Чат-бот отвечает на вопрос в две строки. Агент полчаса разбирает договор на двести страниц. В одном тарифе они часто стоят клиенту одинаково, хотя второй сценарий может обходиться продукту в сотню раз дороже.
В классическом SaaS единая цена была нормой: после разработки обслуживание ещё одного пользователя стоило немного и предсказуемо, поэтому тарифы строили вокруг подписки, числа мест и набора функций. В генеративном ИИ у каждого запроса своя себестоимость. Она зависит от того, сколько текста модель читает и пишет (это считают в токенах), какая модель выбрана, как быстро нужен ответ, нужен ли поиск по базе знаний и сколько шагов делает агент. Валовая маржа тут перестаёт быть константой: один и тот же тариф приносит деньги на одном клиенте и теряет их на другом, как показывает расчёт ниже. Поэтому сначала приходится разобраться с экономикой продукта, а упаковка тарифов вторична.
Многие команды начинают с того, что переносят на ИИ старую SaaS-модель: добавляют к текущему плану «AI Pro», поднимают цену на фиксированную сумму и ждут, что рынок это примет. На раннем этапе это иногда срабатывает, пока новизна технологии сама по себе выглядит премиально.
Потом проявляются три перекоса. Одни пользователи потребляют слишком много вычислений и быстро размывают маржу. Другие получают огромную ценность при скромном использовании и платят меньше, чем могли бы. Третьи не понимают, за что именно они платят, если стоимость завязана на токены, контекстные окна и «единицы инференса».
Компания либо недозарабатывает, либо обвешивает продукт ограничениями, от которых страдает пользовательский опыт.
Поэтому вопрос «Какую цену поставить?» обычно задают слишком рано. Сначала нужно понять, как связать себестоимость, ценность для пользователя и предсказуемость выручки, чтобы продукт оставался конкурентоспособным, понятным и прибыльным одновременно. Из ответа следует почти всё остальное: брать ли деньги за использование, как проектировать подписки, когда уместны кредиты, какие AI-возможности выносить в премиальные уровни, как ставить ценовые эксперименты и на какие метрики смотреть в первую очередь.
Работы у PM от этого заметно прибавляется. Выбрать фичи для каждого тарифа уже мало. Нужно понимать, сколько стоит каждый ответ модели, уметь моделировать cost-to-serve, то есть стоимость обслуживания клиента, отличать метрики потребления от метрик ценности, продумывать переход клиента на тарифы дороже и проверять на данных, сколько люди готовы платить. Отдать ценообразование на финальную доработку отделу продаж или финансам больше не получится: генеративный ИИ сделал его частью продуктовой стратегии.
Сначала экономика, потом цена
Самая частая ошибка в монетизации ИИ: начинать с тарифной сетки раньше модели затрат. В обычном SaaS это иногда сходило с рук, потому что предельные издержки были размыты и не так быстро росли вместе с использованием. В генеративном ИИ всё наоборот. Если не смоделировать стоимость обслуживания заранее, можно запустить продукт с красивой ценой и плохой экономикой.
Себестоимость здесь не сводится к запуску модели. На неё влияют объём текста на входе и выходе, частота запросов и поиск по базе знаний. Важно, используются ли повторно готовые ответы (кэширование) и делятся ли запросы между дешёвыми и дорогими моделями. Дорогие «думающие» модели (reasoning) стоят больше. Добавьте требования к скорости, контроль качества и переобучение. В корпоративных сценариях прибавляются аудит, журналы, гарантии уровня сервиса (SLA), требования к месту хранения данных и ручная проверка спорных случаев.
Настоящая стоимость обслуживания равна стоимости того, чтобы задача пользователя надёжно выполнялась в реальной работе. Один ответ модели лишь часть этой суммы.
Средняя себестоимость почти всегда прячет проблему. В AI-продуктах большая часть расходов приходится на меньшинство: у тяжёлых пользователей, у сценариев с длинным контекстом, у пакетной обработки, у команд, которые строят поверх вашего продукта собственные автоматизации. Если ценообразование ориентировано на «среднего пользователя», высока вероятность, что самые дорогие сегменты будут субсидироваться самыми лёгкими. Пока продукт небольшой, это может быть незаметно. При масштабировании именно такие перекосы и разрушают экономику.
Поэтому стоимость нужно считать по сценариям и сегментам. Сколько стоит одно короткое взаимодействие? Сколько стоит длинная аналитическая сессия? Что происходит с себестоимостью, когда пользователь переходит от ручного использования к полуавтоматизированному рабочему процессу? Как выглядит стоимость при росте частоты запросов?
Только после таких расчётов имеет смысл говорить о цене. Польза инструментов экономического моделирования даже не в точности расчёта: они заставляют команду превратить интуицию в рабочую модель.
Почему средняя себестоимость прячет проблему
Возьмём один тариф с фиксированной ценой и посмотрим на маржу по разным пользователям. Базовая арифметика:
Валовая маржа с пользователя = цена подписки минус cost-to-serve
cost-to-serve ≈ число запросов × средний размер запроса в токенах × цена за токен + инфраструктурный оверхед
Возьмём подписку за 30 у.е. в месяц и инференс по 1 у.е. за 100 тыс. токенов; числа подобраны для наглядности:
- Лёгкий пользователь: 50 запросов по 4 тыс. токенов = 200 тыс. токенов → инференс 2 у.е. + оверхед 1 у.е. = 3 у.е. Маржа 30 минус 3 = 27 у.е.
- Средний: 300 запросов по 8 тыс. = 2,4 млн токенов → 24 у.е. + 3 = 27 у.е. Маржа 3 у.е.
- Тяжёлый (длинный контекст, агентские цепочки): 800 запросов по 40 тыс. = 32 млн токенов → 320 у.е. + 20 = 340 у.е. Маржа -310 у.е.
Суммарная маржа этих трёх пользователей равна -280 у.е., в среднем около -93 у.е. на человека. Эта средняя не описывает никого: лёгкий приносит 27 у.е., средний почти ноль, а один тяжёлый уводит в минус всю линию. Поэтому считать нужно самых дорогих пользователей и именно к ним привязывать плату сверх лимита или лимит кредитов, пока перекос не дошёл до отчёта о прибылях и убытках.
Ценность и стоимость расходятся чаще, чем кажется
В генеративном ИИ высокая себестоимость не всегда означает высокую ценность, и наоборот. Короткий запрос (prompt), который помогает руководителю принять правильное решение, может иметь минимальную вычислительную стоимость и очень высокую бизнес-ценность. Напротив, длинная операция по переписыванию, суммаризации или массовой генерации текста может потреблять огромное количество токенов и при этом иметь ограниченную ценность для пользователя.
Поэтому цену нельзя строить только по принципу «себестоимость плюс наценка» (cost-plus). Если просто переложить стоимость на клиента, вы быстро обнаружите, что часть дорогих операций не готова монетизироваться на нужном уровне, а часть дешёвых операций, наоборот, стоила бы для клиента гораздо дороже, чем вы берёте. Поэтому AI-продукту нужны две модели сразу: модель затрат задаёт экономический пол, модель ценности задаёт рыночный потолок.
Вот почему так важны метрики ценности. Ими могут быть обработанные документы, автоматизированные задачи, сэкономленные часы, ускорение цикла сделки, количество квалифицированных лидов, снижение издержек, рост конверсии, повышение точности решений или количество полезных инсайтов. Они переводят разговор с «мы потратили столько-то вычислений» на «пользователь получил такой-то измеримый результат». Так к оплате за использование добавляется оплата за ценность.
Цену выбирают между полом и потолком. Если зазор узкий, помогает только снижение себестоимости: отправлять часть запросов на модели подешевле, повторно использовать готовые ответы, сокращать объём текста. Кэшированный контекст и отложенная пакетная обработка у провайдеров стоят заметно дешевле живых запросов, и для узкого зазора этого иногда хватает. Если широкий, цену можно строить от ценности и не бояться тяжёлых сценариев, потому что даже они остаются выше пола.
Почему оплата за использование становится нормой
Когда себестоимость растёт вместе с потреблением, рынок почти неизбежно движется к оплате за использование. Показывать цену за токен обязан не каждый продукт, но выручка так или иначе должна быть привязана к реальному объёму использования. Иначе рост продукта может привести к парадоксальной ситуации: клиентов становится больше, выручка растёт, а маржа ухудшается.
Самая прямая форма оплаты за использование: тарификация по токенам. Для API-продуктов, платформ для разработчиков и технической аудитории это естественный формат. Он прозрачен, хорошо связан с затратами и легко объясняется тем, кто понимает внутреннюю механику LLM. Но для широкой аудитории токены слишком абстрактны. Большинство пользователей не думают о том, сколько стоит их запрос и ответ модели. Они мыслят результатом: отчётом, картинкой, письмом, анализом, документом.
Поэтому в более массовых продуктах чистая тарификация по токенам часто заменяется промежуточными единицами. Иногда это цена за запрос, за документ, за изображение или за задачу. Проблема в том, что запросы могут быть очень неоднородны по фактической стоимости. Две суммаризации выглядят одинаково на поверхности, но одна обрабатывает страницу текста, а другая целую книгу. Если цена этого не учитывает, продукт либо теряет деньги, либо начинает душить пользовательский опыт искусственными ограничениями.
Именно поэтому всё чаще побеждают гибридные модели. Внутри продукта стоимость по-прежнему считают по реальному потреблению. Но клиенту её показывают в понятных единицах: кредитах, лимитах запросов, бюджете на месяц. Это позволяет сохранить экономическую точность, не перекладывая техническую сложность на пользователя.
Платит за это команда: курс внутренней единицы к реальной себестоимости приходится пересматривать при каждой смене модели или провайдера. Цены на модели с одинаковыми возможностями падают быстро, и курс кредита, честный в январе, к декабрю может оказаться заметно завышенным.
Что остаётся от подписки, когда тяжёлый пользователь стоит 340 у.е.?
Хотя оплата за использование распространяется, подписка остаётся важнейшей конструкцией, особенно в B2B. Она удобна для бюджетирования, закупок и предсказуемости расходов. Но генеративный ИИ разрушил старую идею «фиксированного тарифа за неограниченное использование». В ИИ такая модель слишком часто означает, что самые активные и дорогие пользователи начинают съедать маржу всей продуктовой линии.
Поэтому в подписку ИИ-продукта, кроме набора функций, закладывают ресурсы. Это может быть месячный лимит токенов, пакет кредитов, доступ к определённым моделям, ограничение на объём текста, лимит на массовую обработку или более быстрая очередь. Подписка на AI-продукт отвечает сразу на два вопроса: какие функции доступны и сколько работы модели пользователь получает на этом тарифе.
Один из самых устойчивых вариантов: подписка с включённым кредитным бюджетом. Пользователь сохраняет ощущение предсказуемого платежа, а компания сохраняет контроль над cost-to-serve. Поверх неё добавляют плату сверх лимита (overage): базовый план покрывает определённый объём, а всё сверх него оплачивается отдельно. Клиента не вынуждают слишком рано переходить на дорогой тариф, а рост потребления перестаёт бесплатно ложиться на плечи продукта.
Траектория использования в AI-продуктах к тому же плохо предсказуема. Пользователь может долго потреблять мало, а потом резко встроить продукт в регулярный рабочий процесс и увеличить нагрузку в несколько раз. Без платы сверх лимита такой рост опасен: клиент, который вчера укладывался в подписку, сегодня обходится дороже, чем платит. С ней тот же рост приносит больше выручки.
Как посчитать включённый лимит и цену сверх него
Механику проще всего показать на тех же числах: подписка за 30 у.е., 1 у.е. за 100 тыс. токенов, оверхед от 1 до 20 у.е. в зависимости от пользователя.
Включённый лимит считают от целевой маржи. Допустим, тариф должен приносить 70% валовой маржи на типичном лёгком пользователе. Тогда себестоимость не может превышать 9 у.е.; минус 3 у.е. оверхеда, на инференс остаётся 6 у.е., то есть 600 тыс. токенов в месяц. Лёгкий пользователь с его 200 тыс. укладывается с запасом.
Цену сверх лимита считают от себестоимости единицы. Чтобы на перерасходе маржа тоже была около 70%, 100 тыс. токенов сверх лимита должны стоить примерно 1 / 0,3, то есть около 3,3 у.е.; округлим до 3,5. В кредитах это выглядит проще: 1 кредит равен 10 тыс. токенов и стоит 0,35 у.е.
Средний пользователь с 2,4 млн токенов выходит за лимит на 1,8 млн и доплачивает 63 у.е. Счёт 93 у.е. при себестоимости 27 у.е. возвращает маржу к 71%, но скачок с 30 до 93 у.е. отпугнёт многих. Поэтому между базовым тарифом и перерасходом нужен второй уровень, например 70 у.е. с лимитом 3 млн токенов: средний пользователь даёт на нём 43 у.е. маржи, около 61%, а худший случай внутри лимита (33 у.е. себестоимости) всё ещё оставляет 37 у.е.
Тяжёлому пользователю с 32 млн токенов перерасход выставит счёт больше 1 100 у.е. Платить столько через самообслуживание он вряд ли станет, и это нормальный исход: механика переводит его из тихого убытка в разговор о корпоративном договоре.
Курс кредита пересматривают при каждой смене модели. Если инференс подешевел вдвое, цена кредита в 0,35 у.е. даёт уже около 85% маржи на перерасходе, и у команды появляется выбор: оставить разницу себе или поднять включённый лимит, не трогая цену.
Кредитные системы стали универсальным коммерческим языком
Кредиты в AI-продуктах прижились быстро, потому что решают одну из главных проблем генеративного ИИ: как спрятать техническую сложность, не потеряв контроль над экономикой. Кредит может представлять токены, время вычислений, количество запросов, коэффициент модели или некоторую комбинированную единицу. Пользователю при этом не нужно знать, сколько стоит каждый ответ модели. Ему достаточно понимать, сколько действий он может совершить и сколько будет стоить расширение использования.
Для B2B и B2C это одинаково полезно, хотя мотивы немного отличаются. В B2C кредиты избавляют человека от лишних расчётов и делают продукт понятнее. В B2B они позволяют гибко планировать бюджет: покупать дополнительные пакеты, раздавать кредиты командам, временно поднимать лимит, заводить общий кошелёк на несколько функций или даже несколько продуктов.
Но кредиты работают только тогда, когда в них есть внутренняя дисциплина. Если система слишком непрозрачна, доверие исчезает. Если расход кредитов ощущается случайным, пользователь начинает воспринимать цену как манипуляцию. Помогают простые вещи: стоимость действия в кредитах видна до запуска, остаток виден всегда, а повышенные коэффициенты для дорогих моделей объяснены в одном месте, без сносок мелким шрифтом. Скрыть кредитами неэффективность продукта не выйдет; их задача в том, чтобы перевести сложную экономику на язык, который покупатель может принять, не вникая в устройство модели.
Прибыль переезжает в премиальные слои ИИ
По мере того как базовые генеративные возможности становятся всё более доступными, основная прибыль всё реже формируется на базовом слое и всё чаще на премиальных AI-возможностях. Продать само «наличие ИИ» становится всё труднее, поэтому продают то, что выше базового уровня.
Самый очевидный премиальный слой открывает доступ к более продвинутым моделям. Это могут быть большие модели, модели, которые рассуждают по шагам, модели для очень длинных текстов, работа с картинками и звуком или версии, дообученные под конкретную отрасль.
Второй слой даёт расширенную автоматизацию. Когда AI берёт на себя многошаговые сценарии, массовую обработку, цепочки действий агента, интеграции в реальном времени или работу почти без участия человека, ценность для пользователя растёт резче, а вместе с ней растёт и готовность платить.
В корпоративных продуктах деньги приносят ещё управление и соответствие требованиям. Журналы для аудита, контроль запросов к модели, хранение данных в нужной стране, собственные наборы для проверки качества, гарантии уровня сервиса, выделенные мощности: за всё это клиенты платят как за премиальные свойства продукта. Многие крупные клиенты покупают именно их, а «умность» модели для них стоит вторым пунктом.
Наконец, есть слой настройки под клиента: поиск по его закрытым данным, отраслевые знания, отдельная обработка его данных, дообучение под конкретный бизнес-процесс. В ряде категорий именно этот уровень может стать основным источником высокого чека и сильной маржи. Базовая AI-возможность привлекает внимание, а специализированная строит прибыльный бизнес.
Монетизация сама становится объектом экспериментов
Какая из премиальных осей сработает в вашем случае, заранее не угадать, поэтому цену в ИИ-продукте ведут как серию экспериментов. Цена влияет не только на выручку, но и на активацию, глубину использования, отток, переходы на тарифы дороже, экономику нагрузки и поведение сегментов. Поэтому эксперименты с ценой здесь не менее важны, чем эксперименты с функциональностью.
Типичные направления таких экспериментов: чувствительность к цене, редизайн тарифных уровней, моделирование расхода кредитов, анализ оттока и переходов на дорогие тарифы после изменения лимитов, проверка связи между воспринимаемым качеством модели и готовностью платить.
Смотреть только на выручку здесь нельзя: снижение цены может поднять конверсию и одновременно привести в продукт тех самых тяжёлых пользователей, которые уводят маржу в минус. Любой ценовой тест должен одновременно оценивать cost-to-serve, интенсивность использования и реальный результат в рабочем процессе клиента. Иначе можно выбрать «эффективную» цену, которая либо душит рост, либо создаёт опасную нагрузку на инфраструктуру.
На практике в дизайн ценового теста сразу закладывают три набора метрик: выручку, cost-to-serve и результат для пользователя, и решение принимают, только когда видны все три. Тест, который смотрит на одну ось, почти наверняка улучшит её за счёт двух других. Финансовые расчёты, изучение клиентов, планирование экспериментов и понимание экономики моделей здесь входят в базовые навыки PM.
Пересборка тарифа: пол затрат, потолок ценности, упаковка
Выбрать между подпиской и оплатой за использование мало: приходится одновременно учитывать нелинейные затраты, непредсказуемое потребление, разную ценность для сегментов и требование, чтобы коммерческая логика оставалась понятной рынку. Поэтому побеждают смешанные модели: подписка с лимитами, кредиты, плата сверх лимита, доступ к разным моделям и дорогие тарифы с автоматизацией.
Пересобирать тарифы стоит в порядке разделов выше. Сначала себестоимость по сценариям и те пользователи и операции, которые съедают маржу. Затем метрика ценности, которую клиент узнаёт в своём результате: документы, задачи, сэкономленные часы. И только потом упаковка: подписка с кредитами, плата сверх лимита, дорогие модели и контроль с аудитом отдельным тарифом.
Слабое место у этой последовательности одно: она верна для текущей модели и текущей нагрузки. Если зазора между полом затрат и потолком ценности нет, никакая упаковка его не создаст, а при смене модели или росте нагрузки расчёт устаревает, поэтому первый ценовой тест с тремя наборами метрик разумно заложить в план сразу.
Слишком техническая цена отпугнёт покупателя, а цена без оглядки на себестоимость съест маржу на первом же тяжёлом клиенте.