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
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。