據報 OpenAI 向大型客戶試行「成功才收費」：AI 代理從按 token 計費，轉向按成果結算

Key takeaway

《The Information》於 2026 年 8 月 30 日（星期日）報道，OpenAI 近數月已開始向部分大型企業客戶提供新選項：只有當其 AI 完成指定任務（例如端到端處理客戶支援互動）時才收費。報道由 Kevin McLaughlin 與 Amir Efrati 撰寫，引述知情人士；OpenAI 尚未公開宣布，發言人拒絕置評，客戶名單、單價與「成功」定義均未公開。本文其後核對 PYMNTS（8 月 31 日）對同一報道的轉述、The Next Web 的說明、OpenAI 說明中心仍在刊載的企業 Credit／token 價目、Salesforce 官方新聞室對 Agentforce Help Agent「按成功解決收費」的公布，以及 Intercom、Zendesk、Stripe 的公開定價與指引。來源真實性已驗證。未獲一級來源確認的失敗率、估值與個別客戶名稱，本文不採用。

據報 OpenAI 向大型客戶試行「成功才收費」：AI 代理從按 token 計費，轉向按成果結算

《The Information》於 2026 年 8 月 30 日（星期日）報道，OpenAI 近數月已開始向部分大型企業客戶提供新選項：只有當其 AI 完成指定任務（例如端到端處理客戶支援互動）時才收費。報道由 Kevin McLaughlin 與 Amir Efrati 撰寫，引述知情人士；OpenAI 尚未公開宣布，發言人拒絕置評，客戶名單、單價與「成功」定義均未公開。本文其後核對 PYMNTS（8 月 31 日）對同一報道的轉述、The Next Web 的說明、OpenAI 說明中心仍在刊載的企業 Credit／token 價目、Salesforce 官方新聞室對 Agentforce Help Agent「按成功解決收費」的公布，以及 Intercom、Zendesk、Stripe 的公開定價與指引。來源真實性已驗證。未獲一級來源確認的失敗率、估值與個別客戶名稱，本文不採用。

這不是公開價目表上的新方案，而是大型賬戶的客製試驗。它把失敗執行的算力成本，從買家轉移到供應商；真正的工程難題，是如何定義、量度與歸因「成功」。

一、核心事件：賣算力，還是賣結果

多年來，OpenAI 的公開商業模式是賣容量：API 按 token、ChatGPT 企業方案按座位加 Credit。說明中心的 ChatGPT Rate Card 寫明，Workspace Agents、ChatGPT Work、Codex 等代理式產品，按輸入、快取輸入與輸出 token 計 Credit。換言之，在公開渠道上，一次失敗的多步代理執行，買家仍然付費。

《The Information》指出，近數月出現例外：部分大型客戶可選擇只在 AI 完成任務時付款，客服互動被列為例子。安排限於精選大型賬戶，並非一般企業方案。The Next Web 轉述時亦強調，該刊未獨立核實，條款、客戶與價格全部未知。這與「OpenAI 已全面改為按成果收費」是兩回事，必須分開。

同一報道把試驗放進更闊的軟件定價轉向。Salesforce 行政總裁 Marc Benioff 在投資者電話會議表示，客戶希望用不同方式購買與定價。Salesforce 本身已在官方新聞稿（2026 年 6 月 25 日）公布 Agentforce Help Agent：只在代理從頭到尾自主解決問題時收費；若客戶要求轉接真人，或帶着不滿離開，則不收費；該定價於 2026 年 7 月全面供應。Intercom 的 Fin 官方說明把「成果」寫成可計費單位：確認或假定已解決的對話，每項 0.99 美元，升級真人則不收費。Zendesk 自 2026 年 5 月起，只對通過大型語言模型覆核的 Verified Resolution 計入用量。這些公開方案，比 OpenAI 尚未宣布的試驗更具體，也說明「成功才收費」首先在客服場景落地，並非空談。

技術細節

從工程角度看，「成功才收費」不是行銷口號，而是把三件事寫進合約與計量系統：

  1. 成果單位：一張已關閉且未重開的支援單、一次無需真人介入的完整對話，或一份通過評測的產出。客服之所以最先落地，是因為「已解決／未解決」相對接近資料庫欄位。
  2. 失敗由誰付算力：Token 計費下，重試、迴圈、工具呼叫全部由客戶埋單。成果計費下，供應商吸收失敗執行的運算成本，等於把產品可靠度直接變成毛利率。
  3. 歸因規則：Stripe 在公開指引中寫道，成交可能來自產品改動、市場推廣或季節因素；若歸因規則不寫清楚，客戶可以爭議成果是否屬於供應商。儀表、日誌、排除條款與爭議流程必須可審計。

OpenAI 官方新聞室並無對應公告。公開說明中心仍把代理產品綁在 token／Credit。因此，目前可核實的陳述是：試驗存在於報道所指的客製合約層，而不是公開價目表。

二、技術原理：為何代理式工作令座位費失效

傳統 SaaS 按座位收費，假設價值單位是「一名員工使用軟件」。當 AI 代理開始完成原本需要多名員工的工作，座位費變得難以對賬：客服平台若由代理自主關閉越來越多工單，再按人手座席計費，財務部門會問這張發票買的是什麼。

現行企業 AI 帳單，大致可拆成三層，不應混為一談：

  1. 座位費：買的是「有人可以使用軟件」。適合協作工具，不適合「軟件自己做完工作」。
  2. 用量費（token／Credit／每次動作）：買的是嘗試。代理多走一步、多讀一份文件、多呼叫一次工具，帳單就增加。OpenAI 公開價目屬這一層。Salesforce 的 Flex Credits 亦屬用量，失敗動作仍然計費。
  3. 成果費：買的是被雙方接受的結果。失敗嘗試變成供應商成本。Intercom Fin、Salesforce Help Agent、以及報道中 OpenAI 的客製試驗，屬這一層。

代理式系統的成本結構，也與單次聊天不同。一次「研究題目並起草報告」可以觸發數十至數百次模型呼叫、工具調用與檢索。公開的 token 價目把每一次中間步驟都變成帳單；成果價目則把中間步驟視為供應商的內部成本。供應商若對成功率有把握，可以把單次成功價格定在客戶可接受的區間；若成功率不穩，就必須把單價提高，直到期望值覆蓋失敗成本。Intercom 官方把客服成果單價寫成每宗 0.99 美元；這個量級反映的是「一次成功必須覆蓋多次失敗」，而不是一次模型呼叫的邊際成本。

量度層也必須重新設計。Zendesk 把對話分成未協助、協助升級、Contained Resolution 與 Verified Resolution，並以大型語言模型在對話結束後覆核文本，只有通過覆核者才計入帳單。Intercom 則以「最後一次 AI 回答之後，客戶不再要求進一步協助」為假定已解決，若客戶稍後回到同一對話，該項會被扣回、不收費。這些規則說明：成果計費的核心不是模型本身，而是事件日誌、時間窗、排除條款與可調賬的紀錄。Stripe 建議把單位、排除項、基線、歸因與爭議流程寫進合約，並保留原始事件以便核對。

更難的一層是多步任務。客服「結案」可以定義；但跨系統改單、寫程式、審閱合約、調度日程，完成與否往往是判斷，而非欄位。這正是成果計費能否從客服擴展到通用企業代理的技術瓶頸：需要評測集、人在迴路的抽樣覆核，以及雙方同意的排除條款（測試單、重複單、機器人流量、客戶自己改了系統）。

OpenAI 在官方文章《How to manage AI investments in the agentic era》中，亦建議企業追蹤「每個被接受成果的成本」（cost per accepted outcome），例如客服的已解決個案。那是買方內部的投資管理指標，並不能直接解讀為 OpenAI 已把公開帳單改為按成果結算。兩者容易被混淆，本文分開處理。

四、日常應用場景

1. 開發者與技術團隊

若團隊已用 OpenAI API 或 Workspace Agents 跑內部代理，應先建立與帳單無關的評測：成功率、重試次數、人類覆核成本，以及「可接受成果」的定義。即使供應商尚未提供成果計費，內部也應按成果核算，否則無法比較「較貴但一次過關的模型」與「便宜但反覆失敗的模型」。路由層、觀測性與殺開關（步數上限、單次會話支出上限）會變得比提示詞本身更重要。

2. 企業與隱私敏感行業

成果計費降低了財務門檻，但沒有改變資料流向。客服對話、合約、病歷若仍上載到第三方雲端，保密協議與《個人資料（私隱）條例》的問題依然存在。法律、金融、醫療機構應把「誰為失敗付費」和「資料在哪裡處理」分成兩條採購問題。前者是商業條款；後者是主權與合規。

3. 一般用戶

個人 ChatGPT 訂閱不會因為這則報道而變成「答錯就免費」。報道明確限於大型企業客製安排。對一般用戶的啟示，是開始習慣問：這次收費買的是嘗試，還是結果。

4. 香港與亞洲市場視角

香港企業採購公共 AI，長期面對三項摩擦：帳單難以預測、失敗重試照樣計費、敏感資料出境。成果計費只處理第一項與第二項的一部分，而且目前僅見於報道中的大型賬戶，中小企未必談得到同等條款。第三項——資料留在香港、模型可審計、API 可接現有系統——仍然要靠私有部署。

時間點也巧合。個人資料私隱專員公署於 2026 年 8 月 25 日發布《在使用代理式人工智能時保障個人資料私隱》指引，指出代理式 AI 與傳統聊天機械人不同，可高度自主地執行多步任務（管理電郵、預約、處理付款），風險包括過度存取、功能蔓延、外掛漏洞與多代理之間傳遞不準確資料。官方列出九項建議，當中與定價試驗直接相關的包括：最小權限與資料隔離、透明度、資料準確（含人工覆核）、目的限制、可追蹤與可審計、持續風險評估，以及對可能顯著影響個人的決定採取「人在迴路」。換言之，即使境外供應商願意「失敗不收費」，香港機構把客戶對話或內部檔案送入公共代理，仍須回答：存取範圍是否過寬、日誌能否審計、個人資料會否被用於新目的。

亞洲市場另一個現實是：客服類「已解決工單」較容易定義，但銀行開戶、保險核保、醫院預約、政府表格等流程，成功條件受規管約束，不能只靠供應商的模型自我評分。採購時應要求：原始事件日誌、雙方可核對的儀表，以及爭議時依據哪一份紀錄調賬。

五、專業評價與潛在考量

優勢

  • 把供應商與客戶的誘因對齊：收入只在成果出現時增加，工程團隊有理由提高一次成功率，而不是鼓勵更多重試。
  • 降低企業把試點無限期拖下去的借口，有助走過採購週期中最容易停住的一環。
  • Salesforce、Intercom、Zendesk 已有公開先例，說明客服場景在技術上可行。
  • 對財務部門而言，發票對得上業務指標，較易內部辯護。

需要留意的地方

  • OpenAI 試驗未經官方宣布，條款、客戶、價格、爭議機制全部未知，不能當成已全面供應的產品。
  • 「成功」在多步代理上難以客觀化；定義過寬會令客戶多付，定義過嚴會令供應商虧算力。
  • 歸因爭議是結構性風險。Stripe 已公開警告：若規則不寫清，客戶可爭成果是否由軟件造成。
  • 成果計費令供應商收入隨客戶業務波動，供應商可能加入保底、上限或把單價加高，最終未必比 token 更便宜。
  • 把對話送到公共模型以換取「失敗免費」，並不能滿足香港受規管行業的資料本地化需求。

結語

這則報道的核心不是「AI 變便宜了」，而是定價單位正在從容量變成工作成果。誰願意吸收失敗成本，誰就必須對自己的成功率有把握；誰無法定義成功，誰就不應簽署看起來很美的成果合約。

香港企業可以把這次試驗當成採購清單上的新一欄：除了問模型能力與單價，還要問成果如何量度、日誌能否核對、失敗由誰承擔。若工作流涉及客戶資料、合約或內部規程，更應把模型放在可審計的私有環境，用自有評測定義「可接受成果」，而不是把定義權完全交給境外供應商。如需在香港部署企業私有 LLM（Dataset 製作、QLoRA／LoRA 微調、託管與 OpenAI 相容私有 API；年費由 HK$88,000 起，100% 數據不出境），可參考 YSK Limited：https://ysk.hk/services/ai-automation

參考來源

Related services & products

Related posts