استارتاپ‌های عامل هوش مصنوعی عمودی مدل قیمت‌گذاری SaaS بر اساس هر کاربر را از بین می‌برند

اشتراک‌گذاری:
استارتاپ‌های عامل هوش مصنوعی عمودی مدل قیمت‌گذاری SaaS بر اساس هر کاربر را از بین می‌برند

برای بیست سال، قیمت‌گذاری نرم‌افزار از منطقی ساده پیروی می‌کرد: انسان‌هایی که از محصول استفاده می‌کنند را شمارش کنید، بر اساس هر کاربر هزینه دریافت کنید و اجازه دهید استفاده با تعداد نیروی انسانی رشد کند. این منطق دقیقاً زمانی می‌شکند که آنچه از نرم‌افزار استفاده می‌کند، انسانی پشت میز نباشد بلکه یک عامل هوش مصنوعی باشد که روزانه هزاران گفتگوی مشتری را مدیریت می‌کند. شرکت‌های عامل هوش مصنوعی عمودی — Sierra، Decagon و لایه عامل درون Agentforce سیلزفورس — بی‌صدا ثابت می‌کنند که قیمت‌گذاری بر اساس هر کاربر پاسخی برای محصولی که کاربر ندارد، نخواهد داشت.

قیمت‌گذاری مبتنی بر نتیجه واقعاً چگونه است. Sierra، استارتاپ عامل خدمات مشتری که توسط برت تیلور، مدیرعامل مشترک سابق سیلزفورس، تأسیس شده، عمدتاً بر اساس هر تعامل حل‌شده هزینه دریافت می‌کند. تخمین‌های صنعتی این رقم را حدود ۱.۵۰ دلار به ازای هر حل مسئله قرار می‌دهند و مواد خود Sierra گزارش می‌شود که می‌گوید اگر گفتگویی حل‌نشده باقی بماند، در بیشتر موارد هیچ هزینه‌ای دریافت نمی‌شود. عامل Fin شرکت Intercom عدد واضح‌تری منتشر می‌کند: ۰.۹۹ دلار به ازای هر حل موفق. Decagon رویکرد متفاوتی دارد — چند منبع رایج‌ترین قرارداد آن را صورت‌حساب بر اساس هر گفتگوی مدیریت‌شده توصیف می‌کنند، بدون توجه به اینکه عامل واقعاً مسئله مشتری را حل کرده باشد یا نه.

مدل ترکیبی سیلزفورس تنش را مستقیماً نشان می‌دهد. Agentforce قیمت‌گذاری بر اساس هر کاربر را کنار نگذاشت — بلکه یک مدل مصرفی را به آن پیوست کرد. نرخ‌های منتشرشده شامل ۰.۱۰ دلار به ازای هر عمل یا ۲ دلار به ازای هر گفتگو است، در حالی که افزونه‌های Agentforce همچنان ۱۲۵ دلار به ازای هر کاربر در ماه هزینه دارند.

چرا مدل قدیمی نمی‌تواند از این وضعیت جان سالم به در ببرد. قیمت‌گذاری بر اساس هر کاربر هرگز واقعاً در مورد کاربران نبود — بلکه نماینده‌ای برای میزان استفاده بود، زیرا استفاده با تعداد نیروی انسانی در دنیایی که نرم‌افزار به انسان‌ها کمک می‌کرد نه جایگزین آن‌ها، رشد می‌کرد. یک عامل هوش مصنوعی این نماینده را به طور کامل می‌شکند.

مشکل بودجه‌بندی که این وضعیت برای خریداران ایجاد می‌کند. قیمت‌گذاری مصرفی و مبتنی بر نتیجه مشکل عدم تطابق کاربر را حل می‌کند اما مشکل پیش‌بینی ایجاد می‌کند. تیم‌های مالی که فروشندگان عامل هوش مصنوعی را ارزیابی می‌کنند، به مدل‌های حجم استفاده نیاز دارند، نه مدل‌های تعداد نیرو، پیش از امضای قرارداد.

این برای شرکت‌های SaaS موجود چه معنایی دارد. شرکت‌هایی که ضریب ارزش‌گذاری خود را بر اساس رشد قابل پیش‌بینی درآمد سالانه مبتنی بر کاربر ساخته‌اند، اکنون با یک انتخاب استراتژیک واقعی مواجه هستند.

نتیجه‌گیری برای خریدارانی که فروشندگان عامل هوش مصنوعی را ارزیابی می‌کنند: هزینه کل را بر اساس حجم واقعی گفتگو یا وظیفه خود، نه تعداد نیروی فعلی خود، مدل‌سازی کنید. زبان قراردادی صریحی درباره آنچه «حل‌نشده» یا «غیرقابل صورت‌حساب» محسوب می‌شود، دریافت کنید، زیرا این تعریف جایی است که حاشیه سود فروشنده پنهان می‌شود.

اشتراک‌گذاری:
چرا استارتاپ‌های عامل هوش مصنوعی قیمت‌گذاری SaaS را تغییر می‌دهند | AIO APEX