AI艺术版税平台为什么难跑通：从 Tess 复盘看创作者模型市场的四个约束

来源：Hacker News 今日 AI 热帖

原文链接：https://www.kapwing.com/blog/learnings-from-paying-artists-royalties-for-ai-generated-art/

适合读者：关注 AIGC 产品、创作者平台、商业化验证的人

最近 Hacker News 上有一篇复盘很值得做 AI 产品的人细看。

Kapwing 团队做过一个叫 Tess 的实验：让艺术家把自己的风格模型上架，用户每次调用模型生成图片，艺术家拿 50% 分成。这个设想听上去很正确，但项目跑了 20 个月后还是关停了。

这件事真正值得看的地方，不是“又一个 AI 项目失败了”，而是它把一个很多人都想做的方向，拆成了几个很具体的系统约束：

当你试图把“为创作者分 AI 红利”做成一个可持续平台时，难点不是一句价值主张，而是整条交易链路能不能闭环。

一、先把这个产品拆成一条完整链路

如果把 Tess 这类产品看成一个系统，它至少包含 5 个环节：

1. 艺术家授权自己的风格素材

2. 平台训练或托管一个可调用的风格模型

3. 用户为生成行为付费

4. 平台把收益按规则分账给艺术家

5. 平台向企业客户解释版权、授权和责任边界

从产品设计上看，前 4 步都可以做出来，真正难的是第 5 步。

因为一旦目标客户不只是个人用户，而是媒体、品牌、营销团队，问题就不再是“能不能生成”，而是：

- 这个输出能不能商用

- 风格授权是否足以覆盖实际使用场景

- 一旦被追责，责任链条能不能说清楚

也就是说，这不是一个单纯的模型产品，而是一个 模型 + 授权 + 分账 + 合规解释 的组合产品。

二、为什么这个方向很难跑通

原文里给了几组很有价值的数字：

- 项目运行了 20 个月

- 总收入是 12172 美元

- 预付给艺术家的保底版税是 18000 美元

- 团队联系了 325 位艺术家，最终真正加入并完成训练的比例只有 6.5%

把这些数字放回产品链路里看，至少能看出 4 个硬约束。

1. 法律风险不是附加问题，而是主交易链的一部分

很多 AI 产品默认把法务理解成上线后的附加环节，但 Tess 这类业务不是。

它的成交对象如果是企业客户，那么版权可解释性本身就是产品能力的一部分。只要法务无法明确回答“生成结果的授权边界是什么”，销售就很难推进。

对这类平台来说，最关键的不是一句“我们和艺术家分成”，而是有没有能力把下面这些问题写进客户能接受的规则里：

1. 艺术家授权的范围是什么

2. 模型输出是否被视为衍生作品

3. 企业商用时责任由谁承担

4. 平台是否能提供可追溯的授权链

如果这几件事讲不清，企业侧的转化率通常不会高。

2. 供给端的真实瓶颈不是训练，而是说服

很多人看到“艺术家模型市场”会先想到模型训练成本，但原文最说明问题的其实是供给转化率。

联系 325 位艺术家，最终完成上架的只有 6.5%，这说明阻力主要不在工具链，而在供给侧意愿。

原因也很现实：

- 一部分艺术家本来就反对生成式 AI

- 一部分人担心风格被低成本复制

- 高识别度创作者会担心自己的品牌被稀释

所以这个方向最大的 BD 难点不是“告诉对方能赚钱”，而是证明这不会伤害他已有的职业价值。

3. 单位经济模型很容易从第一天就不成立

这类业务要不要继续做，最后还是得回到单位经济。

可以把它的收入和成本先拆成一个最小公式：

平台收入 = 生成付费收入 × 平台抽成

平台成本 = 艺术家保底分成

+ 模型训练与推理成本

+ 支付与存储成本

+ 法务/销售/运营成本

原文里已经给出一个很直接的警告信号：

- 收入 12172 美元

- 仅艺术家保底版税就 18000 美元

这还没有把团队投入的人力算进去。

这意味着问题不是“利润偏薄”，而是 最核心的一层现金流就已经倒挂了。

如果一个平台还需要同时承担：

- 教育市场

- 建立授权信任

- 补贴供给端

- 维护模型与分账系统

那它对规模效应的依赖会非常强，而项目在起步阶段往往最缺的就是规模。

4. 这类项目对团队焦点的要求极高

原文还有一个经常被忽略、但对创业团队非常关键的点：Tess 不是独立公司主业务，而是 Kapwing 在现有业务之外做的实验。

这会带来一个典型问题：

- 主业务已经有自己的增长和交付压力

- 新项目又需要长期教育市场、验证商业模式、积累供给

- 最后团队会同时承受两套完全不同的节奏

从组织角度看，很多方向不是“绝对错误”，而是“需要一支几乎独立的队伍持续打磨”，而不是挂在主业务旁边顺手做。

三、如果你也想做类似产品，最少应该先验证什么

如果把这篇复盘转成一个更实用的产品检查表，我觉得至少要先验证下面 4 个指标，而不是先去讲愿景。

1. 供给转化率

不要只看艺术家是否感兴趣，要看：

- 联系到签约的转化率

- 签约到完成训练的转化率

- 上架后 30 天内有真实调用的模型占比

2. 交易链可解释性

不是只写一份协议就够了，而是要确认你能不能向企业客户说明：

- 授权范围

- 商用边界

- 追责路径

- 分账规则

3. 单模型单位经济

至少要知道：

- 单模型月收入

- 单模型月推理成本

- 单模型月保底支出

- 模型冷启动期的补贴成本

4. 团队投入是否值得

这个方向通常不是“低成本试一下”就能跑出来的。它需要法务、BD、运营、模型侧和支付分账都配合，所以要尽早判断：

这是不是当前阶段最值得你分配团队注意力的方向。

四、我对这篇复盘的最终判断

我觉得这篇最有价值的地方，不是它告诉我们“创作者分红行不通”，而是它把一个经常被浪漫化的方向拆回了工程和商业现实：

1. 授权链解释不清，企业转化就很难起量

2. 艺术家供给不是训练问题，而是意愿问题

3. 单位经济可能在很早期就已经倒挂

4. 这类项目需要独立焦点，不能只靠主业务顺手兼顾

所以这件事更像一个长期命题，而不是一个短期能跑通的标准化 AI 生意。

五、这篇对做 AI 产品的人最大的实际提醒

如果你也在做 AI 产品，我觉得可以把这篇浓缩成一句更工程化的话：

不要只验证“用户会不会喜欢”，还要尽早验证“交易链能不能成立、法务链能不能解释、供给端会不会持续进入”。

对创作者平台、模型市场、AIGC 商业化团队来说，这篇比单纯讨论模型效果更有参考价值。

原文链接

- Kapwing 原文：https://www.kapwing.com/blog/learnings-from-paying-artists-royalties-for-ai-generated-art/

- Hacker News：https://news.ycombinator.com/