Wenn du arbeitest Im SaaS-Bereich haben Sie in Ihrem Unternehmen wahrscheinlich bereits an einem Gespräch darüber teilgenommen, wie Ihre Kunden mit einem Mehrwert aus Ihren Produkten profitieren können, die mit generativer KI, großen Sprachmodellen (LLMs) oder benutzerdefinierten KI-/ML-Modellen ausgestattet sind.
Während Sie Ihren Ansatz ausarbeiten und die Produkt-Roadmap entwerfen, wollte ich einen wichtigen Aspekt hervorheben – einen, den ich zwangsläufig mit dem guten alten kalifornischen Goldrausch vergleiche. Kommen Sie nicht ohne Schaufel zum Goldrausch!
Vergessen Sie auch nicht den Monetarisierungsaspekt Ihres SaaS + AI. Berücksichtigen Sie dies von Anfang an und integrieren Sie gleich zu Beginn die richtigen Sanitäranlagen – nicht erst im Nachhinein oder nach der Markteinführung.
Vor zwei Jahren habe ich über die unvermeidliche Umstellung auf gebührenpflichtige Preise für SaaS geschrieben. Der Katalysator, der den Wandel vorantreiben würde, war zu diesem Zeitpunkt unbekannt, aber die Grundthese war intakt. Niemand hätte im Jahr 2021 vorhersagen können, dass eine bestimmte Form der KI als Katalysator dienen würde.
SaaS + KI – was Sie hierher gebracht hat, bringt Sie nicht dorthin!
Als Erstes muss man sich darüber im Klaren sein, dass nicht nur eine Änderung der „Preise“ erforderlich ist. Es handelt sich um eine Änderung des Geschäftsmodells. Traditionell war die SaaS-Preisgestaltung eine relativ einfache Angelegenheit mit einem einfachen Pro-Sitz-Modell und einem Preispunkt, der ausreichend hoch über den zugrunde liegenden Kosten lag, um die gewünschten Margen zu erzielen.
Kommen Sie nicht ohne Schaufel zum Goldrausch!
Eine Preisänderung wäre eine Änderung Was du bezahlst; zum Beispiel von 79 $ pro Benutzer/Monat auf 99 $ pro Benutzer/Monat. Eine Änderung des Monetarisierungsmodells ist ein grundlegender Wandel Wie Sie berechnen, und da KI als Verbrauchsvektor dient, sind zwangsläufig genaue Messungen und nutzungsbasierte Preismodelle erforderlich.
Es gibt bereits eine Handvoll großartiger Beispiele für Unternehmen, die nutzungsbasierte Preise nutzen, um KI zu monetarisieren, darunter OpenAI und alle Unternehmen, die grundlegende KI-Modelle und -Dienste anbieten, sowie Unternehmen wie Twilio, Snap, Quizlet, Instacart und Shopify, die diese integrieren Dienstleistungen, um kundenorientierte Werkzeuge anzubieten.
Warum nutzungsbasierte Preisgestaltung eine natürliche Ergänzung für generative KI ist
Eine Herausforderung bei der Monetarisierung generativer KI besteht darin, dass die Eingabeaufforderungen und Ausgaben unterschiedlich lang sind und die Eingabeaufforderungs-/Ausgabegröße und der Ressourcenverbrauch in direktem Zusammenhang stehen – wobei eine größere Eingabeaufforderung mehr Ressourcen für die Verarbeitung erfordert und umgekehrt.
Die Komplexität wird dadurch erhöht, dass ein Kunde das Tool möglicherweise sparsam nutzt, während ein anderer wochenlang mehrmals täglich neuen Text generiert, was zu einem viel größeren Kostenaufwand führt. Jedes tragfähige Preismodell muss diese Variabilität berücksichtigen und entsprechend skalieren.
Darüber hinaus werden Dienste wie ChatGPT selbst nach einem nutzungsbasierten Modell abgerechnet. Das bedeutet, dass alle Tools, die ChatGPT oder andere Modelle nutzen, nutzungsabhängig abgerechnet werden; Da die Back-End-Kosten für die Bereitstellung von Diensten von Natur aus variabel sind, sollte die kundenorientierte Abrechnung ebenfalls nutzungsbasiert sein.
Um eine möglichst faire und transparente Preisgestaltung zu bieten und eine reibungslose Akzeptanz und Benutzerwachstum zu ermöglichen, sollten Unternehmen auf eine nutzungsbasierte Preisgestaltung achten. Da sowohl die Front-End-Nutzung als auch die Back-End-Kosten flexibel sind, eignen sich generative KI-Produkte ideal für eine nutzungsbasierte Preisgestaltung. Hier erfahren Sie, wie Sie beginnen.
Messen Sie die Front-End-Nutzung und den Back-End-Ressourcenverbrauch
Unternehmen nutzen vorgefertigte oder trainierte Modelle einer Vielzahl von Unternehmen und können diese mit ihrem benutzerdefinierten Datensatz weiter trainieren und sie dann als Features in ihren Technologie-Stack integrieren. Um einen vollständigen Einblick in die Nutzungskosten und -margen zu erhalten, sollte jeder Nutzungsaufruf (sei es API oder direkt) an die KI-Infrastruktur gemessen werden, um die Nutzung (den zugrunde liegenden Kostenfußabdruck) zu verstehen.