Si vous travaillez dans le SaaS, vous avez probablement déjà participé à une conversation au sein de votre entreprise sur la manière dont vos clients peuvent bénéficier d’une valeur accrue de vos produits imprégnés d’IA générative, de grands modèles de langage (LLM) ou de modèles d’IA/ML personnalisés.
Alors que vous élaborez votre approche et élaborez la feuille de route du produit, je voulais souligner un aspect important – un aspect que je ne pouvais m’empêcher de faire une analogie avec la bonne vieille ruée vers l’or en Californie. Ne vous présentez pas à la ruée vers l’or sans une pelle !
De même, ne négligez pas l’aspect monétisation de votre SaaS + IA. Tenez-en compte dès le départ et intégrez la bonne plomberie dès le départ, et non après coup ou après le lancement.
L’année dernière, j’ai écrit sur le passage inévitable à une tarification au compteur pour le SaaS. Le catalyseur qui allait propulser ce changement était inconnu à l’époque, mais la thèse fondamentale était intacte. Personne n’aurait pu prédire à l’époque qu’une forme particulière d’IA servirait de catalyseur.
SaaS + IA : ce qui vous a amené ici ne vous y mènera pas !
La première chose à comprendre est que ce qui est nécessaire n’est pas simplement un changement de « prix ». C’est un changement de modèle économique. Traditionnellement, la tarification SaaS est un exercice relativement léger, avec un modèle simple par siège et un prix fixé suffisamment au-dessus des coûts sous-jacents pour atteindre les marges souhaitées.
Ne vous présentez pas à la ruée vers l’or sans une pelle !
Un changement de prix serait un changement de quoi vous facturez ; par exemple, passer de 79 $ par utilisateur/mois à 99 $ par utilisateur/mois. Un changement de modèle de monétisation est un changement fondamental dans comment vous facturez, et avec l’IA comme vecteur de consommation, cela nécessite inévitablement un comptage précis et des modèles de tarification basés sur l’utilisation.
Il existe déjà une poignée d’excellents exemples d’entreprises tirant parti de la tarification basée sur l’utilisation pour monétiser l’IA, notamment OpenAI et toutes les entreprises qui fournissent des modèles et des services d’IA fondamentaux, ainsi que Twilio, Snap, Quizlet, Instacart et Shopify qui s’intègrent à ces derniers. services pour offrir des outils orientés client.
Pourquoi la tarification basée sur l’utilisation est un choix naturel pour l’IA générative
L’un des défis de la monétisation de l’IA générative est que la longueur des invites et des résultats varie, et que la taille de l’invite/sortie et la consommation de ressources sont directement liées – une invite plus grande nécessitant plus de ressources à traiter et vice versa.
Pour ajouter à la complexité, un client peut utiliser l’outil avec parcimonie tandis qu’un autre peut générer un nouveau texte plusieurs fois par jour pendant des semaines, ce qui entraîne une empreinte budgétaire beaucoup plus importante. Tout modèle de tarification viable doit tenir compte de cette variabilité et évoluer en conséquence.
De plus, les services comme ChatGPT sont eux-mêmes tarifés selon un modèle basé sur l’utilisation. Cela signifie que tous les outils exploitant ChatGPT ou d’autres modèles seront facturés en fonction de leur utilisation ; Étant donné que les coûts back-end liés à la fourniture du service sont intrinsèquement variables, la facturation adressée au client doit également être basée sur l’utilisation.
Pour proposer la tarification la plus juste et la plus transparente, et permettre une adoption et une croissance fluides du nombre d’utilisateurs, les entreprises devraient se tourner vers une tarification basée sur l’utilisation. L’élasticité à la fois de l’utilisation initiale et des coûts back-end positionne les produits d’IA générative comme étant la solution idéale à une tarification basée sur l’utilisation. Voici comment commencer.
Compter l’utilisation frontale et la consommation des ressources back-end
Les entreprises exploitent des modèles prédéfinis ou formés provenant d’une multitude d’entreprises et peuvent les former davantage avec leur ensemble de données personnalisé, puis les intégrer dans leur pile technologique en tant que fonctionnalités. Pour obtenir une visibilité complète sur les coûts d’utilisation et les marges, chaque appel d’utilisation (qu’il soit API ou direct) vers l’infrastructure d’IA doit être mesuré pour comprendre l’utilisation (empreinte de coût sous-jacente).