Новая эра в развитии искусственного интеллекта представлена агентским ИИ — технологией, которая не только создает текст, но и выполняет конкретные задачи, принимает решения в условиях неопределенности и действует автономно, исходя из контекста. В отличие от предыдущих моделей, агентский ИИ способен анализировать ситуацию, адаптироваться к изменениям и решать реальные задачи без постоянного участия человека. Как эти модели могут быть полезны бизнесу и каковы их затраты, объясняет Алексей Котов, международный консультант и выпускник INSEAD, специалист по ИИ, ценообразованию и глобальным маркетплейсам.
Сегодня многие компании предлагают платформы, где пользователи могут создавать собственных интеллектуальных агентов. Вход в эту технологию обещает быть простым: все инструкции, от открытия файла до его обработки и отправки, можно задать на естественном языке.
На первый взгляд, кажется, что достаточно разработать технологию, вывести её на рынок и ожидать успеха. Однако компании сталкиваются с неожиданными вызовами в области маркетинга и ценообразования. Проблема не столько в том, сколько брать за услуги, сколько в том, за что именно взимать плату.
Чем агентский ИИ отличается от генеративного?
Агентский ИИ — это новый этап в развитии искусственного интеллекта с рядом ключевых особенностей:
- Понимание человеческих инструкций. Агентский ИИ воспринимает запросы на естественном языке, без необходимости программирования. Достаточно обычного текстового запроса.
- Контекстуальность и обработка исключений. Система учитывает контекст и может адаптироваться к сложным ситуациям, например, корректно интерпретировать запросы вроде «вставь пример».
- Выполнение действий. В отличие от генеративного ИИ, который ограничен созданием контента, агентский ИИ способен выполнять задачи, ранее доступные только людям или автоматизированным системам.
Проблемы и вызовы в ценообразовании
Индустрия агентского ИИ находится на начальном этапе, поэтому в отрасли нет общепринятых стандартов. На данный момент компании стремятся разработать модель, отвечающую трем требованиям:
- Прозрачность и понятность для клиента: Клиент должен четко понимать, за что он платит и легко прогнозировать расходы.
- Привязка к выгоде: Стоимость должна соотноситься с ценностью, которую бизнес получает от использования агентского ИИ.
- Максимизация прибыли для провайдера: Ценовая модель должна извлекать максимальную коммерческую выгоду.
Основные подходы к ценообразованию
1. Плата за токены
Клиенты платят за количество токенов, обработанных системой. Этот подход используется разработчиками языковых моделей, такими как OpenAI и Anthropic.
- Плюсы: Простота расчета для поставщика.
- Минусы: Клиенты часто не понимают, что такое токены, что затрудняет прогнозирование затрат и их сопоставление с выгодой. Например, для менеджера среднего звена понятие «токен» выглядит слишком технически. При этом существует большая вариативность в потреблении токенов даже в рамках одной задачи.
2. Плата за действие
Оплата за конкретные действия, выполненные агентом (например, отправка письма или перевод текста).
- Плюсы: Более понятно для пользователей.
- Минусы:
- Возникает вопрос: должна ли стоимость зависеть от сложности действия? Например, перевод документа с русского на японский объективно сложнее, чем отправка письма.
- Единая ставка может быть невыгодна для сложных операций, а дифференцированная — запутывать клиентов.
Примеры компаний:
- ServiceNow использует «ИИ-юниты», где сложность действия определяет его стоимость (например, перевод текста стоит дешевле, чем создание синтеза).
- Zapier ввел единую валюту — Zap, где каждое действие имеет одинаковую стоимость. Однако на сайте компании указано, что подход экспериментальный.
- Microsoft взимает плату за каждое сообщение при использовании чат-бота.
4. Плата за разрешение проблемы
Salesforce тестирует подход, при котором плата взимается за успешное решение проблемы (например, $2 за каждую решенную задачу).
- Плюсы: Прямая связь между затратами и полученной выгодой.
- Минусы: Метод специфичен для чат-ботов и плохо применим к другим сценариям.
5. Плата за пользователя
HubSpot использует модель, где компании платят за каждого пользователя платформы без дополнительных переменных сборов.
- Плюсы: Стимулирует масштабирование.
- Минусы: Не отражает интенсивность использования.
Дополнительные аспекты ценообразования
1. Составляющие стоимости
Некоторые компании включают дополнительные компоненты:
- Microsoft взимает плату не только за сообщения, но и за хранение данных и использование Azure-инструментов.
- Salesforce рассматривает агентский ИИ как надстройку, требующую приобретения их основных продуктов (например, модуля HR).
- Automation Anywhere берет фиксированную плату за использование модуля, отвечающего непосредственно за выполнение действий.
2. Соотношение фиксированной и переменной части
Компании в экспериментальной стадии предпочитают переменные затраты. Однако при масштабировании бизнеса фиксированная часть позволяет предсказуемо планировать расходы и получать экономию от масштаба.
3. Разделение ролей и лицензий
Для работы с агентским ИИ могут быть разные типы пользователей: разработчики, конечные пользователи, согласующие решения или подключающиеся в сложных ситуациях. Это порождает необходимость в разных лицензиях.
4. Единая валюта
Служит для сравнения стоимости различных действий. Например, ServiceNow использует ИИ-юниты. Однако это может усложнять понимание ценообразования, т.к. не всегда понятен физический смысл, за что берется плата.
Ценообразование для агентского ИИ — это вызов, требующий учета множества факторов. Сейчас отрасль находится на стадии экспериментов, где разные компании пробуют подходы, начиная от оплаты за токены до фиксированных ставок за пользователя. Однако говорить о стандартах пока рано, и в ближайшие годы мы, вероятно, увидим новые модели, которые будут учитывать потребности как бизнеса, так и клиентов.
