Quan điểm: Lớp ứng dụng AI không nên định giá theo Token, mà nên gắn với "giá trị công việc có thể nhận diện"

Tin tức từ ChainCatcher, đối tác a16z Sarah Wang gần đây đã viết bài chỉ ra rằng, sản phẩm ứng dụng AI không nên mô phỏng mô hình định giá theo Token, mà nên định giá dựa trên "đơn vị công việc có thể nhận diện". Bài viết cho rằng, định giá theo Token sẽ gắn giá trị sản phẩm ứng dụng vào một đơn vị có chi phí liên tục giảm, khách hàng khó có thể dự đoán độ dài ngữ cảnh, khối lượng truy xuất hoặc thời gian suy luận, và sẽ so sánh không hợp lý giữa ứng dụng và sức mạnh tính toán gốc.

Bài viết đề xuất định giá theo cấp độ giá trị: mô hình định giá theo Token; ứng dụng định giá theo đơn vị công việc có thể nhận diện của khách hàng (như báo cáo nghiên cứu tài khoản, sửa đổi mã, truy vấn đã hoàn thành), có thể được đóng gói qua Credits; các tình huống có thể quy cho và giá trị rõ ràng được định giá trực tiếp theo kết quả (như cuộc đối thoại dịch vụ khách hàng đã giải quyết, đầu mối đủ điều kiện). Thiết kế Credits nên phản ánh các công việc với độ khó khác nhau, nhằm bảo vệ biên lợi nhuận và phân biệt "giá trị công việc" với "chi phí giao hàng". Trong bài viết, tác giả lấy Clay làm ví dụ, định giá mới của họ sẽ tách biệt Data Credits (dữ liệu bên thứ ba) và Actions (công việc phối hợp), chỉ truyền dẫn chi phí cho các mô hình suy luận có biến động chi phí lớn mà không tăng giá. Tác giả cho rằng định giá nên gắn với giá trị chứ không phải chi phí sức mạnh tính toán, điều này không chỉ giúp khách hàng hiểu được chi phí và giá trị mà còn có lợi cho các bên sản phẩm giữ được không gian lợi nhuận.