AI时代的生产和消费:(三)从出售工具到交付结果:服务业的新经济学(2)

出售一个结果,究竟意味着什么?

从表面上看,按照结果收费似乎很简单。客户不再为软件使用权或专业人员的工作时间付费,而是在工作完成之后支付费用。

一家客服服务商可以按照成功解决的咨询数量收费;一家文件处理企业可以按照完成验证的文件数量收费;一家物流公司可以按照成功交付的货物收费,而不再让客户关心它使用多少员工或软件许可证。

这种安排对客户具有吸引力,因为付款与获得的价值联系得更加紧密。对供应商而言,它也创造了提高效率的激励:只要能够用更少资源交付相同结果,利润就可能增加。

但这里存在一个经济学上非常重要的问题:并不是所有有价值的结果都能够被准确衡量。即使存在可以测量的指标,它也未必能够完整反映服务质量。

以客户服务为例。一家公司可以按照 AI 系统成功解决的咨询数量向供应商付费。但什么叫作成功解决?客户可能只是停止回复,并不代表问题得到满意处理。系统可能提供技术上正确的答案,却没有解决客户真正关心的问题。如果供应商的收入取决于尽快关闭工单,它就可能不愿意将复杂问题转交人工处理。

教育领域也存在类似困难。如果一家 AI 辅导服务商按照学生考试成绩的提高幅度收费,它自然会努力提高这些成绩。但教育的价值远远不止某一次考试的表现。独立思考、好奇心、推理能力、坚持探索的习惯,以及长期形成的理解能力,都很难用一个指标完整衡量。

医疗领域的问题更加复杂。一项 AI 医疗服务应该按照诊断数量、诊断准确率、患者健康状况改善,还是医疗支出的减少来收费?每一种指标都反映了医疗价值的某个方面,却没有一种能够完全代表医疗服务的全部意义。

经济学家本特·霍尔姆斯特伦(Bengt Holmström)在激励机制与绩效衡量方面的研究,深入讨论了类似问题。他与保罗·米尔格罗姆(Paul Milgrom)的研究表明,当工作包含多个维度,而其中某些重要维度难以观察和测量时,过分奖励可测量的活动,可能使人们忽视其他同样重要的工作。(Bengt Holmström and Paul Milgrom, “Multitask Principal-Agent Analyses: Incentive Contracts, Asset Ownership, and Job Design,” Journal of Law, Economics, & Organization, 1991。)

AI 并不会自动消除这个问题,在某些情况下甚至可能使它更加突出。

AI 系统能够快速、持续地优化明确规定的目标。如果这些目标本身不完整,或者设计存在缺陷,系统就可能在所选指标上表现出色,却无法交付真正令人满意的结果。

因此,从工具收费转向结果收费,必须认真考虑如何定义、测量和评价结果。

未来也可能出现更多混合定价方式。客户支付一笔固定费用,以获得系统使用权和可靠服务;再根据实际完成的工作量支付可变费用;如果达到特定质量或绩效目标,则支付额外报酬。

与其认为 AI 将用单一的结果收费模式取代所有传统收费方式,不如认为它会推动更加多样化的契约安排,使不同服务能够根据自身特点设计价格和责任结构。

AI犯错以后,谁来承担责任?

出售工具与出售服务之间,最重要的区别之一,就是责任的分配。

软件供应商通常承诺产品能够按照规定条件运行,而客户仍然需要为使用软件所作出的许多决策负责。

结果导向型服务商承担的义务则更广泛。它不能仅仅声称系统按照设计正常运行,还可能需要确保工作本身得到正确完成。

这一变化具有重要的经济意义。

假设一套 AI 系统处理一万笔金融交易,准确率达到99.9%。这个数字听起来相当出色,但如果每笔交易的错误概率均为0.1%,那么一万笔交易中仍然预计会出现十笔错误。

这样的表现是否可以接受,取决于错误的后果。一次轻微的分类错误,可能只需要花费几美元纠正;一次错误付款、监管申报或者金融决策,却可能造成大得多的损失。

错误的预期经济成本可以表示为:

\[ E[L]=\sum_{i=1}^{n}p_iL_i \]

其中,\(p_i\) 表示第 \(i\) 类错误或不利事件发生的概率,\(L_i\) 表示相应损失。

因此,服务商每单位服务的实际成本,不能只包括计算和人工费用,还需要考虑验证、纠错、保险、法律风险,以及维护客户信任所需要的成本。

我们可以将 AI 服务的有效成本进一步表示为:

\[ C_{\mathrm{effective}} =C_{\mathrm{production}} +C_{\mathrm{verification}} +E[L] +C_{\mathrm{coordination}} \]

这一表达式有助于解释,为什么技术上极其便宜的 AI 输出,并不一定能够直接转化为同样便宜的专业服务。

生成一份财务报告的成本可能趋近于零,但核实报告的准确性,并为报告承担专业责任,仍然可能需要相当大的投入。

在某些行业,这种区别甚至可能成为新商业模式的基础。客户可以为 AI 生成的信息支付很低的费用,却愿意为经过认证、审计、投保或者专业担保的结果支付高得多的价格。

服务商的竞争优势,将不仅来自自动化能力,还来自它能否有效管理不确定性并承担责任。

这也为并非直接开发 AI 基础模型的机构创造了机会。会计事务所、保险公司、专业组织、系统集成商以及成熟的行业服务企业,可能拥有帮助它们可靠交付结果的专业知识、客户关系和制度经验。

AI 可能承担了大部分实际工作,但最终获得客户付款的企业,可能是那个愿意并且有能力为结果负责的机构。

这一点尤其重要,因为责任并不总能通过合同条款完全解决。法律责任、职业伦理、监管义务和公众信任,都可能提出超出客户与供应商私人约定的要求。

因此,AI 服务业的未来,也将在一定程度上取决于定义合格服务、分配责任和处理风险的社会制度如何演变。

当成本下降并不意味着市场扩大

围绕 AI 服务的商业热情,往往来自传统专业服务行业庞大的人工支出。如果 AI 能够自动完成其中相当一部分工作,潜在市场看起来就十分巨大。

但我们在本系列前两篇中已经讨论过一个重要区别:生产成本下降,并不自动意味着提供这些产品和服务的行业收入增加。

这一原则在服务业中可能表现得更加明显。

假设一项传统咨询服务收费五万美元,而一家 AI 服务商能够以五千美元提供质量相当的结果。技术带来的经济收益显然十分可观,但未来市场规模究竟如何变化,还取决于客户的回应。

如果企业仍然只购买原来数量的咨询项目,整个行业的收入就可能大幅下降。如果价格降低使许多中小企业第一次有能力购买咨询服务,市场需求就可能扩大。如果咨询成本下降使企业愿意更频繁地开展分析,项目数量也可能增加。如果 AI 进一步创造出过去不存在的新型咨询服务,市场甚至可能以原来无法想象的方式增长。

这些可能性并不相互排斥。同一个行业的不同市场部分,可能同时出现不同的结果。

我们可以用一个简单模型说明需求的重要性。假设某项服务的市场需求函数为:

\[ Q(P)=AP^{-\varepsilon} \]

其中,\(A>0\) 表示需求规模参数,\(\varepsilon>0\) 是需求价格弹性的绝对值。

市场总收入为:

\[ R(P)=PQ(P)=AP^{1-\varepsilon} \]

如果 AI 降低了生产成本,市场竞争又使价格下降,那么总收入如何变化,就取决于 \(\varepsilon\)。

当需求富有弹性,即 \(\varepsilon>1\) 时,价格下降引起的购买量增长比例更大,因此总收入增加。当需求缺乏弹性,即 \(\varepsilon<1\) 时,总收入反而下降。当需求具有单位弹性时,总收入保持不变。

这只是一个经过简化的常弹性需求模型。它假设需求关系保持稳定,价格是主要变化因素。现实中,AI 还可能改变服务质量、可获得性、消费者预期,以及服务本身的种类。

但这个模型已经足以说明,不能直接把现有行业的人工支出当作未来 AI 服务收入的估计。

一个庞大的服务行业可能在生产效率大幅提高的同时,市场收入却有所下降。客户获得巨大利益,服务商却需要在更低的价格水平上竞争。

相反,过去只有富裕个人或大型企业才能购买的服务,也可能因为成本下降而进入数百万新客户的生活,从而形成比原来更大的市场。

决定结果的,是需求如何变化,而不仅仅是技术能够自动完成多少工作。

比较不同行业时,这一点尤其重要。

企业未必会因为记账变得便宜,就需要多得多的记账服务,但它们可能开始要求更频繁的财务预测、风险分析和战略规划。

消费者未必需要无限数量的法律文件,但如果初步法律咨询的成本大幅下降,他们可能更愿意在日常生活中寻求法律帮助。

学生不需要无限数量的解释,却可能从持续提供的个性化反馈中受益,而这种服务在过去可能因为成本过高而无法普遍实现。

因此,最成功的 AI 服务企业,未必只是那些能够替代现有工作的企业,而可能是那些发现了新需求,并利用低成本技术使这些需求第一次具有商业可行性的企业。

这比单纯实现自动化更加困难。企业不仅需要理解客户今天购买什么,还需要理解,当技术和经济约束发生变化以后,客户可能开始重视什么。

(未完待续)


我的其它文章

发表评论

您的邮箱地址不会被公开。 必填项已用 * 标注