AI员工登场：软件行业从"人头计费"转向"任务计费"

在AI办公领域，一场"员工尚未完全被取代，AI工时却已被明码标价"的变革正在悄然展开。

过去企业采购软件，购买的是账号权限。如今企业使用Agent，则开始为每次任务消耗的Token和credits买单。

OpenAI近期的举措已经相当明确。

ChatGPT for Excel、Sheets和Workspace Agents已采用按Token折算的额度计费，PowerPoint也将在免费期结束后纳入同一体系。

根据官方参考标准，一次常规Excel任务可能消耗5至20个credits，一次PowerPoint任务可能消耗10至50个credits。

这些数字单独审视并不惊人，但置于企业软件的商业语境中，信号却十分清晰。

AI办公正将部分白领工作拆解为可量化、可定价、可审计的数字劳动。

过去二十年，SaaS企业的增长逻辑颇为清晰。

销售账号，扩展席位，提升续费率。企业有多少员工，就采购多少seat。软件企业的收入增长，与客户组织内有多少人使用该工具高度绑定。

但Agent正在重塑这一前提。

其销售的核心，已从软件使用权转向工作完成量。

一个Excel Agent的价值，在于协助数据清洗、公式生成、趋势分析和图表制作。

一个PowerPoint Agent的价值，在于将资料理解、结构拆解、页面生成和表达优化压缩为一次任务。

此时，软件企业的核心问题就从"有多少人需要使用"，转变为"有多少工作需要委托给AI"。

几条线索交织，一条主线逐渐浮现。

AI Agent正推动企业软件从"按人头收费"转向"按工作量收费"。企业采购的也逐渐从软件账号，变成一份可量化的数字劳动力。

要理解OpenAI为何将Excel、Sheets、Workspace Agents、PowerPoint等办公任务纳入credits计费，首先需要看清一个根本性变化。

Agent的成本结构，已与传统SaaS拉开了显著距离。

传统SaaS的边际成本相对可控。

多一个员工登录，多一个账号使用，多一个部门开通，确实会带来服务器、存储和带宽成本，但总体而言，软件一旦开发完成，便可规模化分发。

这也是SaaS企业长期受资本市场青睐的重要原因。收入按席位增长，毛利率仍能维持较高水平。

Agent则截然不同。

一次看似简单的办公任务，背后可能涉及一系列复杂的模型调用。

读取文件、理解上下文、分析数据、生成结构、调用工具、执行代码、反复推理、输出结果，再根据用户反馈持续修改。

用户看到的是一份表格分析或一套PPT初稿，系统背后消耗的却是实实在在的算力。

这便催生了一个新的商业矛盾。

继续简单采用月订阅模式，高频重度用户可能迅速侵蚀软件企业的毛利。

直接按Token计费，又会让普通企业用户感觉过于技术化，采购和预算都难以理解。

credits正是两者的折中方案。

它将底层Token消耗包装成企业更容易接受的工作量货币。

执行一次任务，消耗一定额度。任务越复杂，消耗越多。

企业无需关心输入Token、输出Token、上下文窗口和工具调用分别是多少，只需了解一类任务大致对应多少额度。

这与云计算的发展轨迹颇为相似。

早期企业采购服务器，关注机器、机房和带宽。

后来上云以后，企业开始按CPU、存储、流量、调用次数来管理成本。

再后来，FinOps成为一套专门的方法论，用以解答云资源被谁使用、用在何处、是否产生足够回报。

AI Agent大概率也会走向类似路径。

目前企业讨论AI办公，很多时候仍停留在是否为员工开通AI工具、月订阅费是否划算。

但当Agent真正融入表格、PPT、报告、邮件、数据分析等具体工作流程后，企业迟早会问得更细致。

财务团队每月消耗多少AI额度，市场部生成一套发布材料要花费多少credits，销售团队将客户线索交由Agent跟进究竟值不值。

换言之，Token正在成为AI员工的工时记录表。

过去企业管理人力成本，关注薪资、工时、绩效和产出。未来企业管理AI成本，也会关注任务数量、额度消耗、成功率和业务回报。

这已超越计费口径变化的范畴，本质上是管理对象的转变。

软件从工具走向劳动力，定价模式自然也需要随之调整。

对企业而言，按工作量收费带来的最大变化，是AI会从人人可试用的效率工具，转变为需要预算、审计和核算的生产资源。

过去采购SaaS，企业关心的是多少员工需要账号，该工具能否替代旧系统，员工是否愿意使用，年订阅费是多少。

未来采购Agent，问题会变得更像财务模型。

一个典型任务平均消耗多少credits，不同部门应分配多少额度，哪些任务适合委托AI，哪些任务由人工完成更划算，AI生成结果若需反复修改，消耗的额度该如何计算。

这将使AI办公从尝鲜阶段进入核算阶段。

试用期里，企业可以容忍不确定性。员工感到新奇，老板愿意为创新买单，供应商也愿意用免费额度换取使用习惯。

但一旦进入正式采购，财务部门、IT部门和业务负责人都会要求更清晰的投入产出比。

例如，一份市场分析PPT若由员工制作，可能需要6小时。

交由Agent生成初稿，再由员工修改，可能只需1小时，同时消耗40个credits。

企业真正需要计算的是，节省下来的5小时人力成本，能否覆盖这40个credits的成本。生成质量是否稳定。如果还需三轮修改，ROI还成不成立。

这种计算会越来越普遍。

企业不会无限制采购AI工作量。它们会像管理云成本一样管理AI成本，像管理外包预算一样管理Agent任务，像评估员工绩效一样评估数字劳动力的产出。

这也会催生一批新的企业服务需求。

谁在使用AI，用了多少credits，用在哪些任务上，哪些任务成本过高，哪些Agent产出最佳，哪些部门的AI投入产出比最高。

这些问题，未来都可能成为企业AI管理平台的一部分。

对软件企业而言，这同样是新的考验。

过去，用户越活跃，通常意味着留存越好、续费越稳、扩张机会越大。

到了Agent时代，用户越活跃，也可能意味着推理成本越高、毛利压力越大。

如何在产品体验、成本控制和商业化之间找到平衡，将成为AI应用企业的基本功。

一种方式是设定额度，一种方式是按任务复杂度收费，一种方式是区分轻量模型和高阶模型，一种方式是将不同Agent能力拆分为不同价格层级。更往后看，也可能涌现按结果、按流程、按业务指标付费的模式。

OpenAI此次将办公Agent纳入credits计费，本质上是在为市场做示范。Agent已不再是传统软件功能的升级版，它更像是一种持续消耗算力、可按工作量计量的新型服务。

当然，按Token或credits收费，并不意味着企业会无条件接受。

企业真正关心的并非AI消耗了多少算力，重点在于它创造了多少价值。如果一次PPT任务消耗50个credits，最终只生成一份需大量重写的材料，用户不会认为这笔钱花得值。相反，如果一个Agent用20个credits完成了原本需要两小时的人工作业，企业会觉得相当划算。

因此，AI员工的价格最终不由Token单独决定，而由产出决定。

未来企业评估Agent，可能会形成一套更精细的指标。单次任务成本、任务成功率、人工接管比例、返工次数、节省工时、业务转化效果、合规和安全风险。

只有当这些指标被量化，AI Agent才会真正从新工具变成新劳动力。

这也会倒逼Agent厂商从炫技走向交付。

一个会聊天的助手，和一个能稳定完成业务任务的AI员工，中间差着完整的产品工程、工作流设计、权限管理、结果校验和成本控制。

企业愿意为后者付费，也不会长期为前者的新鲜感买单。

更进一步看，OpenAI的credits计费或许只是开端。

当AI可以处理表格、生成PPT、撰写报告、调用系统、执行流程，企业采购的就不仅是软件账号，而是一支不占工位、不领工资、但会消耗Token和算力预算的数字劳动力。

过去，软件企业问客户，你有多少人需要使用。

未来，软件企业可能会问客户，你有多少工作需要委托给AI。

最终改写企业软件定价体系的，或许不是某个更智能的办公功能，而是这个更底层的变化。

软件不再只是按人头销售。

AI员工开始按工作量收费了。