在快速发展的科技世界中,有效传达生成式 AI 产品的价值需要改变传统的定价和传播策略。
背景介绍:尽管基于能力和客户价值来定价软件即服务产品的趋势日益增长,但按席位定价仍然占主导地位,基于成果的定价较为罕见。成功的营销和销售依赖于价值故事和经济价值评估,但在科技供应商和销售团队中的广泛应用仍然有限。然而,本质上能直接产生成果的生成式 AI 产品需要改变这种方式。
为了有效传达生成式 AI 解决方案的价值,科技供应商必须转向基于成果的定价模式。传统的定价结构,如一次性购买或订阅,无法体现生成式 AI 的真正潜力,因为它本质上是为实现以前无法达到或耗时的成果而设计的。随着风险投资推动创新和盈利需求增加,一些具有前瞻性的供应商已经开始转向反映所交付成果价值的定价策略。
在生成式 AI 领域,预测实现特定成果所需的确切资源具有挑战性,因为需求可能会波动。这种不可预测性凸显了按席位定价模式的不足,这种模式难以传达众多个人用户的整体价值和投资回报。
随着主动式 AI 能力的兴起,关注点将从个人席位转向实现的成果,使传统的基于席位的定价变得无关紧要。在某些情况下,AI 代理将取代人工任务,这使得以代理为单位的定价作为价值衡量标准变得更加复杂。
生成式 AI 定价的阶段
向基于成果的定价转变将分阶段进行。许多生成式 AI 产品和附加功能已经采用基于消费的模式,定价由使用的信用额度或执行的功能决定,如处理视频的分钟数或完成的任务数。
例如,一些公司已经为其 AI 功能实施了基于消费的定价,针对特定成果如对话次数。其他公司则根据其产品收回的退单百分比收费,还有一些公司根据通过自动化实现的成功解决方案定价。这些例子说明了定价模式正在向与生成式 AI 解决方案提供的实际效益相一致的方向转变。
最终,生成式 AI 解决方案的价值在于它所交付的成果,即使各种产品之间的区别在于其模型、训练和调优的细微差别。与量子计算类似,生成式 AI 的价值取决于其实现标准方法几乎无法达到的结果的能力。
价值主张的重要性
转向基于成果的定价模式需要价值主张和叙述方式的同步演变。营销人员和销售人员需要加深对客户、其流程以及与期望成果相关的价值的理解。
这种方法需要就生成式 AI 产品交付的成果进行对话,而不是仅仅关注交付方式。虽然技术细节对某些买家(如合规团队)仍然重要,但重点将放在成果本身的价值上。
随着主动式 AI 变得更加普及,生成式 AI 驱动的成果往往会取代其他资源,如人力、应用程序和时间。这种转变需要评估成果的价值以及与传统方法相比的投资回报率。
当生成式 AI 实现以前不可能完成的任务时,讨论将集中在供应商应该获取多少成果价值。重点将放在成果及其对客户的商业价值上,使价值计算和讨论更加具体。与传统的价值假设或商业案例不同,生成式 AI 产品和服务从成果开始,简化了价值主张并增强了其清晰度。
David Yockelson 是 Gartner 技术和服务提供商研究组织产品营销实践团队的杰出副总裁分析师、研究副总裁和 Gartner 研究员。他为 SiliconANGLE 撰写了这篇文章。Gartner 分析师将在 3 月 10-11 日在德克萨斯州 Grapevine 举行的 Gartner 技术增长与创新大会上提供关于技术服务提供商如何加速增长、推动产品创新和利用新兴技术的额外分析。在 X 上使用 #GartnerTGI 关注会议的新闻和更新。
好文章,需要你的鼓励
Docker公司通过增强的compose框架和新基础设施工具,将自己定位为AI智能体开发的核心编排平台。该平台在compose规范中新增"models"元素,允许开发者在同一YAML文件中定义AI智能体、大语言模型和工具。支持LangGraph、CrewAI等多个AI框架,提供Docker Offload服务访问NVIDIA L4 GPU,并与谷歌云、微软Azure建立合作。通过MCP网关提供企业级安全隔离,解决了企业AI项目从概念验证到生产部署的断层问题。
中科院联合字节跳动开发全新AI评测基准TreeBench,揭示当前最先进模型在复杂视觉推理上的重大缺陷。即使OpenAI o3也仅获得54.87%分数。研究团队同时提出TreeVGR训练方法,通过要求AI同时给出答案和精确定位,实现真正可追溯的视觉推理,为构建更透明可信的AI系统开辟新路径。
马斯克的AI女友"Ani"引爆全球,腾讯RLVER框架突破情感理解边界:AI下半场竞争核心已转向对人性的精准把握。当技术学会共情,虚拟陪伴不再停留于脚本应答,而是通过"心与心的循环"真正理解人类孤独——这背后是强化学习算法与思考模式的化学反应,让AI从解决问题转向拥抱情感。
PyVision是上海AI实验室开发的革命性视觉推理框架,让AI系统能够根据具体问题动态创造Python工具,而非依赖预设工具集。通过多轮交互机制,PyVision在多项基准测试中实现显著性能提升,其中在符号视觉任务上提升达31.1%。该框架展现了从"工具使用者"到"工具创造者"的AI能力跃迁,为通用人工智能的发展开辟了新路径。