Проблема ценообразования в AI для enterprise: токены, задачи и ROI

Есть ли хороший способ платить за AI в IT? Не совсем, но есть несколько чуть менее ужасных вариантов.

Лидеры enterprise-IT давно сталкиваются с проблемой ценообразования AI, особенно когда нужно платить за AI так, чтобы это приносило ROI. Но типичный IT-руководитель, возможно, не тот человек, который должен решать, как компания будет использовать AI, и как именно она будет добиваться ROI, потому что многие сотрудники бизнес-подразделений и партнеры уже экспериментируют с этой технологией самостоятельно.

А если у IT-руководителей нет четкого понимания того, как они хотят использовать AI в ближайшие год-два, невозможно понять и то, как за него платить. Им, вероятно, не нравится нынешняя модель оплаты per token. И другие варианты, например предложение SAP брать плату за каждую выполненную AI-задачу, не лучше.

Если проводить аналогию с продажами, IT не хочет платить большие деньги за лиды, потому что невозможно заранее знать, принесут ли эти лиды выручку — и если да, то какую именно. IT-руководителям нужен технологический эквивалент комиссии, когда платят только после того, как лид превращается в платящего клиента. И даже тогда — только процент от конечной сделки. Это гарантировало бы ROI для предприятия.

Проблема в том, что ни один поставщик AI на это не согласится: такая схема слишком сильно перекладывает риск на него.

Найти модель ценообразования, которая устроила бы и enterprise-IT, и AI-вендоров, почти невозможно, пока IT пытается обеспечить ROI.

Irfan Khan, президент SAP Data & Analytics, сказал, что проблема сложна для обеих сторон. «Все пытаются обосновать свои инвестиции», а «стоимость в первый день не обязательно равна ценности в первый день», сказал он.

Проблема еще и в последовательности действий. Цена должна быть согласована и зафиксирована задолго до старта проекта. Но когда речь идет о такой новой и экспериментальной технологии, как agentic AI, почти нет надежных данных о том, какую пользу она действительно принесет — или не принесет.

Кроме того, generative AI (genAI) и agentic AI-системы вполне могут давать эффекты, которые труднее записать в spreadsheet. Допустим, CFO хочет увидеть резкий рост fulfillment заказов. Но что, если AI «сможет выполнять эти заказы эффективнее», сказал Khan. «И каковы будут возможные побочные эффекты от внедрения большей эффективности в процесс?»

Justin Greis, CEO консалтинговой фирмы Acceligence, описывает этот разрыв в ценообразовании через экономику рынка:

«Рынок пытается подогнать AI под модели ценообразования эпохи инфраструктуры, хотя AI по своей сути ближе к augmentation труда и трансформации бизнес-процессов, чем к потреблению compute», — сказал Greis. «Ключевой разрыв в том, что enterprise-покупатели хотят цену, привязанную к реализованной бизнес-ценности. AI-вендоры хотят цену, привязанную к потреблению ресурсов и использованию платформы. Это очень разные экономические модели.

«Ценообразование по токенам привлекательно для вендоров, потому что его можно измерить, масштабировать и предсказать. Но с точки зрения enterprise токены почти ничего не значат как бизнес-метрика. Никого на стороне CFO не волнует, сколько токенов было потреблено, если улучшение процесса так и не произошло».

Конкурирующие стратегии ценообразования в основном опираются всего на два фактора: что приносит максимальную прибыль и что проще всего реализовать. По человеческой природе чаще всего выбирают именно второе.

Это похоже на одну из моих любимых шуток. Мужчина идет к машине и видит человека с фонариком, который сосредоточенно что-то ищет прямо у столба уличного фонаря.

«Могу я помочь? Вы что-то ищете?» — спрашивает он.

«Да, я потерял ключи от машины».

«Глупый вопрос, но где вы в последний раз помните, что они были у вас?»

«Я стоял в том темном переулке дальше по улице. Кошка взвизгнула, и я уронил ключи».

«Подождите — если вы потеряли ключи там, почему ищете здесь?»

«Здесь свет лучше».

Урок: идти по более легкому пути обычно выгоднее, чем понимать реальную цель.

Greis утверждал, что не только будет трудно убедить AI-вендоров принять ROI-based pricing, но даже если они каким-то образом согласятся, непреднамеренные последствия могут оказаться катастрофическими.

«AI-вендоры не могут реалистично брать на себя неограниченный downstream business risk, связанный с переменными, которые им не подконтрольны — слабым внутренним внедрением, сломанными процессами, плохими данными, организационной политикой, слабым change management или неясными KPI. Но в тот момент, когда вендорам платят в первую очередь за outcomes, вы создаете сильные стимулы для все более автономного оптимизационного поведения. Звучит отлично, пока организации не понимают, что AI-системы могут преследовать метрику, а не намерение, стоящее за метрикой», — сказал Greis.

«Мы уже видели версии этого в recommendation engines, ad targeting systems и engagement algorithms. Система учится максимизировать измеримый результат, даже если методы становятся операционно рискованными, этически сомнительными, репутационно вредными или стратегически несогласованными. В enterprise-среде это может очень быстро стать опасным. AI-система, стимулируемая к снижению service costs, может агрессивно отфильтровывать легитимные обращения клиентов. Модель, вознаграждаемая за sales conversion, может продвигать манипулятивные сообщения или оптимизировать краткосрочные победы в ущерб доверию клиентов. Engine для procurement optimization может снизить затраты, тихо увеличив риск концентрации поставщиков или ухудшив операционную устойчивость.

«Чем автономнее становятся эти системы, тем сложнее отделить “успешный результат” от “приемлемого поведения”».

Лучший способ решить эту проблему, возможно, и есть самый трудный. Каждый AI-проект должен утверждаться AI-комитетом, члены которого обязаны задавать неудобные вопросы. Чего вы хотите добиться? Если все сработает, опишите и количественно оцените лучший сценарий выгод. Каковы наиболее вероятные способы, которыми проект может провалиться? Какие затраты и сбои с наибольшей вероятностью возникнут, если он провалится именно так? Все это нужно количественно оценить.

В комитете должно быть как минимум несколько человек, которые точно знают, что эти модели могут и чего не могут делать, чтобы служить проверкой на реалистичность.

Дальше нужно обязать руководителя LOB или самого старшего руководителя, вовлеченного в проект, разделить риски. Привяжите выигрыши или потери к executive bonuses. Дайте этим руководителям стимул убедиться, что их люди честно и творчески продумывают проект до самого конца.

Только после этого CIO сможет понять, как договориться о справедливой и разумной сделке по AI-ценообразованию.

Материал — перевод статьи с английского.

Оригинал: The AI pricing conundrum — it started as a nightmare, now it’s worse.