تصور کنید شرکتی تنها زمانی به OpenAI پول پرداخت کند که هوش مصنوعی واقعاً یک مشکل را حل کرده باشد، مثلاً یک درخواست پشتیبانی مشتری را به‌طور کامل ببندد. طبق گزارشی از The Information در ۳۱ اوت ۲۰۲۶، این مدل قیمت‌گذاری مبتنی بر نتیجه (Outcome-based pricing) برای مشتریان سازمانی، ریسک مالی را به‌طور مستقیم از دوش خریدار به فروشنده منتقل می‌کند.
این تغییر در حالی رخ می‌دهد که بودجه‌های فناوری اطلاعات در شرکت‌ها به‌شدت تحت فشار است. همان‌طور که در تحلیل قبلی ما درباره‌ی مدیریت دسترسی OpenAI برای ابزارهایی مثل Cursor اشاره کردیم، اکنون بحث از دسترسی نیست، بلکه بحث بر سر «ارزشِ کاربرد» است. بسیاری از سازمان‌ها دریافته‌اند که اشتراک‌های گران‌قیمت هوش مصنوعی زاینده (Generative AI) — شبیه پرداخت اجاره برای یک ماشین پیشرفته است که هنوز سرعت تولید شرکت را زیاد نکرده — لزوماً منجر به رشد درآمدی نشده است تا هزینه‌های ماهانه را توجیه کند.
به نقل از منابع صنعتی، OpenAI در حال پذیرش مدلی است که پیش‌تر توسط استارتاپ‌های کوچک‌تر آزمایش شده بود. این رویکرد در راستای استراتژی گسترده‌تر OpenAI برای تبدیل مدل‌های زبانی به عامل‌های هوشمند است که بتوانند وظایف اداری پیچیده را به‌طور مستقل مدیریت کنند. چند بازیگر کلیدی اکنون از این روش استفاده می‌کنند:
- Sierra و Fin (که توسط Salesforce با ۳.۶ میلیارد دلار خریداری شد) تنها برای وظایفی هزینه می‌گیرند که بدون دخالت انسان به پایان برسد.
- Cognition اعتبارات شرکتی تا ۱۰ میلیون دلار ارائه می‌دهد؛ اگر دستیار کدنویسی‌اش نتواند نتیجه‌ای معادل مبلغ پرداختی تحویل دهد، این مبلغ بازمی‌گردد.
- Adobe در مجموعه CX Enterprise خود، صورت‌حساب را بر اساس ارزش خلق‌شده، مثل تعداد کمپین‌های تبلیغاتی تکمیل‌شده، صادر می‌کند.
مارک بنیوف، مدیرعامل Salesforce، اخیراً اشاره کرد که هدف نهایی، گره زدن پرداخت‌ها به میزان افزایش درآمد یا کاهش هزینه‌هاست. برای مثال، مشتری ممکن است ۲ دلار پرداخت کند چون هوش مصنوعی ۲۰ یا ۴۰ دلار درآمد جدید ایجاد کرده است.
با این حال، طبق گزارش‌ها، این مدل یک مشکل بزرگ در «نسبت دادن اثر» ایجاد می‌کند. Stripe پیش از این دستورالعمل‌هایی منتشر کرده تا مشخص شود آیا یک فروش توسط هوش مصنوعی رقم خورده یا نتیجه‌ی یک کمپین بازاریابی و نوسانات فصلی بوده است. بدون قوانین شفاف، مشتریان احتمالاً بر سر تعریف «موفقیت» با فروشنده اختلاف پیدا می‌کنند.
برای کاربران تجاری، این یعنی «مالیات هوش مصنوعی» در حال تغییر است. شما دیگر برای «پتانسیل» یک ابزار پول نمی‌دهید، بلکه برای خروجی اثبات‌شده پرداخت می‌کنید. این وضعیت آزمایشگاه‌های هوش مصنوعی را مجبور می‌کند تا پایداری و دقت را بر قابلیت‌های خام اولویت دهند.
گام بعدی شما
- اگر مدیر محصول هستید، در قراردادهای آتی با تامین‌کنندگان AI، بندهای مربوط به KPIهای خروجی را جایگزین مدل‌های اشتراکی کنید.
- معیارهای اندازه‌گیری موفقیت (Success Metrics) را برای هر گردش‌کار هوش مصنوعی در سازمان خود تعریف کنید تا در مذاکرات قیمت‌گذاری دست بالا را داشته باشید.
- ابزارهای پایش اثر (Attribution Tools) را بررسی کنید تا بتوانید سهم AI را در افزایش درآمد به‌طور دقیق تفکیک کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو