互联网商业模式迭代：从流量订阅、SaaS到Token/任务计量型智能服务的价值核算研究

互联网商业模式迭代：从流量订阅、SaaS到Token/任务计量型智能服务的价值核算研究

作者：泷码软件（上海）有限公司、泷码软件研究院、泷码互联网经济网研究部

摘要

互联网产业商业模式经历三代核心价值载体变迁：流量广告与会员订阅为代表的注意力经济阶段、SaaS 席位订阅为代表的软件使用权经济阶段、当前以 Token 调用、智能体任务闭环计量为核心的生成式智能服务（GaaS，Generative AI as a Service）阶段。传统互联网价值核算体系以用户规模、访问流量、席位数量为基础，难以适配智能体自主执行、多工具编排、任务结果导向的新型服务形态。本研究以价值载体演化为主线，系统剖析流量、会员订阅、软件席位订阅、Token 调用计量、任务闭环计量五种商业模式的价值生成逻辑、成本结构、收益分配机制与边界缺陷；建立面向 GaaS 智能体服务的分层价值测算模型，融合资源消耗维度（Token、算力、存储）、任务履约维度（成功率、时延、人工干预率）、业务成果维度（增量收益、成本节约）三层核算因子，构建配套定价框架、计量口径与 SLA（服务等级协议）体系。研究旨在为智能服务商业化、合同计量、风险分摊提供互联网经济理论支撑，弥合传统软件服务经济学与智能体自治服务之间的理论断层。研究发现：Token 计量解决底层资源消耗的标准化统计，但无法直接等价业务价值；任务闭环计量是 GaaS 商业模式的终极价值锚点，Token 仅作为中间成本计量单元；SLA 体系必须从传统可用性指标拓展至任务完成质量、错误归因、人工兜底成本、失败损失补偿等复合指标。本研究提出的价值测算模型可用于 GaaS 服务商报价、客户 ROI 测算、服务合约审计与产业经济统计，为数字服务定价规则、合规计量、责任划分提供理论工具。

关键词：互联网商业模式；价值载体；SaaS；GaaS；Token 计量；AI 智能体；任务闭环；价值核算；SLA

第一章 绪论

1.1 研究背景

自 Web1.0 信息门户时代起，互联网价值计量载体持续迭代。Web1.0 与移动互联网阶段，价值锚点是流量，以曝光、点击、访问时长衡量注意力，变现以广告、增值会员订阅为主。云计算普及之后，SaaS（软件即服务）成为企业数字化主流模式，商业模式转向席位订阅、功能模块打包，以用户账号（seat）作为核心计量单元，客户支付费用获取软件使用权，而非软件所有权。该模式在标准化流程软件场景取得巨大商业成功，但存在天然局限：席位订阅固定收费，与系统实际工作量、资源消耗、业务产出脱钩。当用户轻使用与重度复杂任务使用均支付相同席位费用时，供需双方成本收益严重错配。

生成式人工智能与 AI 智能体技术突破，催生 GaaS 生成式智能服务。智能体可自主完成长链路任务：调用大模型、检索知识库、API 工具编排、多轮推理、异常重试、人工复核闭环。智能服务不再是固定软件界面，而是按需触发、动态消耗算力、Token、存储、人工兜底资源的弹性生产过程。传统 SaaS 席位订阅模式失效，行业快速转向 Token 按调用量计费；但产业实践进一步暴露 Token 模式缺陷：Token 仅衡量模型输入输出词元消耗，不代表任务是否成功、业务价值高低。同样数量 Token，可完成高价值合同审核任务，也可输出无效冗余文本。单纯 Token 计价只能核算底层资源成本，无法衡量业务产出价值，造成供需双方价值争议、定价博弈、SLA 责任界定困难。

产业实践层面，全球头部厂商已启动商业模式转型。GitHub Copilot 由席位订阅转向基于调用量的计量计费；Salesforce Agentforce、Intercom Fin 等智能体产品尝试按任务、问题解决结果计费。国内大模型平台、MaaS 服务商、政企智能体项目同时并存三种计费模式：席位订阅、Token 调用、按任务成果结算，市场缺乏统一价值核算框架，合约 SLA 条款碎片化，计量审计、故障归因、损失补偿缺少标准化理论依据。

在理论层面，现有互联网经济研究多聚焦流量经济学、平台双边市场、SaaS 订阅定价；针对智能体自主任务、多工具编排、任务闭环计量的价值核算理论体系仍处于空白。现有文献将 Token 视为新大宗商品，但未能区分资源计量单元与业务价值载体，缺少从流量、会员、SaaS、Token 计量到任务计量的完整范式比较框架，缺少可落地的分层价值测算模型。在此背景下，构建一套覆盖价值载体演变、GaaS 价值测算、定价、计量、SLA 的理论体系，具有显著理论意义与产业实践价值。

1.2 研究问题

1. 互联网价值载体如何从流量、会员订阅、SaaS 席位订阅迭代至 Token 调用计量，进一步演进到任务闭环计量？五类价值载体在价值生成、成本结构、定价逻辑、价值捕获、适用边界方面存在何种系统性差异？

2. Token 作为底层资源计量单元，与任务闭环计量在价值核算上的逻辑关系是什么，为什么 Token 不能独立作为 GaaS 的价值锚点？

3. 如何构建智能体 GaaS 服务价值测算模型，同时覆盖资源消耗、任务履约质量、业务成果三层维度？

4. 如何基于价值核算模型建立 GaaS 的定价体系、实时计量口径、分层 SLA 框架，实现供需双方成本、价值、风险的合理分摊？

1.3 研究意义

1.3.1 理论意义

本研究梳理互联网价值载体完整演化谱系，补充数字服务经济学在智能体时代的理论缺口。区分资源计量指标（流量、Token）与业务价值载体（注意力、软件使用权、任务成果），厘清 MaaS、GaaS、Agent as Service 的价值生成机制；建立融合技术资源成本、履约质量、业务增量价值的复合价值核算模型，拓展 SLA 理论边界，将传统可用性 SLA 升级为面向任务结果的履约契约理论，为数字服务价值计量建立学术范式。

1.3.2 实践意义

模型可直接用于 GaaS 服务商定价、成本核算、合约设计；企业采购方可使用模型测算智能服务投入产出 ROI；审计、监管机构可依托本研究建立智能服务计量审计标准。解决当前产业痛点：Token 计费只计消耗不计效果、席位订阅与工作量错配、智能任务失败后责任与损失难以量化。

1.4 研究思路与方法

本研究采用多方法融合研究：

1. 文献研究法：梳理平台经济、订阅制、云计算 SaaS 定价、生成式 AI 经济学、智能体评估相关国内外文献，搭建理论基础。

2. 比较范式分析法：构建横向对比框架，对流量广告、会员订阅、SaaS 席位订阅、Token 调用计量、任务闭环计量五类商业模式进行多维度对比。

3. 建模法：构建三层 GaaS 价值测算数学模型，拆分资源成本层、履约质量调整层、业务价值层，推导定价公式、SLA 指标体系。

4. 案例分析法：选取国内外 MaaS 平台、企业智能体落地项目作为案例，验证模型适用性，分析不同计量模式的落地瓶颈。

5. 归纳演绎法：基于产业实践归纳商业模式迭代底层驱动因素，推演未来智能服务价值计量演化方向。

1.5 论文结构安排

第一章绪论；第二章互联网商业模式与价值载体理论基础；第三章互联网价值载体演化：流量、会员订阅、SaaS 席位、Token 调用、任务闭环计量的对比剖析；第四章 Token 计量与任务闭环计量的经济学本质；第五章 GaaS 智能体服务价值测算模型构建；第六章基于价值核算模型的 GaaS 定价、计量与 SLA 体系；第七章案例仿真与敏感性分析；第八章研究结论、局限与未来研究方向；最后为数据来源、免责声明。

第二章 理论基础

2.1 数字产品经济学基本特征

数字产品具备非竞争性、低边际复制成本、高固定成本特征。软件、内容、AI 模型训练一次性投入高额固定成本，新增用户服务边际成本较低。传统实体商品价值依附物理载体；数字服务价值依附信息处理、算力、存储、网络资源，价值载体可随技术范式迁移。

数字服务计价单元可分为两类：资源占用型计量与成果产出型计量。资源占用型计量，按用户占用资源时长、容量、流量、Token 数量计费，衡量投入资源；成果产出型计量，按交付成果、任务完成数量、业务收益增量计费，衡量产出价值。流量、SaaS 席位、Token 属于资源 / 使用权计量；任务闭环计量属于成果产出计量。

2.2 订阅制经济学

订阅制分为内容会员订阅、软件 SaaS 席位订阅。订阅制核心是客户支付周期性费用，获取一段时间内服务访问权限，属于使用权租赁。订阅制优势：收入可预测、现金流稳定、降低客户一次性采购门槛；缺陷：定价与实际产出解耦，当用户使用强度差异巨大时，产生交叉补贴，重度用户摊薄服务商成本，轻量用户补贴重度用户，当服务能力波动大、任务复杂度离散时，商业模式稳定性下降。

2.3 平台流量经济学

流量经济本质是注意力经济学。平台捕获用户注意力，以曝光（CPM）、点击（CPC）、转化（CPA）计量注意力价值。流量是用户行为的统计指标，流量本身不是最终产品价值，流量的价值在于流量可转化为广告收入、电商交易、付费会员。流量经济的价值矛盾：流量规模不等于有效价值，无效垃圾流量不产生经济收益；流量边际收益递减。

2.4 GaaS、智能体与任务闭环定义

GaaS（Generative AI as a Service，生成式智能服务）：基于大模型、检索增强、工具调用、编排引擎，向客户交付可自主执行业务任务的智能服务，服务交付对象为业务任务而非单纯模型 API 调用。
AI 智能体：具备目标感知、规划、多轮推理、工具调用、异常捕获、重试、结果校验能力的自治信息处理系统，可执行长链路复合任务。
任务闭环：从任务发起、智能体执行、中间校验、异常处理、人工复核、结果交付、任务归档，形成完整可审计链路；任务状态标记为成功、部分成功、失败，可记录完整执行证据链，用于计量结算与 SLA 履约判定。

2.5 SLA 服务等级协议基础理论

传统云计算 SLA 聚焦基础设施指标：服务可用性、网络时延、错误率。GaaS 场景下，基础设施可用性不等于业务任务可用。智能服务 SLA 需要扩展至任务维度：任务完成率、结果准确率、人工干预比例、任务处理时延、故障归因、补偿机制。SLA 的本质是供需双方风险契约，将不确定性损失进行量化分摊。

第三章 互联网价值载体演变：五种商业模式系统性比较

互联网商业模式迭代，本质是价值计量载体的迁移：计量标的从用户注意力→使用权→底层资源消耗→业务任务成果。本章系统剖析五类主流商业模式，从价值载体、定价单元、成本结构、价值捕获逻辑、优势、缺陷、适用场景七个维度进行对比。

3.1 第一阶段：流量变现模式（广告流量经济）

价值载体：用户注意力，计量单元：曝光量、点击量、访问流量。
定价方式：CPM 千次曝光、CPC 单次点击、CPA 按转化行动付费。
成本结构：固定成本为服务器、带宽、内容生产、平台研发；边际成本为增量带宽与存储，边际成本极低。
价值生成逻辑：平台聚合用户流量，将用户注意力打包出售给广告主；平台价值取决于流量规模 + 流量转化效率。
优势：边际成本低，规模化效应极强；免费吸引用户，降低用户准入门槛。
缺陷：价值依附用户注意力，广告效果衰减；无法直接衡量业务产出；虚假流量、爬虫流量造成计量失真；不适用于企业内部业务流程场景，主要面向 C 端消费互联网。
适用场景：门户、短视频、搜索、社交媒体等内容平台。

3.2 第二阶段：会员 / 内容订阅模式

价值载体：限定时间内的内容访问权益，计量单元：账号、周期（月 / 年）。
定价方式：固定周期订阅费，分级会员套餐。
成本结构：固定成本为版权采购、内容制作、平台研发；边际成本为流媒体带宽。
价值生成逻辑：用户付费换取一段时间内内容访问权限，付费锁定用户，产生稳定持续性收入。
优势：现金流稳定，收入可预测；用户粘性强，减少广告依赖。
缺陷：统一价格不区分用户使用量；重度用户与低频用户同价；内容价值主观化，难以量化业务收益；以消费内容为主，不解决企业业务任务。
适用场景：视频平台、音乐平台、资讯付费会员。

3.3 第三阶段：SaaS 席位订阅模式（软件即服务）

价值载体：软件功能使用权，计量单元：账号席位（seat），按月 / 年订阅。
定价方式：按席位打包，分版本功能套餐，固定周期费用。
成本结构：固定成本：软件研发、平台运维；可变成本：云资源、存储、客户支持；成本与账号数量弱相关，与实际业务处理量相关性低。
价值生成逻辑：企业采购席位，员工获得在线软件使用权，标准化业务流程在线执行。SaaS 厂商交付软件功能，不承诺业务结果。
优势：收入可预测，企业采购预算可控；标准化流程软件成熟，合同简单，SLA 以平台可用性为主。
缺陷：席位数量≠工作量，同一席位下轻查询和复杂批量任务成本差异巨大，产生内部交叉补贴；客户业务规模增长时，成本线性增长，但资源消耗非线性；服务商不承担业务结果责任，仅保障系统可用；当业务任务高度复杂、动态波动时，定价失效。
适用场景：CRM、OA、财务、人事等标准化企业管理软件。

3.4 第四阶段：Token 调用计量模式（MaaS 模型即服务）

价值载体：模型推理资源消耗，计量单元：输入 Token、输出 Token。
定价方式：按百万 Token 单价计费，区分输入、输出，可设置包量套餐。
成本结构：固定成本：模型训练、模型优化、平台研发；可变成本：GPU 算力、显存、电力、网络、存储，成本直接随 Token 调用量上升。
价值生成逻辑：客户调用模型 API，每一次推理消耗词元 Token，Token 作为模型信息处理的最小技术单元，反映算力资源消耗。
优势：计量粒度细，成本与调用资源强相关；弹性计费，按需付费；适合 API 嵌入场景，客户用多少付多少。
缺陷：Token 是资源消耗指标，不等于业务价值。相同 Token 数量，任务产出价值差异巨大；无法区分有效输出、无效输出、幻觉内容；不包含工具调用、检索、人工复核成本；不承诺任务完成；SLA 只能衡量 API 调用成功率，无法衡量业务结果质量。客户容易出现 “Token 消耗巨大，但业务收益很低” 的情况，供需价值错配。
适用场景：基础大模型 API 调用、简单问答、文本生成，独立模型推理。

3.5 第五阶段：任务闭环计量模式（GaaS 智能体服务）

价值载体：可审计业务任务成果，计量单元：闭环任务。
定价方式：基础资源费用 + 任务成功结算费用，混合定价；部分场景采用纯成果付费，仅任务交付成功才结算。
成本结构：固定成本：智能体编排引擎、知识库、平台研发；可变成本：Token、算力、检索 API、人工复核、异常重试、故障兜底成本；成本与任务复杂度、任务失败率、人工干预率强相关。
价值生成逻辑：服务商交付完整业务任务结果，而不仅是模型调用接口；计量锚点为任务闭环履约结果，包含执行、校验、复核、归档全链路证据。
优势：价值计量对齐业务产出，供需价值统一；可以在合约中约定任务质量指标、失败补偿；适配长链路、多工具、自主智能体场景；ROI 核算直接与业务收益挂钩。
缺陷：计量复杂，任务定义、成功判定、故障归因难度高；任务复杂度差异大，标准化定价困难；需要全链路日志、审计证据支撑结算；任务失败风险需要在合同中预先约定分摊机制。
适用场景：企业业务智能体、文档处理、合同审核、数据提取、自动化业务工作流等复合任务场景。

3.6 五种商业模式对比总结

流量模式计量注意力；会员订阅计量访问时间权益；SaaS 席位计量软件使用权；Token 计量模型推理资源投入；任务闭环计量业务产出成果。迭代主线：从 “用户侧权益计量” 逐步转向 “资源投入计量”，最终走向 “业务产出价值计量”。
流量、会员、SaaS 席位均属于事前固定定价，预先确定周期费用，不随实际工作量动态结算；Token 计量属于事中资源消耗计量；任务闭环计量属于事后成果履约计量。
核心矛盾随迭代逐步转移：流量时代的矛盾是真假流量；SaaS 时代矛盾是席位与工作量错配；GaaS 时代核心矛盾是资源消耗（Token）与业务成果价值脱钩。

第四章 Token 计量与任务闭环计量的经济学本质

4.1 Token 的经济学定位：资源消耗计量单位，而非价值载体

Token 是大模型文本 / 多模态信息离散处理单元，是技术统计口径，反映推理阶段算力、显存资源消耗。Token 是投入指标，不是产出指标。
从生产函数视角：智能任务产出 Q = F (T, K, D, H)。T=Token 消耗，K = 算力基础设施，D = 知识库与数据，H = 人工干预。Token 只是生产要素之一，单独 Token 无法决定任务产出价值。
同一 Token 数量，在不同任务场景下，产出价值差异巨大。例如：10 万 Token 可用于简单文案生成，创造较低业务价值；同样 10 万 Token 用于法律合同风险审核，可规避数十万经济损失。二者 Token 消耗相同，但业务价值完全不同。反之，少量精准 Token 调用，也可能完成高价值决策任务。
因此结论：Token 适合核算供给侧资源成本，但不适合直接衡量客户侧业务价值。Token 计量是中间计量层，不是最终价值锚点。

4.2 任务闭环：GaaS 价值核算的锚点

任务闭环的核心是定义可验证的任务目标、成功判定标准、全链路证据链。任务闭环将智能体从单纯 API 调用升级为完整业务交付单元。任务计量的前提：

1. 任务边界标准化：明确任务输入、输出、判定标准；

2. 全链路可观测：记录规划步骤、工具调用、Token 消耗、中间结果、人工干预记录；

3. 结果可核验：自动校验规则 + 人工抽样复核，判定任务成功 / 部分成功 / 失败；

4. 故障可归因：区分基础设施故障、模型幻觉、客户输入数据错误、业务规则缺陷，划分责任边界。

任务价值由任务交付带来的业务增量决定：包括人工工时节约、错误损失降低、新增业务收入。任务闭环计量，直接匹配经济学产出价值，解决 Token 模式 “计消耗不计价值” 的根本缺陷。

4.3 Token 计量与任务闭环计量的互补关系，而非替代关系

成熟 GaaS 商业合约一般采用双层计量架构：底层以 Token、算力核算服务商资源成本，上层以任务闭环成果作为价值结算锚点。

• Token 用于内部成本核算、资源调度、预算管控；

• 任务成果用于外部客户结算、SLA 履约判定、价值分成。
二者不是非此即彼。完全抛弃 Token 只按任务收费，服务商无法预估资源投入，面临成本失控风险；仅用 Token 计费，客户面临投入巨大但业务无效的风险。混合计量是产业长期主流形态。

4.4 智能体场景下传统 SaaS 席位模式失效的底层机理

SaaS 席位模式成立前提：软件功能固定，业务流程标准化，每个席位的平均工作量波动有限。智能体服务打破该前提：同一账号下任务复杂度高度离散，单次任务可触发数十次模型调用、多轮工具调用、重试循环，资源消耗非线性爆发。
席位订阅下，客户支付固定费用，服务商承担任务复杂度波动风险；重度任务场景服务商亏损。因此长任务自主智能体天然破坏席位订阅的经济均衡，这也是 GitHub Copilot 等产品由席位转向用量计量的底层经济学动因。

第五章 GaaS 智能体服务价值测算模型构建

本章构建分层价值测算模型，分为三层：资源成本层、履约质量调整层、业务价值层。模型目标：测算单任务 GaaS 服务的经济价值，支持定价、ROI 计算、SLA 损失量化。

5.1 模型符号定义

：单任务的 GaaS 服务净业务价值（客户视角）
：该任务全部资源总成本（服务商侧，含 Token、算力、检索 API、存储）
：履约质量调整系数（0~1，由任务成功率、准确率、人工干预率共同决定）
：任务交付带来的总业务毛收益（人工成本节约、风险损失减少、新增收入）
：任务失败产生的预期损失
：任务成功概率
：人工兜底复核成本
：重试资源消耗成本

5.2 第一层：资源成本测算（Token 与基础设施成本）

单任务资源总成本：

：输入 Token 总量；：单位输入 Token 成本；：输出 Token 总量；：单位输出 Token 成本；
：任务执行过程调用外部检索 / 第三方 API 成本；：存储、日志成本；：网络传输成本。
该层完全基于资源消耗，是 MaaS 模型 API 成本核算基础，也是 GaaS 底层成本基底。该层仅反映供给侧投入，不反映业务价值。

5.3 第二层：履约质量调整层（任务闭环履约因子）

履约质量调整系数综合三个指标加权：任务完成率、结果准确率、人工干预占比。

为权重，根据业务场景通过专家标定或历史任务数据回归确定，权重之和可归一化。人工干预率越高，代表智能体自治能力弱，人工兜底成本越高，扣减价值。
当任务完全失败时，，趋近 0；任务高成功、高准确、低人工介入，趋近 1。

预期任务总成本（包含重试、人工兜底）：

代表重试带来的资源放大系数，任务成功率越低，预期资源成本越高。该式体现智能任务的风险成本，传统 SaaS 核算模型不包含该项。

5.4 第三层：业务价值层（客户侧产出价值）

任务交付带来业务毛收益：两种来源，一是替代原有人工工作节约工时，二是降低业务风险损失，或新增业务收入。

：人工成本节约；：新增业务收益。
考虑失败预期损失，任务净业务价值：

公式含义：任务价值等于经过履约质量加权后的业务毛收益，减去预期全成本，减去任务失败带来的预期损失。当，客户采购 GaaS 具备正向 ROI。

客户侧 ROI：

5.5 服务商定价模型

服务商报价，采用成本加成 + 风险溢价，同时不超过客户业务价值上限：

为目标毛利率；为任务复杂度、不确定性带来的风险溢价；价格上限约束：。
若报价超过业务价值，客户无采购意愿。
基于模型可生成三类定价方案：

1. 纯资源定价（Token 计价）：，适合简单推理任务；

2. 混合定价：基础 Token 资源费 + 任务成功结算费；

3. 纯成果定价：仅当任务判定成功后，收取约定任务费用，风险由服务商承担。

5.6 模型扩展：批量任务、多智能体协同场景

批量任务场景，引入任务复杂度分层系数。不同任务分为低复杂度、中复杂度、高复杂度，各自有独立的成本参数、成功率基准。多智能体协同场景，模型增加协同开销因子，计入智能体之间通信、状态同步、冲突校验的资源消耗。

5.7 模型局限性说明

模型参数依赖历史任务样本数据标定；业务毛收益部分指标存在主观估算成分；模型适用于可定义明确目标、可核验结果的业务任务；不适用于开放式创意类任务（成果难以客观判定成功与否）。

第六章 基于价值核算模型的 GaaS 计量、定价与 SLA 体系

6.1 GaaS 计量口径设计

计量分为三层日志采集：资源层日志、任务执行层日志、业务成果层日志。

1. 资源层：输入 / 输出 Token 数量、GPU 使用时长、存储容量、第三方 API 调用次数；用于成本核算。

2. 任务执行层：任务启动时间、结束时间、执行步骤、重试次数、工具调用链路、异常事件、人工介入记录；用于判定履约过程。

3. 业务成果层：任务输出结果、自动校验得分、人工复核结论、任务成功标记；用于结算与 SLA 判定。
计量必须做到日志不可篡改、全链路可审计，作为合同结算证据。区分计量对象：资源计量是连续流式计量；任务计量是离散事件计量，以任务闭环事件作为结算触发点。

计量边界约定：区分客户侧输入错误、第三方 API 故障、模型幻觉、平台基础设施故障，作为故障归因基础。

6.2 GaaS 定价策略矩阵

结合任务可归因性、任务复杂度波动，形成定价策略矩阵：

• 低复杂度、结果易核验：推荐任务成果定价；

• 中等复杂度、波动可控：推荐混合定价（基础 Token 包 + 成功任务费）；

• 开放式创意任务、结果难以客观判定：推荐 Token 用量订阅，附加人工审核服务包。

6.3 GaaS 的 SLA 体系重构

传统 SLA 指标聚焦系统可用性，GaaS SLA 分为四层指标：基础设施指标、模型调用指标、任务履约指标、业务成果指标。

1. 基础设施 SLA：平台可用性、网络时延、服务中断时长；

2. 模型调用 SLA：API 调用失败率、Token 吞吐上限；

3. 任务履约 SLA：任务平均处理时延、任务闭环成功率、人工干预率上限；

4. 业务成果 SLA：结果准确率、错误召回率、幻觉发生率。

配套违约补偿机制：基于价值模型量化故障损失，约定补偿额度。例如，任务成功率低于 SLA 阈值，按预期业务损失比例返还服务费或赠送服务额度。SLA 必须预先定义任务成功判定规则、抽样复核机制、争议仲裁流程。

6.4 合约风险分摊机制

智能任务存在不确定性，风险分摊分为三类模式：

1. 客户承担结果风险：Token 计费，服务商仅保障平台可用，不对业务结果负责；

2. 供需共担风险：混合定价，约定任务成功率基准，低于基准服务商补偿；

3. 服务商承担结果风险：按成果付费，任务失败不收费，服务商承担资源投入损失。

风险溢价在定价模型中体现：服务商承担越多业务结果风险，定价中风险溢价越高。

第七章 案例仿真与敏感性分析

7.1 仿真案例背景

企业采购合同审核智能体 GaaS 服务，任务目标：合同文档风险提取，输出风险清单。基准人工模式：每份合同人工审核工时 2 小时，人工成本 300 元 / 任务。
参数设定：

• 单任务平均输入 Token 45k，输出 Token 8k；单位输入 Token 成本 0.000002 元，输出 0.000006 元；

• 外部检索、存储、网络平均成本 25 元 / 任务；

• 任务成功率，准确率，人工干预率；权重；

• 人工兜底复核成本元 / 任务；任务失败预期损失元；

• 毛利率目标 m=30%。

7.2 代入模型计算

1. 基础资源成本元。

2. 预期资源成本（含重试）元。

3. 履约质量系数。

4. 业务毛收益元（替代人工节约成本）。

5. 任务净业务价值元。

6. ROI =149.73 /82.17≈182.2%。

7. 服务商报价：成本加成 30%，无额外风险溢价，元 / 任务。
报价 106.82 元低于业务价值 241.5 元，客户具备正向收益，合约具备可行性。

7.3 敏感性分析

1. 任务成功率下降至 0.7：预期成本显著上升，大幅上涨，ROI 快速下降；当成功率过低，GaaS 失去经济价值；

2. 人工干预率上升：下降，任务净价值降低；

3. Token 单价上涨：抬升基础资源成本，直接推高服务商报价。

仿真结论：GaaS 经济可行性高度依赖任务成功率与人工干预率，仅降低 Token 单价不足以保障项目 ROI；提升智能体自治能力、降低人工介入，对价值提升效果显著高于单纯降低 Token 成本。

7.4 对比不同计费模式下本案例经济表现

1. 席位订阅：假设年度席位费 12000 元，席位下任务量波动大。任务少时服务商盈利；任务量密集时服务商亏损，供需风险错配。

2. 纯 Token 计费：本案例基础资源成本 38.8 元，仅覆盖基础推理，不含人工复核与重试成本；客户承担全部结果风险，若任务失败客户仍需要支付 Token 费用。

3. 任务闭环混合计费：106.82 元 / 任务，包含人工兜底，约定任务成功率 SLA，风险合理分摊，本场景最优。

第八章 结论、研究局限与未来研究方向

8.1 研究结论

1. 互联网商业模式迭代主线，是价值载体从注意力（流量）、访问权益（会员）、软件使用权（SaaS 席位），演进到推理资源（Token），最终向业务任务成果（任务闭环计量）迁移。流量、会员、SaaS 席位属于权益 / 注意力计量；Token 属于资源投入计量；任务闭环属于产出价值计量。

2. Token 是智能推理资源消耗的标准化计量单位，适合供给侧成本核算，但 Token 本身不代表业务价值，无法独立作为 GaaS 价值锚点；任务闭环计量是面向智能体自治服务的价值锚点；产业主流将长期采用 “底层 Token 成本计量 + 上层任务成果结算” 双层混合计量架构。

3. 传统 SaaS 席位订阅模式的均衡建立在单席位工作量波动有限前提下；自主长链路智能体任务复杂度高度离散，打破席位订阅经济基础，因此智能体服务必然走向用量计量、任务计量。

4. 本研究构建的三层 GaaS 价值测算模型，融合资源成本、履约质量调整、业务净收益，可以测算单任务价值、ROI，支撑服务商定价与客户采购评估；配套 SLA 体系必须从基础设施指标拓展至任务履约、业务成果指标，建立故障归因、损失量化与补偿机制。

5. 定价与风险分摊需要匹配任务特征：成果易核验场景适合任务定价；开放式创意任务适合 Token 计量；大多数企业业务场景适合混合定价模式。

8.2 研究局限

1. 模型中业务收益测算部分依赖业务场景标定，部分指标存在主观评估成分；

2. 本模型面向可定义目标、可核验结果的结构化业务任务，对于开放式生成类任务、主观创意产出场景适用性受限；

3. 模型未完整纳入跨智能体生态的数据资产价值、外部性、合规成本、知识产权风险，可在后续研究扩展；

4. 仿真基于参数假设，未来需要更多真实生产场景数据集持续校准模型权重。

8.3 未来研究方向

1. 多智能体协同生态下价值分配与 Shapley 值价值归因研究，量化多个智能体、人工角色、知识库各自贡献；

2. 智能服务合约自动执行、基于审计日志的链上结算机制；

3. GaaS 外部成本内化：碳排放成本、数据合规成本、知识产权风险纳入价值核算；

4. 行业标准化：建立国内 GaaS 计量、SLA、审计的行业标准；

5. 面向消费者端 AI Agent 的价值核算模型，拓展 C 端场景商业模式研究。

数据来源

1. 国家数据局公开披露国内大模型 Token 调用量统计数据；

2. OpenRouter 全球大模型调用量公开榜单；

3. GitHub Copilot 订阅转按量计费官方公告；

4. 国内外 MaaS、Agentforce、Intercom Fin 厂商公开商业资料；

5. arXiv 公开智能体经济学、Agentomics、Agentic ROI 相关学术论文；

6. 中国工业互联网研究院《Token 驱动智能经济研究报告（2026）》；

7. 泷码软件研究院企业智能体项目内部业务样本与仿真数据集。

免责声明

本研究报告由泷码软件（上海）有限公司、泷码软件研究院、泷码互联网经济网研究部独立完成，仅用于学术研究、产业分析与理论探讨，不构成任何商业报价、投资建议、采购决策或法律意见。
报告中建立的价值测算模型、公式、仿真结果基于公开产业数据、行业文献及模拟参数假设，模型输出结果受业务场景、任务类型、模型能力、数据质量等多重因素影响，不保证在所有场景下完全适配。任何机构或个人基于本报告内容开展商业项目、合同签订、投资行为所产生的全部风险与损失，均由该行为主体自行承担，本报告作者单位不承担任何法律或经济责任。
报告引用第三方公开资料、行业数据，数据真实性以原始发布方为准；本研究对引用数据进行二次整理分析，不担保原始数据绝对无误。本报告知识产权归泷码软件（上海）有限公司所有，未经书面许可，不得篡改、拆分、二次传播用于商业宣传。报告观点仅代表研究团队学术研究结论，不代表任何监管机构、行业协会立场。