กรอบการกำหนดราคาผลิตภัณฑ์ AI
เมื่อมีการนำ AI มาใช้งานเพิ่มขึ้นอย่างรวดเร็ว บริษัทในแทบจะทุกอุตสาหกรรมต่างเร่งสร้างผลิตภัณฑ์ที่ใช้โมเดล Generative AI ล่าสุด ในแบบสำรวจล่าสุดของ Stripe พบว่า 63% ของผู้ตอบแบบสอบถามในอุตสาหกรรมเทคโนโลยีกล่าวว่าขณะนี้ตนได้นำเสนอผลิตภัณฑ์หรือแอปพลิเคชัน AI อยู่แล้ว แต่สิ่งที่น่าประหลาดใจยิ่งกว่านั้นคือ 31% ของผู้ตอบแบบสอบถามในอุตสาหกรรมที่ไม่ได้เกี่ยวข้องกับเทคโนโลยีก็กล่าวเช่นเดียวกัน และอีก 45% ก็วางแผนที่จะนำเสนอผลิตภัณฑ์ AI ในอนาคตอันใกล้นี้
แต่การสร้างรายได้จากผลิตภัณฑ์เหล่านี้ก็ยังเป็นความท้าทายอยู่ ถึงแม้ว่าเราจะเห็นการเติบโตของรายได้ในระดับที่ไม่เคยมีมาก่อนในกลุ่มบริษัท AI ชั้นนำที่ใช้บริการของ Stripe (ซึ่งเราให้บริการแก่บริษัทถึง 78% ของบริษัทในรายชื่อ Forbes AI 50) แต่ตัวเลขดังกล่าวก็ไม่ได้แสดงให้เห็นความยากลำบากที่ซ่อนอยู่ เพราะต้นทุนจะเพิ่มสูงขึ้นอย่างรวดเร็วตามปริมาณการใช้งานโมเดล AI ที่มากขึ้น ในขณะเดียวกัน การวัดมูลค่าที่แท้จริงซึ่งส่งมอบให้แก่ลูกค้านั้นก็ทำได้ยาก นอกจากแรงกดดันเฉพาะตัวเหล่านี้แล้ว บริษัทยังต้องเผชิญกับความท้าทายพื้นฐานที่คุ้นเคยกันดี ไม่ว่าจะเป็นการสร้างกระแสรายรับที่คาดการณ์ได้ การขยายฐานลูกค้า และการรักษาอัตรากำไร
จุดร่วมของกลยุทธ์การสร้างรายได้ที่ประสบความสำเร็จมีอะไรบ้าง ถึงแม้ว่าโครงสร้างค่าบริการสำหรับ AI จะมีความแตกต่างกันอย่างมาก แต่ผู้นำในแวดวง AI มักจะมีคำตอบที่ชัดเจนสำหรับคำถามต่อไปนี้
- ผลิตภัณฑ์ของฉันให้คุณค่าแบบใดกับลูกค้า และฉันจะเรียกเก็บค่าบริการให้ครอบคลุมค่าใช้จ่ายที่เพิ่มขึ้นได้หรือไม่
- ฉันจะเปลี่ยนเมตริกการเรียกเก็บเงินนี้ให้กลายเป็นโมเดลค่าบริการที่ส่งเสริมการนำไปใช้และการเติบโตของลูกค้าพร้อมๆ กับสร้างรายรับที่แน่นอนได้อย่างไร
- โมเดลค่าบริการนี้มีความเสี่ยงเพิ่มเติมอย่างไรบ้าง และฉันจะจัดการความเสี่ยงเหล่านี้ได้อย่างไร
เราจะมาดูรายละเอียดของกรอบการตัดสินใจนี้ รวมถึงข้อแลกเปลี่ยนต่างๆ ที่บริษัทต้องเผชิญ พร้อมทั้งยกตัวอย่างบริษัทด้าน AI ที่ใช้บริการ Stripe ซึ่งประสบความสำเร็จในการสร้างโมเดลค่าบริการ
การปรับเมตริกด้านมูลค่าและค่าบริการให้สอดคล้องกัน
เมตริกสำหรับการคิดค่าบริการ คือหน่วยย่อยที่ใช้ในการวัดและคำนวณต้นทุนสุดท้ายของผลิตภัณฑ์ แนวคิดนี้ไม่ใช่เรื่องใหม่หรือมีเฉพาะในวงการ AI เท่านั้น เพราะในอดีตแพ็กเกจโทรศัพท์มือถือก็มีการคิดค่าบริการตามจำนวนนาทีที่ใช้โทร (และจำนวนข้อความที่ส่ง) ส่วนผู้ให้บริการพื้นที่จัดเก็บข้อมูลระบบคลาวด์ในปัจจุบันก็ยังคงคิดค่าบริการตามปริมาณข้อมูลเป็นกิกะไบต์เช่นกัน
แต่การกำหนดเมตริกค่าบริการสำหรับ AI ที่เหมาะสมถือเป็นความท้าทายที่มีลักษณะเฉพาะตัว เนื่องจากจะต้องสอดคล้องกับทั้งวิธีการที่ลูกค้าได้รับคุณค่าและโครงสร้างต้นทุนของผลิตภัณฑ์ ซึ่งทั้งสองส่วนนี้ล้วนเป็นสิ่งที่กำหนดและคาดการณ์ได้ยาก
เมตริกด้านมูลค่า
การกำหนด "เมตริกด้านมูลค่า" ถือเป็นกุญแจสำคัญในขั้นตอนแรกสู่การกำหนดเมตริกค่าบริการที่ประสบความสำเร็จ บริษัทจำเป็นต้องศึกษาผู้ใช้งานเพื่อทำความเข้าใจว่าผลลัพธ์ใดมีความสำคัญสูงสุดต่อลูกค้า และผลิตภัณฑ์ของตนมีส่วนช่วยให้เกิดผลลัพธ์เหล่านั้นได้อย่างไร
สิ่งสำคัญคือต้องแยกความแตกต่างระหว่าง "คุณค่า" กับ "การใช้งาน" ออกจากกัน ยกตัวอย่างเช่น Fin ซึ่งเป็นเอเจนต์สนับสนุนลูกค้าของ Intercom จะคอยพูดคุยโต้ตอบกับผู้ใช้ปลายทางเมื่อมีข้อสงสัยหรือข้อร้องเรียน แต่ Fin จะส่งมอบคุณค่าที่แท้จริงได้ก็ต่อเมื่อสามารถแก้ไขปัญหาของผู้ใช้รายนั้นและปิดเคสการสนับสนุนที่เกิดขึ้นได้สำเร็จเท่านั้น
ค่าใช้จ่ายในการส่งมอบ
เมื่อบริษัทเข้าใจแล้วว่าผลลัพธ์ใดมีความสำคัญ ก็จะสามารถเริ่มคำนวณต้นทุนโดยทั่วไปในการสร้างผลลัพธ์เหล่านั้นได้ โมเดลเจเนอเรทีฟ AI นั้นมีต้นทุนสูง และการคาดการณ์ว่างานแต่ละอย่างจะต้องใช้ทรัพยากรในการประมวลผลมากน้อยเพียงใดนั้นก็ไม่ใช่เรื่องง่ายเสมอไป
สถานการณ์จะยิ่งยากเป็นพิเศษหากผลลัพธ์ที่ต้องการนั้นมีความซับซ้อน หากยกตัวอย่างเดิมที่กล่าวไปข้างต้น เมื่อ Fin ดำเนินการแก้ไขปัญหาตามคำร้อง กระบวนการอาจต้องใช้การสนทนายาวๆ เพียงครั้งเดียว หรือการสนทนาสั้นๆ สามครั้ง ซึ่งส่งผลให้จำนวนครั้งในการเรียกใช้งานโมเดล AI เบื้องหลังนั้นแตกต่างกันมาก
เมตริกคิดค่าบริการสำหรับผลิตภัณฑ์ AI มักแบ่งออกเป็น 3 ประเภทหลัก ซึ่งแต่ละประเภทจะสร้างสมดุลที่แตกต่างกันระหว่างความสอดคล้องกับมูลค่าที่ได้รับกับความสอดคล้องกับต้นทุนที่เกิดขึ้น
- การคิดค่าบริการตามปริมาณการใช้งาน (เช่น ต่อการเรียกใช้ API หรือต่อโทเค็น LLM): รูปแบบการคิดค่าบริการลักษณะนี้มีความเชื่อมโยงอย่างใกล้ชิดกับต้นทุนโครงสร้างพื้นฐานเบื้องหลัง ซึ่งหมายความว่าบริษัทผู้จำหน่ายผลิตภัณฑ์สามารถคาดการณ์ต้นทุนที่เกิดขึ้นต่อการใช้งานแต่ละครั้งได้ แต่ในขณะเดียวกันก็อาจเป็นเรื่องยากที่จะเชื่อมโยงต้นทุนดังกล่าวเข้ากับมูลค่าทางธุรกิจที่จับต้องได้สำหรับลูกค้า รูปแบบการวัดผลเช่นนี้เป็นที่นิยมใช้กันมากในกลุ่มบริษัทผู้พัฒนาโมเดล AI และถือเป็นทางเลือกที่เหมาะสมที่สุดเมื่อลูกค้าต้องการควบคุมรายละเอียดการใช้งานของตนเองได้อย่างแม่นยำและละเอียดในทุกขั้นตอน
- แบบอิงตามกระบวนการทำงาน (คิดตามงานที่เสร็จสมบูรณ์): ตัวชี้วัดนี้ทำให้ต้นทุนมีความผันแปรมากขึ้น แต่ก็สามารถเชื่อมโยงกับมูลค่าที่ได้รับได้ง่ายกว่าในระดับหนึ่ง โดยบริษัทจะคิดค่าบริการแบบคงที่สำหรับการทำงานให้เสร็จ ซึ่งงานเหล่านี้อาจประกอบด้วยขั้นตอนหลายอย่างที่ใช้ทรัพยากรแตกต่างกันไปบ้าง เช่น การนัดหมายการประชุมหรือการวิเคราะห์ข้อมูลในสเปรดชีต งานลักษณะนี้มีมูลค่าที่ชัดเจนในแง่ของการช่วยประหยัดเวลา และลูกค้าก็เข้าใจได้ง่ายว่าสิ่งที่ตนกำลังซื้อคืออะไร
- แบบอิงผลลัพธ์ (คิดตามผลลัพธ์ที่สำเร็จ): เมตริกนี้มักมีความผันผวนด้านต้นทุนสูงที่สุด แต่ก็สามารถเชื่อมโยงกับผลลัพธ์ทางธุรกิจที่แท้จริงได้ใกล้เคียงที่สุดเช่นกัน ในท้ายที่สุด Intercom ได้เลือกใช้รูปแบบการคิดค่าบริการที่อิงตามผลลัพธ์ โดยบริษัทจะคิดค่าบริการสำหรับแต่ละเคสที่ Fin สามารถแก้ไขปัญหาได้สำเร็จ ผู้บริหารเล็งเห็นว่าการสร้างความสอดคล้องที่ลงตัวระหว่างเมตริกด้านมูลค่าของ Fin กับเมตริกการคิดค่าบริการนั้นคุ้มค่ากับความเสี่ยงด้านต้นทุนในการให้บริการที่อาจเกิดขึ้น
ความสมดุลระหว่างรายรับที่คาดการณ์ได้กับการเติบโตของลูกค้า
เมื่อบริษัทตัดสินใจเลือกเมตริกคิดค่าบริการได้แล้ว ขั้นตอนต่อไปคือการกำหนดรูปแบบการเรียกเก็บเงินจากลูกค้าที่เหมาะสมที่สุด ถึงแม้บริษัทอาจเลือกคิดค่าบริการตามการใช้งานจริงที่เกิดขึ้น แต่ก็ยังมีทางเลือกอื่นนอกเหนือจากวิธีนี้ด้วยเช่นกัน
จากการสำรวจล่าสุดของเรา พบว่า 56% ของบริษัทด้าน AI ชั้นนำใช้โมเดลค่าบริการแบบ "ผสมผสาน" ซึ่งเป็นการใช้รูปแบบต่างๆ ร่วมกัน ระหว่างการคิดค่าบริการแบบสมัครใช้บริการ และการคิดค่าบริการตามปริมาณการใช้งานจริง รูปแบบนี้เป็นแนวทางที่ได้รับความนิยมสูงสุด ในขณะที่การคิดค่าบริการตามปริมาณการใช้งานเพียงอย่างเดียวตามมาเป็นอันดับสองที่ 38% สาเหตุที่เป็นเช่นนี้ก็เพราะรูปแบบผสมผสานช่วยให้บริษัทมีทางเลือกและกลไกในการปรับเปลี่ยนที่หลากหลายมากขึ้น เพื่อสร้างสมดุลระหว่างปัจจัยสำคัญสองประการที่มีความสำคัญต่อการเติบโตของบริษัทในระยะยาวดังต่อไปนี้
ความสามารถในการคาดการณ์รายรับ
ค่าธรรมเนียมแบบสมัครใช้บริการที่เกิดขึ้นอย่างต่อเนื่องช่วยให้บริษัทสามารถคาดการณ์รายรับได้อย่างแม่นยำยิ่งขึ้น ซึ่งเอื้อต่อการตัดสินใจลงทุนระยะยาวทั้งในด้านการจ้างงานและการวิจัย ลูกค้าบางกลุ่ม โดยเฉพาะองค์กรขนาดใหญ่ ต่างก็ให้ความสำคัญกับค่าใช้จ่ายรายเดือนที่คาดการณ์ได้ด้วยเหตุผลเดียวกันนี้ แต่สำหรับลูกค้ากลุ่มอื่น ค่าธรรมเนียมในรูปแบบดังกล่าวก็อาจกลายเป็นอุปสรรคที่ขัดขวางการตัดสินใจใช้งานและส่งผลกระทบต่อการเติบโตในระยะยาวได้
การหาลูกค้าใหม่และการเติบโตของลูกค้า
บริษัทต่างๆ สามารถลดอุปสรรคในการเริ่มใช้งานผลิตภัณฑ์ได้ด้วยการปรับสัดส่วนรายได้ให้มาอยู่ที่รูปแบบค่าธรรมเนียมตามปริมาณการใช้งานมากขึ้น แนวทางนี้เป็นประโยชน์อย่างยิ่งต่อบริษัทที่เพิ่งเริ่มต้นและตั้งเป้าหมายเชิงรุกในการขยายฐานลูกค้า หรือบริษัทที่ขับเคลื่อนการเติบโตด้วยตัวผลิตภัณฑ์เป็นหลัก เพราะช่วยให้ลูกค้าสามารถทดลองใช้งานผลิตภัณฑ์ได้โดยมีภาระด้านค่าใช้จ่ายเริ่มต้นต่ำ และจะจ่ายเงินเพิ่มขึ้นก็ต่อเมื่อมีการใช้งานจริงมากขึ้นตามลำดับเวลาเท่านั้น
Browserbase บริษัทที่จัดการและให้บริการโฮสติ้งเบราว์เซอร์แบบ "Headless" ที่เอเจนต์ AI ใช้ในการโต้ตอบกับเว็บไซต์ ได้สร้างโมเดลค่าบริการแบบผสมผสานขึ้นมาเพื่อให้สามารถคาดการณ์รายรับได้ ในขณะเดียวกันก็ตอบสนองความต้องการของกลุ่มลูกค้าส่วนใหญ่ที่เป็นนักพัฒนาด้วย บริษัทนำเสนอแพ็กเกจการสมัครใช้บริการแบบหลายระดับ โดยแต่ละระดับจะมีปริมาณการใช้งานที่กำหนดไว้ซึ่งเหมาะกับกลุ่มลูกค้าที่แตกต่างกัน แพ็กเกจ "แนะนำ" ฟรี ช่วยให้ลูกค้าที่สนใจสามารถทดสอบผลิตภัณฑ์ได้โดยไม่มีค่าใช้จ่าย และอัตราค่าบริการสำหรับการใช้งาน "เกินกำหนด" ที่แจ้งไว้อย่างชัดเจน หมายความว่าลูกค้าสามารถสร้างธุรกิจให้เติบโตได้ก่อนที่จะตัดสินใจสมัครใช้แพ็กเกจที่สูงขึ้น นอกจากนี้ยังมีแแพ็กเกจแบบกำหนดเองสำหรับลูกค้าระดับองค์กรด้วย
การจัดการความเสี่ยงที่เหลืออยู่ด้วยมาตรการป้องกัน
การกำหนดเมตริกคิดค่าบริการที่ออกแบบมาอย่างดีควบคู่ไปกับโมเดลค่าบริการที่สมดุลสามารถช่วยป้องกันความเสี่ยงด้านต้นทุนที่เกี่ยวข้องกับผลิตภัณฑ์ AI ได้ ถึงอย่างไรความเสี่ยงก็ยังคงมีอยู่เสมอเมื่อรูปแบบการใช้งานของลูกค้ามีความผันผวน โดยความเสี่ยงมักจะสูงกว่าในรูปแบบการจ่ายตามการใช้งานจริง แต่ก็ยังคงพบได้ในรูปแบบการสมัครใช้บริการที่มีการคิดค่าบริการส่วนเกิน ซึ่งเป็นรูปแบบที่บริษัท AI หลายแห่งนิยมใช้ นอกจากนี้ การฉ้อโกงโดยเจตนาอาจกลายเป็นปัญหาที่ร้ายแรงยิ่งกว่า เนื่องจากต้นทุนอาจพุ่งสูงขึ้นอย่างรวดเร็วก่อนที่จะตรวจพบการโจมตี
การกำหนดมาตรการควบคุมเพิ่มเติมสำหรับค่าใช้จ่ายที่คิดตามการใช้งานจริงจะช่วยจำกัดความเสี่ยงให้อยู่ในระดับที่จัดการได้ โดยมาตรการที่เหมาะสมจะขึ้นอยู่กับว่ารูปแบบการใช้งานลักษณะใดที่มีแนวโน้มจะก่อให้เกิดปัญหามากที่สุด
- หากลูกค้ามีความเสี่ยงที่จะเผลอใช้จ่ายมากกว่าที่ตั้งใจไว้ เกณฑ์การใช้งานพร้อมการแจ้งเตือนอย่างทันท่วงทีจะช่วยป้องกันการเรียกเก็บเงินที่ไม่คาดคิดได้
- หากมีมิจฉาชีพสร้างภาระค่าใช้จ่ายแต่ไม่ยอมชำระเงิน บริษัทสามารถกำหนดให้ลูกค้าชำระเงินล่วงหน้าเพื่อซื้อเครดิต แล้วค่อยทยอยหักยอดใช้จ่ายจากเครดิตดังกล่าวได้
- หากการใช้งานโมเดลอาจเพิ่มสูงขึ้นอย่างไม่คาดคิดเพื่อตอบสนองต่อภารกิจหรือคำขอประเภทใดประเภทหนึ่ง การจำกัดอัตราและการจำกัดปริมาณการใช้งานจะช่วยควบคุมค่าใช้จ่ายในขณะที่ลูกค้าปรับเปลี่ยนคำขอของตน
ในทุกกรณี การสื่อสารเชิงรุกเป็นเรื่องสำคัญ ลูกค้าย่อมอยากจะเข้าใจว่าการใช้งานของตนส่งผลต่อการใช้จ่ายอย่างไร และรีบหาวิธีจัดการหากมีการใช้จ่ายมากกว่าที่ตั้งใจไว้
อนาคตจะเป็นอย่างไร: การทดลองอย่างต่อเนื่อง
เมื่อบริษัทด้าน AI เติบโตขึ้น พวกเขามักไม่มองว่าโครงสร้างค่าบริการเป็นสิ่งที่กำหนดไว้ตายตัวและไม่ต้องปรับปรุงแก้ไขอีกต่อไป บริษัท AI ที่ประสบความสำเร็จจะยังคงทดลองแนวทางใหม่ๆ อยู่เสมอ ถึงแม้ในปัจจุบัน Intercom จะคิดราคาเท่ากันสำหรับทุกกรณีปัญหาที่ได้รับการแก้ไข แต่ทางบริษัทก็กำลังพิจารณาที่จะแบ่งระดับราคาตามความซับซ้อนของปัญหาในอนาคต
มุมมองของ Intercom สอดคล้องกับผลสำรวจล่าสุดของเรา โดยในกลุ่มบริษัทที่จำหน่ายผลิตภัณฑ์ AI และคิดค่าบริการตามการใช้งาน (ไม่ว่าจะแยกขายต่างหากหรือใช้รูปแบบผสมผสาน) พบว่า 92% ได้มีการปรับเปลี่ยนโครงสร้างราคาในภายหลัง ทั้งนี้ เนื่องจากต้นทุนของโมเดล AI พื้นฐานมีการเปลี่ยนแปลง สภาวะตลาดมีความอิ่มตัวมากขึ้น และความคาดหวังของลูกค้าก็ปรับเปลี่ยนไปอย่างรวดเร็วเป็นประวัติการณ์ บริษัทต่างๆ จึงจำเป็นต้องมีความคล่องตัวในการปรับกลยุทธ์ราคาให้มีความสมดุลและเอื้อต่อการเติบโตของธุรกิจอยู่เสมอ
รับชมสัมมนาออนไลน์ในหัวข้อ "How to get your AI pricing strategy right" เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการกำหนดค่าบริการของผลิตภัณฑ์ AI
อ่านวิธีที่ Stripe Billing จะช่วยสนับสนุนโมเดลค่าบริการสำหรับ AI ของคุณ ไม่ว่าคุณจะเลือกใช้รูปแบบใดในการผสมผสานระหว่างค่าธรรมเนียมตามการใช้งานจริง ค่าธรรมเนียมแบบสมัครใช้บริการ และมาตรการควบคุมต่างๆ