هوش مصنوعی نحوه قیمت‌گذاری شرکت‌های نرم‌افزاری را تغییر می‌دهد. به آینده پرداخت به میزان مصرف خوش آمدید.

یک انقلاب آرام در حال تغییر شکل مدل کسب‌وکار نرم‌افزار به عنوان یک سرویس (SaaS) است. صنعت SaaS در حال تغییر از مجوزهای ماهانه "به ازای هر صندلی" به پذیرش قیمت‌گذاری مبتنی بر میزان مصرف و پرداخت به میزان مصرف است.

نیروی محرکه؟ هوش مصنوعی، و به طور خاص یک کلاس جدید از مدل‌های استدلالی که از نظر محاسباتی فشرده و پرهزینه هستند.

این فقط یک آزمایش قیمت‌گذاری نیست؛ این ممکن است یک ضرورت اقتصادی برای برخی از شرکت‌ها باشد، زیرا آن‌ها خود را با هزینه اجرای خدمات نرم‌افزاری مبتنی بر هوش مصنوعی تطبیق می‌دهند.

اگر داستان‌های من را خوانده باشید، می‌دانید که من هشدار دادم که انقلاب هوش مصنوعی مولد، تغییرات عمده‌ای در قیمت‌گذاری برخی از کسب‌وکارهای اینترنتی به همراه خواهد داشت. در ژانویه 2024 نوشتم که ساخت مدل‌های هوش مصنوعی هزینه زیادی دارد و اشاره کردم که شرکت‌های بزرگ فناوری به دنبال منابع جدیدی برای رشد درآمد، مانند اشتراک‌ها، هستند.

اکنون، یک نژاد جدید از مدل هوش مصنوعی "استدلالی" وجود دارد که اجرای آن واقعاً گران است. آن‌ها فقط پاسخ‌های ساده را بیرون نمی‌دهند. آن‌ها مراحل را حلقه می‌زنند، کار خود را بررسی می‌کنند و دوباره این کار را انجام می‌دهند - فرآیندی به نام محاسبه زمان استنتاج. هر مرحله "توکن‌های" جدیدی تولید می‌کند، زبان جدید هوش مصنوعی مولد، که باید پردازش شوند.

به عنوان مثال، مشخص شد که مدل o3-high شرکت OpenAI برای پاسخ دادن به یک سؤال معیار هوش مصنوعی، 1000 برابر بیشتر از مدل قبلی خود، o1، از توکن‌ها استفاده می‌کند. هزینه تولید آن یک پاسخ؟ طبق گفته تحلیلگران بارکلیز، حدود 3500 دلار.

این هزینه‌ها تئوری نیستند. از آنجایی که شرکت‌ها هوش مصنوعی را در گردش‌های کاری اصلی ادغام می‌کنند، ساختن عوامل، کمک‌خلبان‌ها و سایر ابزارهای تصمیم‌گیری پیچیده، هر پرسش بیشتر به محاسبات نیاز دارد. و هنگامی که میلیون‌ها کاربر درگیر هستند، این هزینه‌ها به سرعت افزایش می‌یابد.

نتیجه: اگر استفاده از هوش مصنوعی و هزینه‌های محاسباتی افزایش یابد و به طور گسترده در بین پایگاه مشتریان آن‌ها ناهموار شود، شرکت‌های نرم‌افزاری ممکن است برای ادامه دریافت هزینه‌های ثابت ماهانه با مشکل مواجه شوند.

برای دهه‌ها، شرکت‌های SaaS مانند مایکروسافت و Salesforce معمولاً به ازای هر کاربر، در ماه هزینه دریافت می‌کردند. این یک مدل تمیز و قابل پیش‌بینی بود که به خوبی کار می‌کرد، زمانی که هزینه‌های استفاده حاشیه‌ای نزدیک به صفر بود. اما هوش مصنوعی مولد این را تغییر می‌دهد. با بالا بودن و افزایش هزینه‌های محاسبه استنتاج، قیمت‌گذاری ثابت به یک بدهی مالی بالقوه تبدیل می‌شود.

شرکت مشاوره AlixPartners در یک مطالعه اخیر درباره تهدیدهای هوش مصنوعی برای شرکت‌های نرم‌افزاری نوشت: "هزینه‌های محاسباتی بالا برای عوامل هوش مصنوعی ممکن است در مقایسه با پیشنهادات سنتی SaaS، هزینه درآمد بالاتری را ایجاد کند و شرکت‌ها را مجبور به تجدید نظر در استراتژی‌های مدیریت هزینه خود کند."

به جای دریافت هزینه به ازای هر کاربر، شرکت‌ها شروع به دریافت هزینه بر اساس فعالیت می‌کنند، چه توکن‌های مصرف شده، چه پرسش‌های اجرا شده، چه اتوماسیون‌های اجرا شده، یا چه مدل‌های دسترسی یافته. این امر درآمد را با میزان استفاده هماهنگ‌تر می‌کند و تضمین می‌کند که شرکت‌ها می‌توانند هزینه‌های متغیر و در حال افزایش زیرساخت خود را پوشش دهند.

سام آلتمن ماه گذشته ایده‌ای مشابه را برای OpenAI مطرح کرد.

پلتفرم توسعه‌دهنده Vercel در حال حاضر بر اساس این اصل عمل می‌کند: هر چه ترافیک سایت یک مشتری بیشتر باشد، هزینه بیشتری پرداخت می‌کند.

مارتن آبراهامسن، مدیر ارشد مالی Vercel، در مصاحبه‌ای به من گفت: "این با موفقیت مشتری هماهنگ‌تر است. اگر مشتری ما خوب عمل کند، ما هم خوب عمل می‌کنیم."

شرکت‌های جوان‌تر مانند Bolt.new، Vercel و Replit در خط مقدم قرار دارند. Bolt.new، یک پلتفرم کم‌کد که توسط عوامل هوش مصنوعی پشتیبانی می‌شود، پس از تغییر از قیمت‌گذاری به ازای هر صندلی به سطوح مبتنی بر میزان استفاده، شاهد یک تغییر بزرگ در رشد درآمد بود. طرح‌های آن اکنون با توکن‌های مصرف شده مقیاس می‌یابد، از علاقه‌مندان معمولی گرفته تا کاربران قدرتمند تمام وقت.

در همین حال، Braze و Monday.com مدل‌های قیمت‌گذاری ترکیبی را معرفی کرده‌اند، که مجوزهای پایه صندلی را با اعتبارات هوش مصنوعی پرداخت به ازای هر استفاده ترکیب می‌کنند.

برای Monday.com، بسیاری از مشتریان مبتنی بر صندلی 500 اعتبار هوش مصنوعی برای استفاده در هر ماه دریافت می‌کنند. هنگامی که این‌ها را تمام می‌کنند، باید برای موارد بیشتر هزینه اضافی بپردازند.

ServiceNow، یکی از بازیکنان SaaS، قیمت‌گذاری مبتنی بر میزان استفاده را اضافه کرده است، اما فقط به عنوان یک افزودنی کوچک به یک پیشنهاد قابل پیش‌بینی مبتنی بر صندلی.

بیل مک‌درموت، مدیرعامل، به من گفت که این شرکت سال‌ها را صرف ساخت یک پلتفرم هوش مصنوعی ارزان، سریع و ایمن با کمک Nvidia کرده است. او همچنین خاطرنشان کرد که بسیاری از مدل‌های بزرگ هوش مصنوعی موجود، مانند Llama Meta و Gemini Google، اخیراً ارزان‌تر شده‌اند.

با این حال، ServiceNow قیمت‌گذاری مبتنی بر میزان استفاده را برای محافظت از خود در شرایط نادری که مشتریان بسیار فعال هستند و از مقدار زیادی توکن استفاده می‌کنند که شرکت باید پردازش کند، در هم تنیده است.

مک‌درموت گفت: "وقتی از آنچه ما می‌توانیم به طور معتبر از عهده آن برآییم فراتر می‌رود، باید نوعی کنتور داشته باشیم."

او تأکید کرد که مشتریان هنوز می‌توانند هزاران فرآیند تجاری را طی کنند قبل از اینکه به این سطح قیمت‌گذاری مبتنی بر میزان استفاده برسند.

مک‌درموت افزود: "مشتریان ما هنوز پیش‌بینی‌پذیری مبتنی بر صندلی را می‌خواهند. ما فکر می‌کنیم این یک مدل گلدلاکس عالی است، که پیش‌بینی‌پذیری، نوآوری و هزاران مورد استفاده رایگان را ارائه می‌دهد."

سرمایه‌گذاران در حال توجه هستند. تحلیلگران بارکلیز اخیراً استدلال کردند که شرکت‌های نرم‌افزاری مبتنی بر میزان استفاده، مانند JFrog و Braze، باید ارزش‌گذاری‌های ممتازی داشته باشند، به خصوص که فروشندگان مبتنی بر صندلی با رشد بالقوه کندتر درآمد از ویژگی‌های هوش مصنوعی مواجه هستند که با تعداد کاربران مقیاس نمی‌یابند.

تحلیلگران اخیراً در یادداشتی به سرمایه‌گذاران نوشتند: "ما نگرانی‌های بیشتری از سرمایه‌گذاران می‌شنویم که شیوع مداوم عوامل هوش مصنوعی می‌تواند منجر به کاهش مشارکت‌های درآمد افزایشی از رشد صندلی برای فروشندگان SaaS شود."

تحلیلگران توضیح دادند که این تغییر می‌تواند منجر به نوسانات بیشتر در درآمد فصلی شود، اما همسویی بلندمدت قوی‌تر با ارزش محصول ارائه شده.

نقطه ضعف این است که این‌ها هزینه‌های متغیر برای مشتریان هستند. به جای اینکه دقیقاً بدانید هزینه یک سرویس در هر ماه چقدر است، اگر ترافیک زیادی دریافت کنید، یا کارمندان شما برای ابزارهای جدید هوش مصنوعی دیوانه شوند، ممکن است هزینه‌های شما به طور غیرمنتظره‌ای افزایش یابد.

مشکل مشابهی برای شرکت‌هایی وجود دارد که این خدمات نرم‌افزاری جدید مبتنی بر هوش مصنوعی را ارائه می‌دهند. فروش آن‌ها ممکن است بیشتر با موفقیت مشتری و فعالیت به طور کلی افزایش و کاهش یابد. این درآمد ناهموار در مقایسه با فروش قابل اعتماد ماهانه مبتنی بر صندلی که اغلب توسط ارائه دهندگان سنتی SaaS ایجاد می‌شود، برای سرمایه‌گذاران جذابیت کمتری دارد.

دیوید اسلیتر، مدیر ارشد بازاریابی که در شرکت‌های فناوری از جمله Salesforce و Mozilla کار کرده است، اخیراً یک وب‌سایت شخصی با استفاده از Bolt.new ساخته است. او می‌گوید اگر به شدت از این ابزار استفاده کنید، یا به یک حفره طراحی بروید و مدام چیزی را تغییر دهید، هزینه‌ها می‌تواند به راحتی از کنترل خارج شود.

جذابیت خدمات SaaS این است که آن‌ها برای مشتریان و همچنین ارائه دهندگان قابل پیش‌بینی هستند. هر چیزی که این وضعیت را به هم بزند، می‌تواند نگران‌کننده باشد، به خصوص برای کاربران نهایی.

اسلیتر در مصاحبه‌ای به من گفت: "مدل قیمت‌گذاری که برای شرکت و مصرف‌کننده پیش‌بینی‌کننده نباشد، نمی‌تواند دوام بیاورد."

تغییر از صندلی به میزان استفاده فقط در مورد هوش مصنوعی نیست، اما هوش مصنوعی کاتالیزور است. از آنجایی که نرم‌افزار هوشمندتر، پویاتر و بیشتر به محاسبات نیاز دارد، گره زدن قیمت‌گذاری به استفاده واقعی ممکن است به یک مسیر پایدارتر رو به جلو تبدیل شود.

انتظار داشته باشید که شرکت‌های بیشتری در سال 2025 اعتبارات توکن، قیمت‌گذاری به ازای هر پرسش یا مدل‌های ترکیبی را معرفی کنند، نه فقط به این دلیل که کارآمدتر است، بلکه به این دلیل که ممکن است تنها راه برای شناور ماندن با افزایش سرعت پذیرش هوش مصنوعی باشد.

اکنون، اگر هزینه‌های محاسبه هوش مصنوعی مولد با گذشت زمان کاهش یابد، همه این‌ها می‌تواند دوباره تغییر کند. این اتفاق در دوره‌های محاسباتی قبلی رخ داده است و برخی از کارشناسان می‌بینند که این اتفاق دوباره می‌افتد. یا حداقل، آن‌ها امیدوارند.

اسلیتر گفت: "دیر یا زود، هزینه‌های هوش مصنوعی سقوط می‌کند، و سپس این مدل مبتنی بر میزان استفاده از بین می‌رود و با یک لنگر مانند صندلی، یا زمان، یا یک اشتراک ماهانه که قابل درک است، جایگزین می‌شود."