們發現新事物，這種情況只會繼續下去。

紅衫資本： 我們在哪一天已經達到或者將要達到 AGI？

Manny Medina：我認為它在某種程度上已經在這里了，只是以一種未被充分利用的方式存在。我們還沒有真正挖掘出一個模型能做的所有事情。所以我認為它就在三號門后面之類的（意指近在咫尺）。我認為它已經在這里了，我們只是還沒承認而已。

紅衫資本：那么你對AI最樂觀的未來狀態是什么？描述一下。

Manny Medina：它是人類想象力的腳手架。我認為我們也沒有真正理解，當有別人為我們做大量思考和發現工作時，我們會變得多么聰明。這有點像有人把你扛在肩上，突然之間你就能看得更遠、更久；AI 正在為我們做同樣的事情。我們現在將能夠看得更遠、更久，并想出以前不可能的事情，真是生逢其時。

紅衫資本： 最后一個問題，給AI創始人的一條建議。

Manny Medina：保持專注于非常狹窄的客戶群體。不要擔心 TAM（潛在市場總額）。忽略風投（VC）關于尋找盡量大的大 TAM 的建議。只要你提供卓越的體驗，小 TAM 也會變成大 TAM。