AI не отменяет SaaS-подписку, но ослабляет логику оплаты только за пользователя. Когда программа уже не просто помогает сотруднику, а выполняет работу, цена всё чаще привязывается к использованию, измеримому результату или гибриду этих моделей.
Классическая SaaS-модель давала предсказуемость: фиксированная ежемесячная плата за место и высокая валовая маржа. AI меняет обе стороны уравнения. Инференс и вычисления создают переменные расходы для поставщика, а клиент может использовать продукт для сокращения ручного труда, увеличения пропускной способности или автоматизации целого процесса.
Поэтому коммерческий разговор смещается от «Какие функции входят в тариф?» к «Какой экономический результат создал продукт?»
Почему прежняя логика испытывает давление
У AI другая экономика поставки
Традиционный софт обслуживает дополнительного пользователя с минимальными предельными затратами. AI-агент использует модели, инфраструктуру и мониторинг при каждом запуске. По оценкам AlixPartners, переменная маржа agentic AI может быть существенно ниже, чем у классического SaaS. Значит, цена должна учитывать реальное потребление и себестоимость.
Клиенту нужен понятный финансовый эффект
CFO проще защитить бюджет, если договор связан с сокращением часов, снижением списаний, ростом выручки или уменьшением риска. Списка функций недостаточно, когда AI-проект конкурирует с десятками других инициатив трансформации.
Три модели, которые могут сосуществовать
- Usage-based: оплата за задачу, документ, минуту, токен или транзакцию.
- Outcome-based: оплата за подтверждённую экономию, выручку или другой бизнес-KPI.
- Гибрид: базовая плата за платформу и поддержку плюс переменная часть за использование или результат.
Чистая оплата за результат звучит привлекательно, но подходит не всегда. Поставщик не контролирует рыночный спрос, кадровые решения и качество данных клиента. Гибридная структура обычно реалистичнее распределяет эти риски.
Как меняется юнит-экономика
CAC может остаться высоким: enterprise-продажа всё ещё требует диагностики, проверки безопасности, интеграции и пилота. LTV сильнее зависит от доказанной эффективности. Валовая маржа — от стоимости моделей и инфраструктуры. Прогнозировать сложнее, потому что вместе с использованием меняются и выручка, и себестоимость.
Продукту нужен отдельный слой измерения коммерческого эффекта:
- Зафиксированная базовая линия до внедрения.
- Две-три метрики, которые могут проверить обе стороны.
- BI-дашборд или независимый процесс измерения.
- Правила для сезонности, внешних шоков и изменения поведения клиента.
- Контроль расходов на модели, повторные запросы и human review.
Что сделать до запуска outcome-based pricing
Сначала выберите результат, близкий к зоне влияния продукта. «Увеличить прибыль компании» слишком широко, а «сократить ручную обработку одного счёта» измеримо. Затем проводите пилот уже с будущей ценовой метрикой. И зафиксируйте baseline и исключения в договоре до того, как станет известен результат.
Оплата за эффект особенно полезна молодому поставщику при входе в крупную компанию. Формула «не создали согласованную ценность — переменная часть равна нулю» снижает риск покупателя. Но обещание работает только тогда, когда поставщик понимает экономику клиента и способен выдержать нестабильность сроков оплаты.
Дополнительные источники: материал AlixPartners о прайсинге AI SaaS и анализ usage- и outcome-based моделей.