Πώς οποιαδήποτε εταιρεία SaaS μπορεί να δημιουργήσει έσοδα από τη γενετική τεχνητή νοημοσύνη

Αν δουλεύεις

στο SaaS, πιθανότατα έχετε ήδη συμμετάσχει σε μια συζήτηση στην εταιρεία σας σχετικά με το πώς οι πελάτες σας μπορούν να επωφεληθούν με αυξημένη αξία από τα προϊόντα σας που είναι εμποτισμένα με τεχνητή νοημοσύνη, μεγάλα μοντέλα γλώσσας (LLM) ή προσαρμοσμένα μοντέλα AI/ML.

Καθώς κατακερματίζετε την προσέγγισή σας και καταρτίζετε τον οδικό χάρτη του προϊόντος, ήθελα να επισημάνω μια σημαντική πτυχή – μια πτυχή που δεν μπορούσα παρά να κάνω μια αναλογία με την καλή Καλιφόρνια Gold Rush. Μην εμφανιστείτε στον πυρετό του χρυσού χωρίς φτυάρι!

Ομοίως, μην παραβλέπετε την πτυχή δημιουργίας εσόδων του SaaS + AI σας. Ενσωματώστε το στην αρχή και ενσωματώστε τα σωστά υδραυλικά στην αρχή — όχι ως εκ των υστέρων ή μετά την κυκλοφορία.

Πέρυσι, έγραψα για την αναπόφευκτη στροφή σε μετρημένη τιμολόγηση για το SaaS. Ο καταλύτης που θα προωθούσε τη μετατόπιση ήταν άγνωστος εκείνη τη στιγμή, αλλά η θεμελιώδης θέση ήταν ανέπαφη. Κανείς δεν μπορούσε να προβλέψει τότε ότι μια συγκεκριμένη μορφή τεχνητής νοημοσύνης θα χρησίμευε ως καταλύτης.

SaaS + AI — αυτό που σε έφερε εδώ δεν θα σε πάει εκεί!

Το πρώτο πράγμα που πρέπει να συνειδητοποιήσουμε είναι ότι αυτό που απαιτείται δεν είναι απλώς μια αλλαγή «τιμολόγησης». Είναι μια αλλαγή επιχειρηματικού

μοντέλο

υ. Παραδοσιακά, η τιμολόγηση SaaS ήταν μια σχετικά ελαφριά άσκηση με ένα απλό μοντέλο ανά θέση και ένα σημείο τιμής αρκετά υψηλό πάνω από το υποκείμενο κόστος για την επίτευξη των επιθυμητών περιθωρίων.

Μια αλλαγή τιμολόγησης θα ήταν μια αλλαγή σε

τι

χρεώνεις? για παράδειγμα, από 79 $ ανά χρήστη/μήνα σε 99 $ ανά χρήστη/μήνα. Μια αλλαγή μοντέλου δημιουργίας εσόδων είναι μια θεμελιώδης αλλαγή

πως

φορτίζετε, και με την τεχνητή νοημοσύνη ως φορέα κατανάλωσης, αναπόφευκτα απαιτεί την ανάγκη για ακριβή μέτρηση και μοντέλα τιμολόγησης με βάση τη χρήση.

Υπάρχει ήδη μια χούφτα εξαιρετικά παραδείγματα εταιρειών που αξιοποιούν την τιμολόγηση βάσει χρήσης για τη δημιουργία εσόδων από την τεχνητή νοημοσύνη, συμπεριλαμβανομένης της OpenAI και όλων των εταιρειών που παρέχουν βασικά μοντέλα και υπηρεσίες τεχνητής νοημοσύνης και όπως οι Twilio,

Snap

, Quizlet, Instacart και Shopify που ενσωματώνονται με αυτές υπηρεσίες για την προσφορά εργαλείων που απευθύνονται στον πελάτη.

Γιατί η τιμολόγηση με βάση τη χρήση είναι μια φυσική εφαρμογή για τη γενετική τεχνητή νοημοσύνη

Μια πρόκληση της δημιουργίας εσόδων από τη δημιουργία τεχνητής νοημοσύνης είναι ότι οι προτροπές και οι έξοδοι ποικίλλουν σε μήκος και το μέγεθος προτροπής/εξόδου και η κατανάλωση πόρων σχετίζονται άμεσα — με ένα μεγαλύτερο μήνυμα που απαιτεί περισσότερους πόρους για την επεξ

εργασία

και το αντίστροφο.

Επιπρόσθετα στην πολυπλοκότητα, ένας πελάτης μπορεί να χρησιμοποιεί το εργαλείο με φειδώ, ενώ ένας άλλος θα μπορούσε να δημιουργεί νέο κείμενο πολλές φορές την ημέρα για βδομάδες ατελείωτες, με αποτέλεσμα πολύ μεγαλύτερο κόστος. Οποιοδήποτε βιώσιμο μοντέλο τιμολόγησης πρέπει να λαμβάνει υπόψη αυτή τη μεταβλητότητα και να κλιμακώνεται ανάλογα.

Επιπλέον

, οι υπηρεσίες όπως το ChatGPT τιμολογούνται από μόνες τους σύμφωνα με ένα μοντέλο που βασίζεται στη χρήση. Αυτό σημαίνει ότι όλα τα εργαλεία που αξιοποιούν το ChatGPT ή άλλα μοντέλα θα χρεώνονται με βάση τη χρήση. Δεδομένου ότι το back-end κόστος της παροχής υπηρεσιών είναι εγγενώς μεταβλητό, η χρέωση που απευθύνεται στον πελάτη θα πρέπει επίσης να βασίζεται στη χρήση.

Για να προσφέρουν την πιο δίκαιη και διαφανή τιμολόγηση και να επιτρέψουν την υιοθέτηση χωρίς τριβές και την ανάπτυξη των χρηστών, οι εταιρείες θα πρέπει να αναζητήσουν τιμολόγηση με βάση τη χρήση. Έχοντας τόσο ελαστική χρήση στο μπροστινό μέρος όσο και με κόστος back-end, τα παραγωγικά προϊόντα τεχνητής νοημοσύνης ταιριάζουν ιδανικά με την τιμολόγηση με βάση τη χρήση. Δείτε πώς να ξεκινήσετε.

Μετρητής μπροστινής χρήσης και κατανάλωσης πόρων στο πίσω μέρος

Οι εταιρείες αξιοποιούν προκατασκευασμένα ή εκπαιδευμένα μοντέλα από μια πληθώρα εταιρειών και μπορούν να τα εκπαιδεύσουν περαιτέρω με το προσαρμοσμένο σύνολο δεδομένων τους και στη συνέχεια να τα ενσωματώσουν στη στοίβα

τεχνολογία

ς τους ως χαρακτηριστικά. Για να αποκτήσετε πλήρη ορατότητα στο κόστος χρήσης και στα περιθώρια, κάθε κλήση χρήσης (είτε είναι API είτε απευθείας) στην υποδομή τεχνητής νοημοσύνης θα πρέπει να μετράται για να κατανοήσετε τη χρήση (υπόκειτο αποτύπωμα κόστους).