// AI Native 商业模式设计 Skill。基于《AI确定性商业模式》方法论， 帮助用户设计以"确定性溢价"为核心的 AI 商业模式：
[HINT] Download the complete skill directory including SKILL.md and all related files
| name | ai-native-business-model |
| description | AI Native 商业模式设计 Skill。基于《AI确定性商业模式》方法论， 帮助用户设计以"确定性溢价"为核心的 AI 商业模式： |
AI 让生产边际成本趋近于零，但大多数公司还在按"成本+加成"收费。本 Skill 教你如何从"卖 AI 功能"升级为"卖确定性"，用确定性溢价公式设计高价值商业模式。
现有 AI 商业模式都绕不开一个根本矛盾：
AI 让生产边际成本趋近于零，但你的收费模式还在拼命计算边际成本。
当生产成本趋近于零时，还按生产成本收费的商业模式，必然走向崩溃。
确定性溢价 = 用户的恐惧程度 × 出错的代价 × 替代成本
| 维度 | 核心承诺 | 客户痛点 | 代表案例 |
|---|---|---|---|
| 事实确定性 (Truth) | 每个数字都是真的 | AI 假消息泛滥 | NeoTax 可信度分层 |
| 合规确定性 (Compliance) | 不违法、不被罚 | 法规秒变 | 实时合规追踪系统 |
| 结果确定性 (Result) | 输入即所得 | Prompt 调试痛苦 | Intercom Fin $0.99/次解决 |
识别你当前的商业模式属于哪种（以及为什么可能失效）：
| 模式 | 定价逻辑 | 失效信号 | 风险等级 |
|---|---|---|---|
| Token 计费 | 调用量×单价 | 价格战、收入=算力成本+薄利 | 🔴 高 |
| 按调用收费 | 成功次数×单价 | 天花板低、无法捕获高价值 | 🟡 中 |
| SaaS 订阅 | 用户数×月费 | ARPU 低、大厂价格战 | 🟡 中 |
| 买断制 | License×价格 | 迭代困境、二次收费矛盾 | 🟡 中 |
| 免费增值 | 流量×广告 | 转化率低、算力黑洞 | 🔴 高 |
| 项目制 | 项目数×金额 | 不可规模化、人力密集 | 🟠 中高 |
输出：商业模式健康度评分（0-100）+ 主要风险点清单
评估你的产品可以在哪个维度提供确定性价值。
评估三问：
你的用户现在为"不确定性"付什么代价？
你的产品可以在哪个确定性维度提供不可替代的价值？
你的商业模式能不能把"确定性"明码标价？
输出：确定性价值矩阵
根据确定性维度和行业特征，选择最适合的商业模式。
决策树：
你的产品核心交付物是什么？
├── 可验证的信息/判断 → Arbiter Mode（真相即服务）
├── 可担保的结果/成果 → Insurance Mode（结果担保）
├── 基础设施/平台能力 → Closed-Loop Infrastructure（主权基础设施）
└── 可量化的预测能力 → Prediction Arbitrage（时间套利）
混合模式：大多数成功的 AI 公司会混合使用多种模式。例如：
输出：推荐商业模式 + 备选模式
基于确定性溢价公式设计定价策略。
定价公式推导：
价格上限 = 确定性溢价 = 恐惧程度 × 出错代价 × 替代成本
价格下限 = 交付成本 + 合理利润
最优定价 = 价格下限 + (价格上限 - 价格下限) × 客户支付意愿系数
定价模式选择：
| 模式 | 适用场景 | 案例 |
|---|---|---|
| 按结果收费 | 结果可明确定义、成功可验证 | NeoTax 10-20%成功费 |
| 按节省收费 | 时间/成本节省可量化 | 按节省工时收费 |
| 订阅分级 | 需要持续使用、功能差异化 | 基础版/专业版/企业版 |
| 用量阶梯 | 使用量差异大 | 前 1000 次 $X，之后 $Y |
| 风险共担 | 高价值、高风险场景 | 基础费 + 成功分成 |
输出：Pricing Strategy Document（定价策略文档）
评估你的商业模式是否具备长期护城河。
AI 时代护城河四问：
输出：护城河强度评估 + 增强建议
business_model_brief:
current_model:
type: "SaaS订阅"
health_score: 45
key_risks: ["大厂价格战", "ARPU低"]
certainty_value:
dimension: "结果确定性"
fear_level: 8 # 1-10
error_cost: "每次错误损失$5000"
alternative_cost: "人工客服$30/次"
recommended_model:
primary: "Insurance Mode"
secondary: "Arbiter Mode"
pricing: "按成功解决次数收费，失败不收费"
moat_assessment:
data_flywheel: "弱 - 暂无数据回流机制"
switching_cost: "中 - 客户需要重新训练AI"
brand: "弱 - 新品牌"
go_no_go: "go" # go / no-go / revisit
next_stage: "p6"
ai-native-system-building（系统构建，提供成本结构和技术约束）ai-native-marketing-growth（增长策略，商业模式决定增长方式）ai-native-system-building 的成本输出进行"成本-定价匹配"验证确定性溢价不是你的 AI 值多少钱，而是你的 AI 为用户消除了多少恐惧。它的计算公式：
确定性溢价 = 用户的恐惧程度 × 出错的代价 × 替代成本
NeoTax 的 10%-20% 成功费正是这个公式的体现：恐惧程度高（每年被审计的担忧）× 出错代价大（罚款加声誉损失）× 替代成本高（真正懂行的税务律师既贵又稀缺）。Intercom Fin 的 $0.99/次 同理：替代方案人工客服要 $15-30/次。
确定性有三个核心维度，从基础到高级递进：
| 维度 | 核心承诺 | 客户痛点 | 定价逻辑 | 代表案例 |
|---|---|---|---|---|
| 事实确定性 (Truth) | 每个数字都是真的 | AI 假消息泛滥，错误事实比没事实更危险 | "我付钱是为了确保每个数字是真的" | NeoTax 可信度分层 |
| 合规确定性 (Compliance) | 不违法、不被罚 | 法规秒变，不知道下一秒什么违规 | "我付钱是为了买不违法的保险" | 实时合规追踪系统 |
| 结果确定性 (Result) | 输入即所得 | Prompt 调试痛苦，AI 答错需人工兜底 | "我付钱是为了省调试时间" | Intercom Fin $0.99/次解决 |
确定性可以分层定价：基础层给"信息"（事实确定性），进阶层给"担保"（合规确定性），最高层给"结果"（结果确定性）。每升一级，客户愿意支付的溢价倍增。
现有 AI 商业模式都在为生产过程收费，而非为结果收费。当 AI 让生产边际成本趋近于零时，这套逻辑必然崩溃：
| 模式 | 定价逻辑 | 失效信号 | 风险等级 | 共同缺陷 |
|---|---|---|---|---|
| Token 计费 | 调用量×单价 | 价格战，收入=算力成本+薄利 | 🔴 高 | 为过程付费 |
| 按调用收费 | 成功次数×单价 | 天花板低，"幻觉税"问题 | 🟡 中 | 为过程付费 |
| SaaS 订阅 | 用户数×月费 | ARPU 低，"玩具税"问题 | 🟡 中 | 为使用权付费 |
| 买断制 | License×价格 | 迭代困境，二次收费矛盾 | 🟡 中 | 为资产付费 |
| 免费增值 | 流量×广告 | 转化率 1-5%，算力黑洞 | 🔴 高 | 为流量付费 |
| 项目制 | 项目数×金额 | 不可规模化，卖人头 | 🟠 中高 | 为人力付费 |
DHH 的 Basecamp 故事是缩影：花三个月重写开发流程，省了钱，但客户没为此多付一分钱。客户买的不是"AI 能做什么"，而是"AI 保证什么"。
确定性 = (可验证的事实 + 逻辑因果链) ÷ 实时噪音
分子：AI 输出里可以被验证的部分——数据来源可靠性、结论可追溯性、过往表现一致性、推理路径可检验性。
分母：正在干扰判断的噪音——新法规出台、行业突发事件、市场情绪变化、竞争对手动作、AI 幻觉。
提高确定性不是单纯"提高 AI 准确率"就够了。当分母（实时噪音）增大时，即使最强 AI 准确率也可能大幅下降。降低分母（过滤噪音）有时候比提高分子（提升 AI 能力）更有效。 NeoTax 的做法是：做大分子（专业税务知识、历史数据验证、专家团队）的同时管理分母（持续追踪法规变化、建立审计日志）。
"确定性税"是客户因 AI 不确定性而付出的隐性代价——额外时间成本、风险成本和机会成本。只存在于出错代价高的场景（写邮件草稿不算）。
商业模式设计的核心就是将"确定性税"转化为"确定性溢价"：
Intercom Fin 的 $0.99/次，从客户视角就是用本来要花的人工审核成本（确定性税），换成了明码标价的确定性保证（确定性溢价）。设计商业模式时，先量化客户的确定性税，再定价你的确定性溢价。
目标：识别当前商业模式属于哪种失效模式，评估健康度。
执行方法：
诊断清单：
输出：商业模式健康度评分 + 主要风险点清单 + 优先改进方向
目标：找到可以在哪个维度提供确定性价值。
执行方法：
输出：确定性价值矩阵（三维度评分 + 溢价空间估算）
目标：根据确定性维度选择最适合的商业模式。
决策树：
你的产品核心交付物是什么？
├── 可验证的信息/判断 → Arbiter Mode（真相即服务）
│ 定价：订阅制或按验证量收费
│ 案例：Harvey AI 法律研究
│
├── 可担保的结果/成果 → Insurance Mode（结果担保）
│ 定价：成功费 / 结果分成
│ 案例：NeoTax 退税额 10-20%
│
├── 基础设施/平台能力 → Closed-Loop Infrastructure（主权基础设施）
│ 定价：部署费 + 维护费 / 私有化订阅
│ 案例：Databricks 企业私有化部署
│
└── 可量化的预测能力 → Prediction Arbitrage（时间套利）
定价：按预测准确度分成 / 按节省时间收费
案例：Pencil 广告 CTR 预测按效果分成
混合模式设计：大多数成功的 AI 公司混合使用多种模式——基础层 Closed-Loop + 应用层 Insurance + 增值层 Arbiter。
输出：推荐商业模式 + 备选模式 + 混合模式架构
目标：基于确定性溢价公式设计定价策略。
执行方法：
定价模式选择指南：
| 模式 | 适用场景 | 关键条件 | 案例 |
|---|---|---|---|
| 按结果收费 | 结果可明确定义、成功可验证 | 需定义清晰的"成功"标准 | NeoTax 10-20% 成功费 |
| 按节省收费 | 时间/成本节省可量化 | 需建立基线对比 | 按节省工时收费 |
| 订阅分级 | 需持续使用、功能差异化 | 需明确每级价值差异 | 基础版/专业版/企业版 |
| 风险共担 | 高价值高风险场景 | 需建立信任基础 | 基础费 + 成功分成 |
输出：定价策略文档（含价格锚点、收费规则、客户 ROI 计算）
目标：评估商业模式的长期可持续性。
AI 时代护城河四问：
护城河强度评估：每个维度评分 1-10，并给出增强建议。
输出：护城河强度评估报告 + 增强路线图
目标：整合以上所有分析，输出可执行的商业模式简报。
简报模板：
business_model_brief:
current_model:
type: "当前模式类型"
health_score: 0-100
key_risks: ["风险1", "风险2"]
certainty_value:
dimension: "事实/合规/结果确定性"
fear_level: 1-10
error_cost: "每次错误损失金额"
alternative_cost: "替代方案成本"
recommended_model:
primary: "主模式"
secondary: "辅模式"
pricing: "定价策略描述"
moat_assessment:
data_flywheel: "强/中/弱 + 说明"
switching_cost: "强/中/弱 + 说明"
brand: "强/中/弱 + 说明"
go_no_go: "go / no-go / revisit"
next_stage: "下一步行动"
输出：商业模式简报 + 行动计划
场景：某公司做电商客服 AI，当前按 SaaS 订阅收费 ¥2000/月/店铺，ARPU 低，大厂（如阿里智能客服）以更低价格竞争。
现有模式诊断：
确定性价值评估：
模式选择：Insurance Mode（结果担保）
护城河：
结果：ARPU 从 ¥2000 提升到 ¥4500，客户 LTV 提升 125%，因为客户只在 AI 成功时付费，满意度和续约率同步提升。
场景：某公司做合同审查 AI，当前按 GPT API Token 加成收费（约 ¥0.5/千 Token），月收入 ¥8 万，利润微薄。
现有模式诊断：
确定性价值评估：
模式选择：Arbiter Mode（真相即服务）+ Insurance Mode（结果担保）
护城河：
结果：月收入从 ¥8 万提升到 ¥35 万（50 个客户 × 平均 ¥7000），利润率达 70%+，因为定价锚点从"Token 成本"转移到"客户规避的风险价值"。