Galaxy：無接觸式SaaS 人工智慧時代的API支付

作者：Vikram Singh，來源：Galaxy，編譯：Shaw 金色財經

概述

• 如今的軟體支付體系，是為靜態的、人工驅動的合作關係而構建的。對於從未編寫過一行代碼的新型開發者而言，API/MCP 的配置與管理十分繁瑣。優質數據源正因大語言模型無法與付費牆進行動態交互，而不斷流失客戶。

• 在無接觸 SaaS 模式下，AI 智能體（AI Agent）可自主發現、調用並為 API 與數據源付費，無需創建賬號、無需配置 API 密鑰、也無需建立雙邊計費合作關係。

• 「AI 預算」 能夠讓大語言模型在運行時高效獲取付費牆內的數據，從而賦能研究工作。x402 / 機器支付協議工作流可大幅消除 API 集成阻力，實現軟體動態定價，並解決非企業級開發者的冷啟動難題。

• 無接觸 SaaS 的經濟邏輯對訂閱制定價模式形成挑戰，同時強力推動行業向按量計費模式轉型。若無接觸 SaaS 成為主流，業內或將重新思考客戶獲取成本（CAC）、每用戶平均收入（ARPU）等 SaaS 核心指標。

迄今為止的SaaS發展歷程

過去幾周，從智能體支付視角來看行業動態十分值得關註：Tempo 上線主網，機器支付協議（MPP）表現尤為突出；Ramp 上周推出了智能體卡片；Visa 發布了命令行工具，並積極推進智能支付業務；Coinbase 在近幾個月也一直主導 x402 協議的發展。

但目前行業焦點大多集中在大語言模型（LLM）聊天界面內的商業購物場景，針對軟體與數據支付的討論卻十分有限。我認為 AI 將從根本上改變我們未來對軟體支付與 SaaS 模式的認知，本文也將圍繞這一觀點展開探討。

首份軟體許可協議簽訂於 1969 年，當時 IBM 決定將龐大昂貴的硬體與軟體服務拆分銷售。多年過去，如今軟體金融領域由 SaaS 模式主導，而 SaaS 又可分為高介入型（如 Salesforce、思愛普 SAP）與低介入型（如 X、Stripe）兩類。

高介入型 SaaS 客單價高，單個增量用戶的獲客成本高，且客戶支持成本高昂；低介入型 SaaS 客單價較低，單個增量用戶獲客成本更低，但為獲取海量用戶，整體獲客投入依然很高。

隨著 AI 勢不可擋的發展，軟體支付體系正迎來一個拐點，或將催生我所定義的無接觸 SaaS 模式。

逐漸消失的編程壁壘與無接觸SaaS的誕生

編程工具已經並將持續降低門檻，覆蓋更多編程經驗有限的 「開發者」 群體。我們完全可以預見，短短幾年內，編程經驗將不再是軟體開發的壁壘 —— 事實上，這一趨勢已然顯現。

現階段，開發個人或非企業級軟體的瑣碎阻礙（除少量運維知識外）主要集中在：

第三點已被 Claude Code、Codex 等工具抽象簡化，而前兩點仍有極大的創新優化空間（從某種程度而言，機器支付協議已帶來相關改變）。

如今配置 API 密鑰的流程繁瑣低效：①查找對應 API → ②創建賬號 → ③通過信箱驗證碼完成身份驗證 → ④添加支付方式 → ⑤生成 API 密鑰 → ⑥儲存密鑰 → ⑦配置調用速率限制 → ⑧設置計費提醒 → ⑨編寫代碼。這一流程無法跳過，且每新增一個 API、工具或數據源都需重複操作。建立機器支付協議連接的流程也大同小異。

對於 Stripe、X 這類高價值集成場景而言，API 篩選的認知成本與配置流程的阻力可通過數十萬次 API 調用分攤，因此這類繁瑣流程尚可接受；但對於低頻使用場景，這套流程則顯得過於冗餘。

來源：Galaxy Ventures

拋開擬物化設計的思維定式，我們來思考一下上下文數據源的發現與調用應該是什麼樣子。 假設我問我的大語言模型：「今天紐約發生了什麼？」 它應該能找到《紐約時報》的 API，訪問相關的 API 端點，並為我獲取相關的新聞文章。這樣一次一次性的 API 調用，不應該因為一個微不足道的請求，就需要我去創建一個機器支付協議（MCP）連接。

同樣，如果我提出一個更寬泛的查詢：「為 {ABC} 股票撰寫一份投資分析報告。查閱 SEC 文件（使用 Financial Datasets API）、最新新聞（使用 Parallel Web Systems API）和社交情緒（Twitter/X API）。」 這將涉及 3 個 MCP 連接，因此為了一個查詢就要建立 3 個雙邊計費關係。這種用戶體驗（UX）非常糟糕，可以通過聚合與中心化來改善。

除了上下文數據源和我們的高層級大語言模型工作流，我們再來思考一下非企業級開發者的體驗將如何演變。 假設你開發了一個提供上述股票分析工作流的 Web 應用，並想將其推向 2500 名客戶的用戶群 —— 這算不上企業級規模，但也絕對不小。為了讓應用在生產環境中穩定運行而不崩潰，你可能需要同時將 Financial Datasets、Parallel、Twitter/X 的服務升級到更高收費套餐，而你的服務器成本（Vercel、Supabase、Railway 等）也會隨之飆升。

如此一來，為提供該服務，你已經累積（並鎖定）了高額成本。在這個節點上，你有以下選擇：

• 自掏腰包預付高額成本，但對收入來源的前景卻不甚明朗；

• 尋求風險投資，但你的這個半正式的業餘項目很可能吸引不到風投資金；

• 讓你的客戶根據實時使用情況付費。

實時支付的成本計算方式可以是：

用戶捆綁成本 = 累計 API 成本（Financial Datasets、Parallel、Twitter/X） + 累計服務器成本（Vercel、Supabase、Railway） + 增值 / 平台服務費

實時支付理論上可以解決需要預付費用的冷啟動問題，並支持動態定價模式（根據供需關係調整收費，並基於實時使用情況優化收費套餐和服務器空間）。

內容、數據與聚合

來看兩個案例：

案例一

「深入研究美國的 GPU 與數據中心市場。最重要的參與者有哪些？晶片製造商的進出口量是多少？新的數據中心正在哪裡建設？」

這種搜尋的深度在結構上是受限的，結果往往平庸。它最多隻能訪問 SemiAnalysis 的免費版本和其他免費數據源，而真正高質量的數據都隱藏在付費牆之後。

案例二

與案例一使用相同的提示詞 + 「這項研究對我很重要，你有 10 美元的預算，請使用最好的數據源。」

來源：Galaxy Ventures

案例二可以接入並調取 Aterio、Cleanview 等優質數據源，這類檢索在結構上更為優質。在數據源支持按量付費 API 端點的前提下，大語言模型可以自主檢索這些數據源、使用預算完成支付，並利用高價值資訊完善深度研究。

若要讓案例一達到案例二的同等效果，人類用戶必須自行尋找數據源、配置密鑰，並與各家 API/MCP 服務商建立計費關係。而在案例二中，大語言模型會動態檢索並付費調用最優數據源，省去了人類尋找、決策和重複配置的成本。

稍作題外話，但這一點十分重要：從上述例子中可以發現，數據與上下文數據源的發現流程出現了根本性錯位。尋找合適 API 的探索成本、判斷該 API 是否值得付費的決策成本，從終端用戶身上剝離，轉移到了大語言模型的檢索引擎與預算約束中。從這個角度看，大語言模型正成為內容與數據的核心聚合層。

為何AI預算至今尚未普及？

實現 AI 預算需要在大語言模型運行時調用 API，而運行時 API 調用要求支付具備原子性。例如，你為某項任務支付 5 美元調用 XYZ API：如何保證 XYZ 會真正提供服務，而不是直接捲走款項？如果支付與數據獲取能夠原子化完成，我們就能擁有一套無需信任的系統。要規模化實現這一點，就需要微支付。然而，現有金融基礎設施在結構上無法支撐微支付。信用卡每筆交易約收取 2.9% + 0.3 美元的手續費。假設一次調用成本為 0.01 美元，僅固定手續費就達到 API 成本的 30 倍。按上述費率計算，手續費低於成本 10% 的最低可行交易金額為 4.29 美元。不過，信用卡可以作為微支付的抽象層（後文會詳細說明）。

因此，按次 API 付費本就不適合在現有支付通道上運行，行業只能通過批量計費解決 API 支付問題：預存額度、月度賬單、訂閱套餐。你不會在 Claude Code 調用中看到 10 萬條單筆 0.001 美元的明細，Anthropic 只會從你的預存帳戶中扣除 100 美元。同理，亞馬遜不會對每次 AWS Lambda 調用單獨計費，而是每月出具一張總額賬單。這套模式行之有效，既然沒壞，為何要改？

首先，在上述兩種場景中，檢索流程由你自己完成，費用規劃是你（或公司）的決策負擔，調用方式的架構設計也由你決定。每新增一個 API，就需要建立一段新的靜態雙邊合作關係。每個計費周期，都是為預期使用的服務預付資金。

在動態檢索的世界裡，建立靜態合作關係是一大瓶頸。當你甚至不知道會使用哪個 API 時，預付資金便毫無意義。這就需要一套新的基礎設施：既能在不打破信任前提的情況下建立合作關係，又能擺脫陳舊定價體系的約束實現支付。一個自然而然的解決方案是：基於區塊鏈的微支付。

但微支付在歷史上從未成功過？

Digicash、Flooz、Beenz、Blendle 等都是微支付領域的失敗案例。但正如尼克・薩博在《微支付的心理記賬壁壘》一文中所言，微支付從一開始就註定失敗 —— 人類的決策與記賬成本，通常總會高於實際交易成本。

簡單來說，人類更看重可預測性，而非精準性。每月 15 美元的 Spotify 訂閱，即便只用了一半，在心理上也優於按量計費、最終可能僅需 7.5 美元的模式。前者的心理交易成本更低，後者則需要多次思考決策。這就是訂閱制勝出的原因：它將一系列平均價值固定的小額決策，轉化為一次可預測的大額決策（服務商也能藉此收取高於實際使用價值的費用）。這也是 SaaS 定價中普遍存在 「損耗」 的原因 —— 用戶付費往往高於實際使用量。

但當經濟主體從人類轉向大語言模型 / AI 智能體時，這套邏輯便不再成立。AI 智能體不會產生決策疲勞，它們的 「心理記賬成本」 並非以認知精力衡量，而是以推理算力計算。智能體唯一的約束是人類分配的預算，可簡化為一個簡單的成本最小化函數。

實現無接觸式SaaS

低介入 SaaS 通過砍掉銷售團隊降低了獲客成本。而無接觸 SaaS 則讓工具與數據源可被直接檢索並完成原子化支付，徹底省去獲客流程。

這需要三項基礎設施變革：

• 機器可讀的價格發現：這相當於形成一個 API 市場。可以理解為在已具備能力描述功能的 MCP 之上，增加一層包含標準化定價資訊的請求頭或元數據。skills.sh 排行榜與插件市場已出現這類雛形。

• 支付與 API 抽象：目前 「一鍵調取付費數據」 更多停留在理論階段，因為絕大多數服務仍要求創建 API 密鑰。MCP 在一定程度上實現了抽象，Coinbase 的 x402 協議與 Tempo 的機器支付協議（MPP）在這一領域極具價值。

• 即時結算：出於結構需求，結算必須快速且低成本。眾所周知，資金流轉速度遠慢於軟體。通常這不算瓶頸，但在該場景下，超快支付至關重要。若支付完成速度慢於數據返回速度，服務方就要承擔智能體帶來的信用風險，進而需要仲介介入。原子性要求為數據獲取延遲設定了下限，而這一下限由底層支付通道的執行速度決定。

無接觸SaaS的經濟模型探討

正如 Stripe 的 Patrick McKenzie （@patio11）所言，SaaS 最基礎的收入公式為：

收入 = Σ（獲客 × 轉化率 × 單用戶平均收入）/ 流失率

高介入 SaaS 通過六位數的單客交易額最大化單用戶平均收入。低介入 SaaS 則通過產品驅動增長、免費增值模式與低門檻入駐，最大化獲客與轉化效率。

在無接觸模式下，獲客成本理論上趨近於零 —— 除非出現賄賂智能體或付費提升 API 排名的手段 —— 因為智能體會自動檢索資源。轉化率也幾乎是 100%，因為檢索與支付原子化同步完成。但單用戶平均收入會大幅下降：收益不再是每月 15 美元的訂閱費，而是單筆 0.0X 美元的調用費，且調用量波動極大。

這種模式下，只有交易量實現規模化增長，單位經濟模型才能成立。單筆調用收益 0.003 美元的服務，需要每月 5000 次調用才能與 15 美元訂閱費的收入持平。

這一領域仍有大量問題值得研究，我會留到後續文章展開。

最後，提出一些宏觀思考與開放性問題：

全新支付範式

無接觸 SaaS 揭示了一種全新的軟體支付範式：檢索層從人類轉向智能體，服務選擇的決策成本從人類情感轉向量化的成本收益權衡。由於數據獲取與支付需要原子化同步，實時支付成為必然要求。

在下篇文章中，我將深入探討這些趨勢如何重塑 API 捆綁模式、各層級利潤如何分配，以及完全原生的智能體經濟在現實中究竟會呈現何種形態。

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。