Всем привет!
Меня зовут Александр, я COO в SaaS-платформе аналитики данных. Последний год активно изучаю внедрение AI-решений в кросс-функциональные процессы. Делюсь полезными материалами, которые считаю стоят внимания. В основном про AI, изменение процессов, тренды и продуктовое видение.
У себя в телеграм-канале делюсь сжатыми и структурированными саммери статей.
Сегодняшний перевод — So you want to price your AI features…
AI-функции радикально меняют экономику софтверного бизнеса: каждый запрос к LLM имеет реальную стоимость. Компании вынуждены выбирать между включением AI в существующие тарифы, системой кредитов или созданием дополнительных опций. От этого выбора зависит не только удобство использования, но и жизнеспособность бизнес-модели в эпоху, когда один активный пользователь может буквально обанкротить проект неограниченным использованием.
Правильная оценка тарифной политики ключевая для SaaS, по сути она определяет скорость роста компании и в целом выживаемость бизнеса. Компаниям, на продукты которых оказывает сильное влияние AI должны задуматься над стратегией, как это сделали Intercom.
Еще кажется гибридная модель с фиксированной подпиской и лимитированным использованием AI эффективнее других подходов: клиенты получают предсказуемые затраты, а вы — стабильный доход и защиту маржи даже при резких всплесках использования.
Знали, что Salesforce в тарифных планах брали плату за вход, что означало, что вам практически приходилось покупать входные билеты в учетку? ?
Технологические компании повсюду ведут примерно такой разговор:
Продукт: "Смотрите! Наша блестящая новая AI-функция. Она делает... [ что-то умное] ."
Команда роста: "Круто. Давайте просто включим это в наши существующие тарифы?"
Финансы: "Подождите - эта штука сжигает деньги быстрее, чем AWS в Черную пятницу. Какой план, чтобы заработать деньги?"
Все: Пристально смотрят в бездну моделей ценообразования ?
Да, мы можем добавить ценность для пользователей с помощью AI. Да, мы можем заставить людей пользоваться этим. Нет, мы (пока) не имеем понятия, как за это брать деньги.
Давайте признаем: эпоха программного обеспечения с нулевыми предельными издержками заканчивается в ту минуту, когда вы касаетесь LLM APIs. У AI есть реальные COGS (cost of goods sold / себестоимость проданных товаров), и это то, с чем нам в SaaS придется научиться справляться.
Ценообразование и монетизация — одна из тех вещей, о которых мы не слишком беспокоились в 2010-х. Большинство цен на SaaS составляло $5-20/месяц/пользователь, и вы устанавливали некоторые ограничения использования на каждый тариф. Но эти барьеры редко зависели от экономики компании. Они зависели от поведения пользователей. А платные преграды размещались там, где пользователи с наибольшей вероятностью перейдут на более дорогой план получали наибольшую ценность.
Возьмем, к примеру, Notion. Для Notion не стоит намного дороже, если у вас 12 гостей, чем если бы у вас было 10 гостей в рабочем пространстве Notion. Но если у вас более 10 гостей, вы, вероятно, не индивидуальный пользователь или школьный проект, поэтому Notion решает, что вам нужно платить.
Сравните это с компанией AI-видео Synthesia. Для них абсолютно не имеет значение, сколько AI-видео вы создаете — потому что создание стоит дорого!
Это реальность для любого, кто использует AI в своем продукте: Вам нужно ограничивать использование, потому что если вы этого не сделаете, один пользователь может *буквально* обанкротить вас.
Даже если вы исключите случаи, которые могут обанкротить вас, использование AI быстро съедает вашу маржу, если вы его не ограничиваете. До появления AI нулевые предельные издержки делали маржу в 75%+ обычной для SaaS (без особой разницы между активными пользователями и случайными пользователями). Теперь использование гораздо сильнее влияет на вашу маржу.
Вот почему модели ценообразования развиваются. Появились AI-кредиты, плата по мере использования, ограничения скорости и т.д. Так как же должно эволюционировать ваше ценообразование после запуска AI-функции? И когда следует его модифицировать, а когда полностью пересматривать?
Этим мы и займемся сегодня.
Различные модели ценообразования AI
Если вы проводите достаточно времени в LinkedIn, технических рассылках Substack или в правильных групповых чатах, вы увидите, что некоторые люди настаивают на том, что подписки умирают, и все программное обеспечение скоро будет оцениваться по использованию/результатам.
Те, кто утверждает "все меняется, и мы никогда не вернемся назад", редко бывают правы (помните, когда Голливуд должен был быть разрушен NFT? Или когда все производство должно было быть заменено 3D-печатью?)
Правда в том, что ценообразование адаптируется к дороговизне AI, но вы также не хотите преждевременно разрушить свой существующий бизнес. Вот почему мы наблюдаем появление большего количества гибридных моделей. И я держу пари, что гибридное ценообразование будет более распространенным, чем чистое ценообразование на основе использования, потому что:
Компании сохраняют регулярный доход, продолжая устанавливать цены на подписки и ограничивая использование.
Клиенты имеют больший контроль над расходами и могут легко получить одобрение затрат.
Компании могут увеличить NRR и LTV, когда учетные записи увеличивают использование.
Клиенты могут расти без внезапного умножения затрат (как это могло бы произойти в традиционном SaaS при переходе с плана для стартапов на корпоративный).
Существуют три наиболее распространенных типа гибридных моделей ценообразования, которые добавляют AI к существующим подпискам:
Связанное использование AI: Ваш тариф включает фиксированное количество использования AI. Как только вы достигаете лимита, доступ прекращается или вы платите дополнительно.
AI-кредиты: Ваш тариф поставляется с кредитами для использования AI. При необходимости вы можете купить больше.
AI-дополнение: AI не включен по умолчанию — вы платите дополнительно, чтобы разблокировать его.
Существует также мир, где вы полностью меняете свою традиционную модель ценообразования и полностью переходите на AI — мы тоже рассмотрим это!
Связанное использование AI
Это модель, которую используют такие компании, как Canva. Вы получаете использование AI, включенное в ваш тариф. После этого вы либо не можете больше использовать AI-функции, либо должны платить за превышение лимита (т.е. плату на основе использования за дополнительное использование AI).
Преимущества:
Ценообразование на первый взгляд просто для пользователей, что облегчает покупку.
Доходы и использование предсказуемы для компаний.
Нет больших изменений в моделях.
Недостатки:
Пользователи не привыкли к тому, что им блокируют доступ к функции после оплаты тарифа.
Клиенты могут не понять и жаловаться на превышение лимитов.
Трудно различать интенсивность задач AI.
Этот последний пункт важен: стоимость AI масштабируется линейно с использованием. Поэтому для OpenAI дороже, если я использую ChatGPT для написания романа, чем если я прошу его рецепт тыквенного супа. Это нормально для Canva (изображения, как правило, однородны, и вы можете легко измерить генерацию одного изображения). Но представьте, что вы продаете AI-чатбот поддержки клиентов. Если бы вы включили 200 AI-чатов в месяц, вы бы платили одинаково, если пользователь просто говорит "Это вообще работает? Лол" или если пользователь ведет долгий разговор с поддержкой клиентов. Это делает расчет вашей маржи намного сложнее!
Эта модель хорошо работает для такого продукта, как Canva, потому что он не является критически важным. Ни один клиент Canva не полагается на AI-функции Canva для обслуживания своего собственного продукта.
AI-кредиты
Кредиты — это похожий, но другой способ ценообразования AI-продуктов. По сути, подписка (или пакет) предоставляет пользователям определенное количество AI-кредитов. Monday.com недавно добавил AI-кредиты, включенные в подписки:
Кредиты — спорная стратегия ценообразования:
С положительной стороны: Кредиты предлагают контроль затрат (поскольку пользователи должны пополнять счет, если они заканчиваются, они никогда не тратят деньги, не зная об этом), в то время как компании получают выгоду от предварительной компенсации за потенциальное будущее использование.
Для компаний кредиты — это способ хеджирования большего разброса запросов: различные задачи Manus потребляют различное количество вычислительных ресурсов и токенов.
Если бы у меня было 5 включенных запросов, и я мог бы потратить их либо на "найди мне рецепт шоколадного печенья", либо на "проведи конкурентный анализ в сфере тарификации на основе использования, используй механизм рассуждения для определения того, каких функций не хватает у конкурентов, а затем создай прототип этой функции", у Manus была бы ужасная экономика единицы продукции.
Еще один положительный аспект ценообразования AI-кредитов заключается в том, что пользователи могут тратить их на несколько продуктов/функций, которые потребляют кредиты по-разному (вместо того, чтобы нужно было отслеживать несколько ограничений использования).
Но с отрицательной стороны: Кредиты запутаны, потому что каждая функция может стоить разное количество кредитов, в зависимости от того, насколько "дорого" ее запустить. Возьмем Manus, который начинает с 1000 кредитов. Но после выполнения задачи вы можете обнаружить, что потеряли половину своих кредитов! И теперь вы понятия не имеете, была ли это особенно интенсивная задача или сколько кредитов в среднем потребляет задача.
Если вы выполните еще одну задачу, закончатся ли кредиты? Получите ли вы счет за превышение? Откажется ли она продолжать? У вас нет ни малейшего представления!
Преимущества ценообразования AI-кредитов:
Хеджирование против различий в использовании.
Охват нескольких продуктов.
Получение оплаты заранее.
Недостатки ценообразования AI-кредитов:
Часто неясно, как расходуются кредиты для пользователей.
Пользователи могут чувствовать, что они тратят деньги впустую, если у них есть гора неиспользованных кредитов.
Необходимость поддерживать инфраструктуру выставления счетов и адаптировать новые продукты к системе кредитов.
AI как дополнение
Некоторые компании продают свои AI-функции как дополнение к своим обычным продуктам. Slack и Notion — лучшие примеры:
Вот как это работает: вы получаете AI-функции в приложении с более-менее неограниченным использованием за дополнительную ежемесячную/годовую плату. Хотя неограниченное использование создаст некоторый разброс в марже между клиентами, компании, которые делают это, обычно увидят использование схожего размера.
Slack AI никогда не придется писать роман или использовать механизм рассуждения для создания приложения с нуля. Конечно, ежедневная сводка в Salesforce требует больше вывода, чем в стартапе серии A, но разница не так велика, как с агентом AI общего назначения, таким как Manus.
Преимущества AI как дополнения:
Легко покупать (нет необходимости беспокоиться о тарифах).
Просто для пользователей, потому что нет ограничений.
Гарантированный доход для компаний.
Недостатки AI как дополнения:
Риск от более высокого использования функций.
Необходимо преодолеть препятствие, чтобы клиент нашел и купил дополнение.
Часто удваивает цену за пользователя в месяц.
Доступно только для компаний, которые уже имеют работающий продукт без AI.
Когда (и как) трансформировать ваше ценообразование с помощью AI-функций
AI не угрожает таким компаниям, как Slack и Notion. Он может повлиять на их бизнес, но это не экзистенциальная угроза.
Другим компаниям угрожает больше. Возьмем Intercom, чье руководство открыто говорит о необходимости не только добавлять AI в свой продукт, но и полностью переосмыслить весь свой бизнес с AI в основе.
Как Des Traynor сказал:
"Вообще говоря, когда происходит что-то подобное, это как момент вымирания. Это как метеорит, который попадает в вашу отрасль, и некоторые выживут, но не все."
Это особенно верно в сфере поддержки клиентов, которая является одной из работ, которым AI угрожает больше всего. Если бы Intercom продолжал брать плату с клиентов за места в сокращающихся командах, их бизнес бы рухнул.
Вместо этого они создали Fin, AI-агента поддержки клиентов, который берет $0.99 за решение. В отличие от Slack или Notion, Intercom теперь полностью позиционирует себя как компанию AI-поддержки.
Ценообразование "за решение" является новым и примером ценообразования на основе результатов. Это также редкий пример ценообразования на основе результатов, которое действительно имеет смысл:
Результат четко определен и легко измерим (отклоненные тикеты поддержки)
Существует конечное количество работы (входящие чаты поддержки), поэтому AI не может выйти из-под контроля.
Для агентов поддержки-людей Intercom теперь предлагает AI-powered inbox с опциональным AI-сопилотом в качестве дополнения.
Вот как выглядит полная трансформация продукта и бизнес-модели в эпоху AI. Intercom раньше полагался на рычаг роста, который был гарантирован: по мере роста компаний они нанимали больше агентов поддержки, что означало, что Intercom продавал больше мест. AI полностью сломал этот рычаг — и Intercom адаптировался, взимая плату за решение проблем поддержки.
Такие трансформации никогда не являются простым изменением цены. Это полные трансформации компании, которые затрагивают продукт, GTM и практически всех остальных.
Так что если вы находитесь в категории, которой угрожает AI, может потребоваться такая трансформация. Если вы это делаете, ваше ценообразование и монетизация должны эволюционировать вместе с ней.
Почему это сложнее на практике
Согласование правильной модели монетизации/ценообразования AI — сложная задача, но ее реализация еще сложнее. Если вы когда-либо были частью проекта по монетизации/ценообразованию, вы знаете, что эти вещи всегда занимают гораздо больше времени, чем изначально планировалось.
Это не потому, что отдельные части сложны. API событий (для фиксации использования), агрегация (для вычисления использования в плату) и генерация PDF-счетов — все это относительно просто. Эти части биллинга выглядят как вещь, которую инженер сделает за неделю и на этом все закончится.
Но затем вы сталкиваетесь с особыми случаями. Если вы отказываетесь от кредитной системы в пользу подписки, как пользователи, унаследовавшие кредитное ценообразование, будут платить за новые функции? Если вы принимаете клиента из Сербии, как вы останетесь в соответствии, если местные правила изменятся? Если, если, если, если, если, если.
Вот как компании в итоге создают целые команды инженеров, которые ничего не делают, кроме работы над системой биллинга (которая, кстати, стала или станет слишком сложной, чтобы ее когда-либо заменить). Это может показаться единичным случаем ужаса, но прямо сейчас это происходит в множестве компаний.
Теперь есть более простые варианты, которые более модульны и избавляют вас от этого бремени — так что вы можете быстрее выпустить свои новые цены и монетизацию (и без необходимости нанимать 12+ инженеров по биллингу).
Подводя итоги
Цены на SaaS почти всегда "в месяц, за пользователя" или какой-то вариант этого. Но когда облачные вычисления впервые стали популярными, были странные модели ценообразования, которые никто не помнит: Salesforce, например, брал плату за вход, что означало, что вам практически приходилось покупать входные билеты в свою учетную запись Salesforce. Закончились входы? Никто не может войти до следующего месяца. (забавно, что вы все еще можете приобрести это, вероятно, потому что кто-то, где-то все еще использует этот унаследованный план)
Сейчас это звучит глупо (и так оно и есть), но именно так компании экспериментировали с монетизацией новой парадигмы облачных вычислений. AI может быть в аналогичной фазе сейчас, когда мы будем смотреть на некоторые из сегодняшних моделей ценообразования AI как на глупые реликвии, на которые мы будем ссылаться в рассылках.
Если вы вынесете только несколько вещей из этой статьи, пусть это будет следующее:
AI дорог, затраты теперь масштабируются линейно с использованием. Действуйте соответственно.
Ориентируйте свою модель ценообразования на то, как вы сохраняете маржу, но также делайте ее легкой для покупки клиентами.
Ваша модель ценообразования вытекает из вашей категории и того, как клиенты ее используют (производственная база данных, которая перестает работать, потому что вы исчерпали свои кредиты, была бы плохим продуктом).
Подготовьте свою систему биллинга/платежей для итерации различных моделей монетизации AI