چرا هوش مصنوعی قیمت گذاری فناوری سنتی را تغییر می دهد؟

برای درک اینکه چه اتفاقی برای قیمت گذاری فناوری سنتی می افتد، نیازی به درک مکانیزم ابزارهای هوش مصنوعی ندارید. هوش مصنوعی در حال شکستن پیوند بین تلاش، هزینه و ارزشی است که خدمات فناوری برای چندین دهه بر آن تکیه کرده اند.

تصور کنید دو ارائه دهنده خدمات مدیریت شده به یک حادثه تولید پاسخ دهند. یکی مهندس را منصوب می کند که پنج ساعت را صرف ردیابی سیاهه ها، بررسی وابستگی ها و جداسازی علت اصلی می کند.

دیگری از قابلیت مشاهده با هوش مصنوعی استفاده می کند تا مشکل را در عرض چند دقیقه شناسایی کند، قبل از اینکه کاربران متوجه شوند، اقدام به اصلاح و بازیابی خدمات مناسب می کند. ارائه‌دهنده دوم از ساعت‌های کمتری استفاده کرد اما ارزش بیشتری ارائه کرد. آیا باید حقوق کمتری به آنها پرداخت شود؟

خدمات فناوری سازمانی با همان چالش قیمت‌گذاری مواجه هستند، اما در مقیاس بزرگ‌تر. مدل قیمت‌گذاری قدیمی ساعت‌های بیشتر را با هزینه بالاتر و در تئوری ارزش بیشتر برابر می‌دانست. اما امروزه، هوش مصنوعی سازمان‌ها را قادر می‌سازد تا از پشتیبانی واکنشی به عملیات خوددرمانی حرکت کنند. در تعامل با مشتری خودمان، شاهد کاهش 70 درصدی بلیط‌های تولید خودکار هستیم، تقریبا از هر پنج رویداد عملیاتی یکی به‌طور مستقل حل می‌شود، و تا 45 درصد خاموشی‌های عمده کمتر در جایی که مدل‌های پیش‌بینی وجود دارد، کاهش می‌یابد.

این باید به صرفه جویی مستقیم در هزینه ها تبدیل شود، اما واقعیتی که CIO و CFO با آن دست و پنجه نرم می کنند، پیچیده تر است. هوش مصنوعی می‌تواند ارزش یکسان یا بیشتر را با تلاش بسیار کمتری ارائه دهد، که فرضیات پشت آن چیزی را که آنها برای آن پرداخت می‌کنند، کاهش می‌دهد. ارائه دهندگان خدمات مدیریت شده با معکوس همین مشکل روبرو هستند: وقتی رابطه سنتی بین تلاش، هزینه و ارزش دیگر برقرار نیست، چگونه خدمات را قیمت گذاری می کنید؟

به‌طور فزاینده‌ای، پیش‌بینی‌پذیری به‌عنوان چالش بزرگ‌تری جایگزین قابلیت می‌شود.

آنچه رهبران ارشد در مورد هوش مصنوعی می گویند

چالش‌های شناسایی موارد استفاده صحیح از هوش مصنوعی پس از گفتگو با CXOها و به طور فزاینده‌ای با رهبران کسب‌وکار فراتر از فناوری اطلاعات مطرح می‌شوند. رهبران همه نوع تشخیص می دهند که یک برنامه موفق هوش مصنوعی با یک مشکل عملیاتی شروع می شود و پیچیدگی هوش مصنوعی باید با مقیاس آن مشکل مطابقت داشته باشد.

این همچنین بدان معناست که سازمان‌ها باید تمایل داشته باشند که عملیات خود را بر اساس آنچه که هوش مصنوعی ممکن می‌سازد، دوباره طراحی کنند. تنها در این صورت است که مشتریان و ارائه دهندگان می توانند گفتگوی معناداری در مورد ارزش و نحوه قیمت گذاری آن داشته باشند. به عنوان مثال، تیم مالی یک مشتری سازمانی در تلاش بود تا یک دید واحد و دقیق از موقعیت نقدی خود در ده‌ها بازار و ارز به دست آورد.

هر منطقه برای سال‌ها معاملات مشابهی را به‌طور متفاوتی ثبت کرده بود، و رهبری بیش از پنج سال را صرف تلاش برای استانداردسازی فرآیند بدون موفقیت کرده بود. قبل از این، هیچ مبنای معتبری برای اندازه‌گیری بهبود وجود نداشت، و توافق بر سر ارزشی که هوش مصنوعی انتظار می‌رفت ایجاد کند، تقریبا غیرممکن می‌کرد.

عملیات تجاری یک مشتری اغلب به اندازه فناوری که به اجرای آنها کمک می کند، نامنظم است. قراردادهایی که این دو را با هم نگه می دارد برای دنیای گذشته با کارکنان قابل پیش بینی تر، دامنه ثابت و تقاضای پایدار ساخته شده است.

هیچ مدل قیمت گذاری درستی وجود ندارد

پاسخ طبیعی به این عدم قطعیت، جستجوی یک مدل قیمت گذاری جدید برای جایگزینی مدل قبلی است. اما هیچ مدل واحدی مشکل را حل نمی کند. رویکردهای قیمت‌گذاری مبتنی بر نتیجه، مصرف‌محور و مبتنی بر هوش مصنوعی هر کدام در شرایط مناسب دارای مزایایی هستند و مبادلات جدیدی را معرفی می‌کنند. چالش در ایجاد انعطاف‌پذیری کافی برای عملکرد زمانی است که تلاش، هزینه و تقاضا دیگر به‌طور قابل پیش‌بینی حرکت نمی‌کنند.

زمانی که بتوان یک نتیجه را به وضوح تعریف و نسبت داد، قیمت‌گذاری مبتنی بر نتیجه به خوبی کار می‌کند. زمانی که جریان‌های کاری مبتنی بر هوش مصنوعی شروع به تغذیه یکدیگر کنند، این کار بسیار سخت‌تر می‌شود و ردیابی اینکه کدام سیستم یا مرحله در چندین مرحله خودکار در پایین دست به یک نتیجه تجاری کمک کرده است، دشوار می‌شود.

قیمت گذاری مبتنی بر مصرف به هزینه استفاده بستگی دارد، که تا زمانی که با پارادوکس نشانه مواجه نشوید منصفانه به نظر می رسد. در حالی که قیمت یک جستار هوش مصنوعی به طور مداوم کاهش می یابد، کل هزینه ها به هر حال افزایش می یابد، زیرا استفاده دیگر محدود به یک نفر نیست که یک درخواست را تایپ کند. این زنجیره‌ای از عوامل هوش مصنوعی است که به طور مداوم در پس‌زمینه اجرا می‌شوند و هر مرحله مرحله بعدی را آغاز می‌کند و شامل آیتم خط خود می‌شود.

از یک مشتری بانکی که برنامه نوسازی 20 برنامه نویس را اجرا می کند، درس بگیرید. هزینه توکن به ازای هر توسعه دهنده به حدود 1000 دلار در ماه افزایش یافته است. این تیم با مسیریابی کار ساده به مدل‌های کم‌هزینه، شناسایی الگوهای استفاده که در آن مصرف توکن چهار برابر بیشتر از میانگین تیمی بود، و استفاده از اتوماسیون قطعی برای کارهای تکراری که در آن‌ها به هوش مصنوعی نیازی نبود، این مبلغ را به 200 دلار کاهش داد.

مدل‌های اشتراک‌گذاری سود، جذاب به نظر می‌رسند، زیرا ارائه‌دهنده ریسک بیشتری را در ازای سهمی از نتیجه می‌پذیرد. با این حال، زمانی که هر دو طرف در مورد اینکه کدام بهبودها ناشی از کار ارائه‌دهنده است و هر یک از طرفین مستحق چقدر اعتبار است، اختلاف نظر دارند، مدیریت آنها دشوار می‌شود.

چرا انعطاف پذیری قیمت گذاری حیاتی است

این مدل‌های قیمت‌گذاری، هر کدام فرض می‌کنند که تلاش، هزینه یا تقاضا به اندازه کافی قابل پیش‌بینی باقی می‌مانند تا قیمت‌ها در مقابل آن قیمت‌گذاری شود. به طور فزاینده، این مورد نیست.

در حالی که بازار بر روی یک رویکرد واحد قرار نگرفته است، ما معتقدیم ساختارهای ترکیبی بیشترین پتانسیل را برای تبدیل شدن به مدل تجاری ترجیحی برای خدمات مدیریت شده با هوش مصنوعی دارند. یک مدل ترکیبی یک هزینه پایه قابل پیش بینی برای خدمات اصلی، یک جزء متغیر مرتبط با مصرف هوش مصنوعی و مشوق های مبتنی بر نتیجه را که در آن نتایج را می توان به دقت اندازه گیری کرد، ترکیب می کند.

برای CIOها، این رویکرد قابلیت پیش بینی بودجه بیشتری را فراهم می کند و در عین حال محافظت در برابر افزایش مصرف را ارائه می دهد. برای ارائه دهندگان، به مدیریت نوسانات مصرف هوش مصنوعی کمک می کند و در عین حال انگیزه هایی برای کارایی، بهبود مستمر و ایجاد ارزش ایجاد می کند.

طراحی مشارکت برای عدم قطعیت

هدف هرگز یافتن مدل قیمت گذاری مناسب برای هوش مصنوعی نبود، بلکه ساخت ساختارهای تجاری بود که می توانند در صورت تغییر مجدد شرایط انعطاف پذیر باشند. این کار با تعیین خطوط مبنا روشن قبل از شروع هر مکالمه مبتنی بر سود یا نتیجه شروع می شود.

این با ایجاد عمدی در نقاط برنامه ریزی شده برای تنظیم مجدد محدوده و قیمت گذاری به جای قفل شدن در قرارداد سنتی سه ساله ادامه می یابد. شفافیت در مورد عملکرد، هزینه ها، حکمرانی و نتایج هوش مصنوعی نیز باید اولویت بندی شود تا هر دو طرف به اعداد اعتماد کنند.

ما هنوز در مراحل اولیه کشف این موضوع هستیم. اما واضح است که هوش مصنوعی نقش شریک فناوری را تغییر می‌دهد، از ارائه ظرفیت تا کمک به شرکت‌ها برای مدیریت عدم اطمینان و تسریع نتایج کسب‌وکار. شرکت‌ها باید انعطاف‌پذیری کافی را در مدل‌های قیمت‌گذاری خود ایجاد کنند تا با تغییر معادله فناوری، تقاضا و ارزش سازگار شوند.

در حالی که هیچ‌کس نمی‌تواند به‌طور کامل برای آینده قیمت‌گذاری کند، ما می‌توانیم مدل‌های تجاری را طراحی کنیم که در کنار فناوری و ارزشی که ایجاد می‌کند تکامل یابد.

ما بهترین نرم افزار حسابداری را فهرست کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit