Die KI-Preisgestaltung von Salesforce bricht das Versprechen von SaaS pro Nutzer
Die KI-Preisgestaltung von Salesforce misst inzwischen Aktionen, Gespräche oder Nutzer und legt damit einen Konflikt offen, den vorhersehbare Software-Abonnements bislang verdeckten. KI-Agenten können Arbeit erledigen, ohne die Mitarbeiterzahl zu erhöhen, während jeder Modellaufruf variable Rechenkosten verursacht. Diese Kombination schwächt die Verbindung zwischen Kundenmitarbeiterzahl, Softwarewert und Anbieterumsatz.
Die Veränderung ist bedeutsam, weil Abonnements pro Nutzer Softwareunternehmen außergewöhnlich transparente wiederkehrende Umsätze verschafften. Kunden konnten ihre Ausgaben anhand der Mitarbeiterzahl prognostizieren, während Investoren Verlängerungen und Expansion modellieren konnten. KI-Agenten stören beide Kalkulationen, indem sie die produktive Aktivität steigern und gleichzeitig die Zahl menschlicher Nutzer potenziell verringern.
Salesforce gibt Abonnements nicht auf, und die Software-as-a-Service-Branche verschwindet nicht. Stattdessen testen Salesforce, Microsoft, HubSpot, Intercom und andere Anbieter gleichzeitig mehrere Abrechnungsmetriken. Der daraus entstehende Markt ist weniger vorhersehbar, selbst wenn die Software mehr Arbeit erledigt.
Die KI-Preisgestaltung von Salesforce folgt nun der Arbeit
Die KI-Preisgestaltung von Salesforce geht nicht länger davon aus, dass ein einzelner menschlicher Nutzer die eindeutigste Einheit des Softwarewerts darstellt.
Das Unternehmen bietet derzeit für Agentforce verbrauchsbasierte Optionen neben Lizenzen pro Nutzer an. Sein Verbrauchssystem nutzt Flex Credits, die unterschiedliche Prompts und Agentenaktionen in eine gemeinsame Abrechnungseinheit übersetzen. Gesprächsbasierte Vereinbarungen bleiben für ausgewählte kundenorientierte Anwendungsfälle verfügbar.
Salesforce erklärt, dass ein autonomer Agent Schlussfolgerungen ziehen, Tools aufrufen, Datensätze aktualisieren und mehrstufige Workflows abschließen kann. Jede Operation kann im Rahmen seines Flex Credits model eine abrechenbare Aktion erzeugen. Einfachere eingebettete Funktionen wie das Erstellen von Entwürfen oder Zusammenfassungen können stattdessen über Prompts gemessen werden.
Diese Struktur spiegelt ein praktisches Problem wider. Ein Kundenservice-Agent könnte einen Käufer authentifizieren, eine Bestellung abrufen, Fulfillment-Daten prüfen und eine Antwort vorbereiten. Ein sichtbares Gespräch kann daher mehrere Aktionen umfassen, jeweils mit unterschiedlichen Infrastrukturanforderungen.
Eine Lizenz pro menschlichem Nutzer verdichtet diese Unterschiede zu einer wiederkehrenden Gebühr. Das funktioniert, solange Mitarbeiter die primären Anwender bleiben und sich Softwarekosten nur langsam verändern. Schwieriger wird es, wenn autonome Systeme kontinuierlich laufen, zusätzliche Schritte verzweigen und mehrere Modelle aufrufen können.
Salesforce hat keinen universellen Ersatz für die Preisgestaltung pro Nutzer ausgewählt. Das Unternehmen bietet verschiedene Metriken an, weil Mitarbeiterunterstützung, Kundensupport und autonome Ausführung unterschiedliche Beziehungen zwischen Aktivität und Wert schaffen. Diese Vielfalt ist ein Hinweis auf einen noch nicht abgeschlossenen Übergang, nicht auf eine fertige Preisformel.
Das Unternehmen stellt zudem eine digitale Wallet zur Verbrauchsverfolgung bereit. Kunden können die Credit-Nutzung überwachen, Trends prüfen und Warnmeldungen konfigurieren, bevor die Aktivität Erwartungen übersteigt. Diese Kontrollmechanismen verdeutlichen, dass variable Abrechnung mehr operative Aufmerksamkeit verlangt als eine feste Nutzerzahl.
KI verändert auch die Kostenseite. Traditionelle SaaS-Anbieter können einen weiteren Nutzer in der Regel mit relativ geringen zusätzlichen Infrastrukturkosten bedienen. Generative KI verursacht Inferenzkosten, sobald ein Modell Kontext verarbeitet, eine Antwort generiert oder ein weiteres Tool auswählt.
Ein Agent kann diese Operationen bei der Bearbeitung einer einzigen Anfrage vielfach wiederholen. Der Softwareanbieter muss diese variablen Kosten entweder selbst tragen oder einen Teil davon an den Kunden weitergeben. Ein Pauschalabonnement kann unattraktiv werden, wenn sich die Nutzung zwischen ansonsten ähnlichen Accounts stark unterscheidet.
Die von Axios am 11. September berichtete Preisänderung geht daher über eine Anpassung der Paketierung hinaus. Sie verändert, wie Kunden, Anbieter und Investoren wiederkehrende Umsätze interpretieren. Die alte Metrik zählte Zugänge, während die neuen Metriken Aktivität oder erledigte Arbeit zählen.
Die Veränderung macht Nutzerlizenzen nicht überflüssig. Menschliche Nutzer benötigen weiterhin Dashboards, Freigaben, administrative Kontrollen und Kollaborationsfunktionen. Viele Unternehmen werden deshalb ein Basisabonnement beibehalten und um eine variable Agentenkomponente ergänzen.
Diese hybride Vereinbarung verschafft dem Anbieter eine stabile Umsatzbasis. Sie verbindet zusätzliche Umsätze zugleich mit einer steigenden KI-Nutzung. Für den Kunden entsteht jedoch eine weitere Metrik, die Beschaffungs- und Finanzteams prognostizieren müssen.
Das unmittelbare Ereignis ist nicht der Tod von SaaS. Es ist der Verlust einer klaren Beziehung: Mehr Mitarbeiter bedeuteten einst mehr Nutzerlizenzen, und mehr Nutzerlizenzen bedeuteten mehr wiederkehrende Umsätze. Ein KI-Agent kann nun den Output steigern, ohne diese Gleichung zu erhalten.
Warum SaaS-Preise pro Nutzer unter Druck geraten
Das Modell pro Nutzer verliert an Stärke, wenn Software Arbeit erledigt, statt Mitarbeitern nur bei ihrer Ausführung zu helfen.
Ein Nutzerzugang funktioniert als Preiseinheit, wenn der Zugang eng mit dem Wert verbunden ist. Ein Vertriebsmitarbeiter nutzt eine Customer-Relationship-Plattform, ein Buchhalter Finanzsoftware und ein Ingenieur Entwicklungstools. Mit dem Wachstum des Teams kauft der Kunde weitere Accounts.
KI-Agenten schaffen ein anderes Muster. Ein Mitarbeiter kann mehrere Agenten steuern, während ein Agent eine ganze Abteilung bedienen kann. Der Kunde kann mehr erledigte Arbeit erhalten, obwohl die Zahl menschlicher Logins gleich bleibt oder sinkt.
Dies ist die zentrale Umkehrung, vor der SaaS-Anbieter stehen. Erfolgreiche Automatisierung kann genau jene Nutzerzahl verringern, die historisch die Expansionserlöse getragen hat. Ein Produkt, das Arbeitsaufwand spart, sollte Kundennutzen schaffen, doch ein nutzerbasierter Vertrag kann verhindern, dass der Anbieter an diesem Wert teilhat.
Kunden hinterfragen ungenutzte Lizenzen zudem aggressiver, wenn Agenten Routineaufgaben übernehmen. Shelfware bezeichnet erworbene Kapazität, die Mitarbeiter selten nutzen. Eine Organisation hat weniger Grund, sie zu tolerieren, wenn automatisierte Workflows die Arbeit auf weniger Bediener konzentrieren können.
McKinsey untersuchte Preismodelle von 150 globalen Anbietern und sprach mit mehr als 50 Unternehmen, die KI-Produkte einführen. Die Anbieterstudie ergab, dass KI-native Unternehmen bereits weniger stark von Abonnements pro Nutzer abhängen als etablierte Anbieter.
Unter den untersuchten Unternehmen waren Plattformgebühren für 44 Prozent der KI-nativen Anbieter das vorherrschende Abonnementmodell. Nur 22 Prozent nutzten hauptsächlich Abonnements pro Nutzer. Etablierte Softwareunternehmen zeigten das gegenteilige Muster: Bei 78 Prozent stand die Preisgestaltung pro Nutzer im Mittelpunkt.
Diese Zahlen beweisen nicht, dass jede Softwarekategorie Nutzerlizenzen aufgeben wird. Kollaborationstools gewinnen weiterhin durch breite Mitarbeiterbeteiligung an Wert. Administrative Systeme benötigen auch benannte Nutzer für Sicherheit, Verantwortlichkeit und Berechtigungsverwaltung.
Die Zahlen zeigen jedoch, dass unternehmensweite Zugangs- und Verbrauchsmetriken zu glaubwürdigen Alternativen werden. Sie entkoppeln Umsätze von der Zahl der Personen, die das Produkt öffnen. Diese Entkopplung wird wertvoll, wenn Agenten Arbeit über Programmierschnittstellen statt über grafische Oberflächen erledigen.
Investoren müssen vertraute Bewertungsannahmen vor diesem Hintergrund neu überdenken. Jahresverträge können weiterhin wiederkehrende Umsätze erzeugen, doch Verbrauch führt innerhalb jedes Accounts zu mehr Variabilität. Expansion hängt vom Wachstum der Arbeitslast ab, nicht nur von Neueinstellungen oder der Einführung in weiteren Abteilungen.
KI-Ausgaben fügen eine weitere Unsicherheit hinzu. Modellnutzung, Abrufprozesse, Tool-Aufrufe und Datenverarbeitung können die Kosten für die Betreuung aktiver Kunden erhöhen. Die Bruttomargen können sich daher mit der Zusammensetzung der Arbeitslast, der Modellauswahl und dem Verhalten von Agenten verändern.
Ein Anbieter kann mit kurzen, wiederholbaren Aufgaben attraktive Margen erzielen. Derselbe Vertrag kann weniger attraktiv werden, wenn Agenten große Dokumente verarbeiten oder schwierige Workflows erneut versuchen. Die durchschnittliche Wirtschaftlichkeit pro Nutzer kann diesen Unterschied nicht offenlegen.
Käufer stehen vor dem Spiegelbild dieses Problems. Sie erhalten eine engere Verbindung zwischen Ausgaben und Aktivität, verlieren jedoch die Einfachheit, Mitarbeiter zu zählen. Finanzteams müssen modellieren, wie häufig Agenten laufen und wie komplex ihre Aufgaben werden.
Beschaffungsteams werden zudem klarere Definitionen verlangen. Ein Anbieter muss erklären, was als Aktion, Gespräch, Lösung oder Credit gilt. Kunden müssen wissen, ob fehlgeschlagene Versuche, Wiederholungen, Eskalationen und Testaktivitäten ihr Kontingent verbrauchen.
Damit wird Telemetrie Teil des kommerziellen Produkts. Nutzungs-Dashboards, Ausgabenlimits und Prüfaufzeichnungen sind keine optionalen administrativen Extras mehr. Sie bestimmen, ob Kunden der Rechnung vertrauen und sie intern rechtfertigen können.
Der Druck reicht über die Beschaffung hinaus. Produktteams müssen messbare Einheiten entwerfen, Engineering-Teams sie erfassen und Vertriebsteams sie erklären. Finanzabteilungen übersetzen den sich verändernden Verbrauch anschließend in Umsatzprognosen.
Die Preisgestaltung pro Nutzer bündelte diese Funktionen in einem einfachen Vertrag. KI zieht sie auseinander. Die Branche benötigt nun Metriken, die verständlich bleiben und zugleich Arbeit, Wert und Rechenaufwand abbilden.
Nutzungsbasierte Preisgestaltung löst ein Problem und schafft ein anderes
Nutzungsbasierte Preisgestaltung richtet Umsatz an Aktivität aus, überträgt jedoch Prognoserisiken vom Anbieter auf den Käufer.
Eine Verbrauchsmetrik erscheint fair, weil eine Organisation mehr zahlt, wenn sie mehr nutzt. Dieses Prinzip passt zu Agenten, die eine variable Anzahl an Aufgaben erledigen. Es schützt Anbieter zudem davor, unbegrenzte Modell- und Infrastrukturkosten selbst zu tragen.
Die Schwierigkeit besteht darin, zu entscheiden, was gezählt werden soll. Tokens messen die Textbestandteile, die ein Modell liest und erzeugt. Sie stehen in engem Zusammenhang mit Rechenkosten, haben für die meisten Geschäftskunden jedoch wenig intuitive Bedeutung.
Aktionen lassen sich leichter mit Workflow-Aktivitäten verbinden. Dennoch kann eine Aktion ein Feld aktualisieren, während eine andere mehrere Systeme durchsucht und eine detaillierte Antwort generiert. Eine einzelne Bezeichnung kann erhebliche Unterschiede bei Aufwand und Wert verbergen.
Credits geben Anbietern eine gemeinsame Abrechnungsebene für mehrere Dienste. Sie können Prompts, Agentenoperationen, Übersetzungen oder Sprachaktivitäten unterschiedliche Credit-Gewichtungen zuweisen. Kunden erhalten ein einziges Guthaben, auch wenn das Verständnis seines Verbrauchs weiterhin eine detaillierte Überwachung erfordern kann.
Microsoft verfolgt diesen Ansatz für mehrere agentische Erfahrungen. Seine Dokumentation beschreibt Copilot Credits als Einheit für nutzungsbasierte Abrechnung über unterstützte Workloads hinweg. Administratoren erhalten über Copilot credit controls Budgets, Ausgabenrichtlinien, Nutzungsberichte, Warnmeldungen und harte Obergrenzen.
Diese Kontrollen offenbaren die eigentliche Anforderung der Käufer. Unternehmen benötigen nicht nur eine Abrechnungseinheit. Sie brauchen Governance, die einen Agenten, Nutzer, eine Abteilung und eine Aufgabe mit dem daraus resultierenden Verbrauch verknüpft.
Ohne diese Transparenz können Experimente eine unerwartete Rechnung erzeugen. Ein erfolgreicher Rollout kann die Aktivität deutlich schneller erhöhen, als es die Mitarbeiterzahl je getan hat. Ein autonomer Workflow kann zudem weiterhin Ressourcen verbrauchen, nachdem niemand ihn mehr beobachtet.
Harte Obergrenzen verringern das finanzielle Risiko, führen jedoch ein operatives Risiko ein. Ein Kundenservice-Agent, der während eines Nachfrageschubs sein Limit erreicht, kann ausfallen, wenn Kunden ihn am dringendsten benötigen. Eine großzügige Obergrenze schützt die Kontinuität, schwächt jedoch die Kostensicherheit.
Model Routing bietet eine mögliche Antwort. Einfachere Aufgaben können kleinere Modelle nutzen, während schwierige Anfragen leistungsfähigere Systeme verwenden. Das Zwischenspeichern wiederholter Kontexte und die Reduzierung unnötiger Prompt-Historien können den Verbrauch ebenfalls begrenzen.
Diese Techniken machen die Softwarearchitektur zu einem Teil der Preisstrategie. Zwei Anbieter können ähnliche Oberflächen liefern und dabei sehr unterschiedliche Inferenzkosten tragen. Ein Anbieter mit effizientem Routing kann planbarere Kapazitäten anbieten oder höhere Margen sichern.
Käufer haben selten vollständige Transparenz über diese internen Entscheidungen. Sie sehen möglicherweise, wie Credits aus einem Guthaben abgebucht werden, ohne zu wissen, welches Modell die einzelnen Schritte bearbeitet hat. Transparente Nutzungsaufzeichnungen sind daher wichtiger als eine polierte Liste von KI-Funktionen.
Hybride Preisgestaltung versucht, diese konkurrierenden Anforderungen auszubalancieren. Ein Basissubskriptionsmodell bietet Zugang, Support, Sicherheit und planbare Umsätze. Eine verbrauchsabhängige Komponente erfasst Agentenaktivität über die enthaltene Kapazität hinaus.
HubSpot beschrieb diese Richtung öffentlich, als das Unternehmen Breeze Customer Agent über Credits ausweitete. Seine hybride Preisstrategie kombiniert Abonnementlizenzen mit enthaltener Kapazität und zusätzlichem Credit-Verbrauch. Das Unternehmen erklärte, eine ähnliche Behandlung für weitere KI-Agenten zu prüfen, sobald Nutzung und Ergebnisse konsistent würden.
Diese Reihenfolge bietet eine wichtige Lehre. Anbieter brauchen Belege für das tatsächliche Verhalten, bevor sie eine dauerhafte Abrechnungseinheit festlegen. Eine zu frühe Preisgestaltung kann Umsätze an eine technische Kennzahl binden, die Kunden später ablehnen.
Sie kann zudem die Produktakzeptanz bremsen. Beschäftigte experimentieren weniger, wenn jeder Prompt offenbar ein sichtbares Guthaben reduziert. Abteilungen könnten Agenten auf eng begrenzte Aufgaben beschränken und so verhindern, dass der Anbieter erfährt, wo das Produkt tatsächlich Wert schafft.
Unbegrenzter Zugang fördert die Erkundung, setzt den Anbieter jedoch einer hohen Nutzung aus. Nutzungsbasierte Abrechnung schützt den Anbieter, kann aber bei Kunden Unsicherheit auslösen. Keine Abrechnungseinheit beseitigt diesen Zielkonflikt.
Die KI-Preisgestaltung von Salesforce veranschaulicht den Kompromiss. Das Unternehmen unterstützt Nutzerlizenzen für planbaren Mitarbeiterzugang und Verbrauchsoptionen für variable Agentenarbeit. Diese Flexibilität kann verschiedenen Kunden helfen, erschwert jedoch auch Vergleiche und Beschaffung.
Das Ergebnis ähnelt eher dem Einkauf von Cloud-Infrastruktur als klassischem SaaS. Kunden müssen Arbeitslasten schätzen, die Auslastung beobachten und Limits verwalten. Softwarekäufer benötigen zunehmend Fähigkeiten, die früher vor allem Cloud-Betriebsteams vorbehalten waren.
Das bedeutet nicht, dass Token-Abrechnung zum öffentlichen Aushängeschild jedes KI-Produkts wird. Technische Ressourceneinheiten sind oft zu weit vom geschäftlichen Nutzen entfernt. Anbieter werden sie weiterhin in Aktionen, Credits, Aufgaben oder Kapazitätspakete übersetzen.
Die dauerhaft tragfähigen Modelle werden diese Übersetzung nachvollziehbar machen. Kunden müssen verstehen, welches Verhalten Ausgaben verursacht, und Anbieter müssen ihre variablen Kosten decken. Eine Preiseinheit, die nur eine Seite zufriedenstellt, bleibt nicht stabil.
Ergebnisbasierte KI-Preisgestaltung hat ein Messproblem
Für Ergebnisse abzurechnen klingt am ehesten nach Wertschöpfung, doch jeder Vertrag muss definieren, wem der Erfolg zugerechnet wird.
Ergebnisbasierte Preisgestaltung verlangt von Kunden eine Zahlung, wenn Software eine wertvolle Aufgabe erledigt. Ein Support-Agent könnte anhand gelöster Gespräche gemessen werden. Ein Vertriebsagent könnte anhand qualifizierter Leads oder abgeschlossener Recherche gemessen werden.
Diese Struktur verbessert die kommerzielle Logik. Kunden zahlen nicht allein dafür, dass eine KI etwas versucht hat. Anbieter erzielen Umsätze, wenn das System ein vereinbartes Ergebnis erreicht.
Intercom nutzt diesen Ansatz für seinen Fin AI Agent. Seine veröffentlichten Ergebnisregeln unterscheiden erfolgreiche Lösungen und konfigurierte Übergaben von fehlgeschlagenen Verfahren oder direkten Eskalationen. Das Unternehmen erklärt, innerhalb eines Gesprächs höchstens einmal abzurechnen.
Das klingt klarer als Token-Verbrauch. Eine Support-Leitung versteht einen gelösten Fall leichter als eine Anzahl von Prompts. Die Einheit liegt zudem näher am geschäftlichen Wert, den der Kunde erzielen wollte.
Die scheinbare Einfachheit hängt jedoch von einer detaillierten Definition ab. Hat die KI das Problem gelöst, oder hat der Kunde einfach nicht mehr geantwortet? Sollte eine Übergabe zählen, wenn der Agent Informationen gesammelt hat, aber ein Mensch die Arbeit abgeschlossen hat?
Die Antwort beeinflusst sowohl die Rechnung als auch die Produktkennzahl. Anbieter haben einen Anreiz, mehr Interaktionen als erfolgreich zu klassifizieren. Kunden haben einen Anreiz, Fälle anzufechten, die unvollständige oder minderwertige Antworten hervorgebracht haben.
Komplexe Workflows führen zu schwierigeren Streitfällen bei der Zuordnung. Ein Vertriebsagent kann einen Interessenten identifizieren, Kontaktdaten anreichern, Ansprache entwerfen und ein Meeting vereinbaren. Die spätere Transaktion kann außerdem von Markenbekanntheit, Preisgestaltung, menschlichen Verhandlungen und Marktbedingungen abhängen.
Für den abgeschlossenen Verkauf abzurechnen würde sich am letztendlichen Wert ausrichten, doch die Software kontrolliert nicht jeden beitragenden Faktor. Für Ansprache abzurechnen ist leichter messbar, belohnt jedoch Aktivität statt Qualität. Die Abrechnung für einen qualifizierten Lead liegt zwischen diesen Extremen.
McKinsey berichtete in seiner Branchenforschung über ein aufschlussreiches Beispiel. Ein KI-nativer Vertriebsanbieter bot sowohl aktivitätsbasierte als auch ergebnisbasierte Modelle an. Neunzig Prozent der Kunden entschieden sich für aktivitätsbasierte Preisgestaltung, weil Ausgabenprognosen und Definitionen der Qualifizierung in den Verhandlungen schwierig wurden.
Dieses Ergebnis stellt eine verbreitete Annahme infrage. Käufer wählen nicht immer die Kennzahl, die dem wirtschaftlichen Wert am nächsten liegt. Sie bevorzugen möglicherweise eine weniger perfekte Einheit, wenn sie ein klareres Budget und weniger Vertragsstreitigkeiten ermöglicht.
Ergebnisbasierte Preisgestaltung verändert auch das Risiko des Anbieters. Der Anbieter trägt die Kosten erfolgloser Versuche, wenn nur abgeschlossene Ergebnisse Umsätze generieren. Das kann bessere Produkte fördern, doch schwierige Kundenumgebungen können zu unfairen Vergleichen führen.
Schlechte Daten, unvollständige Integrationen oder restriktive Richtlinien können die Erfolgsquote eines Agenten senken. Der Anbieter kann die Kosten tragen, selbst wenn die Konfiguration des Kunden den Fehlschlag verursacht hat. Verträge benötigen dann Regeln für Voraussetzungen, Ausnahmen und gemeinsame Verantwortung.
Qualität schafft ein weiteres Problem. Eine Lösung kann technisch vollständig sein und den Kunden dennoch unzufrieden zurücklassen. Ein Lead kann formale Kriterien erfüllen, aber wenig kommerzielles Potenzial besitzen. Binäre Abrechnungsereignisse können nicht jede Dimension von Wert erfassen.
Unternehmen benötigen daher prüfbare Nachweise. Kunden sollten die Interaktion, die Aktionen des Agenten, den Endzustand und jede menschliche Intervention einsehen können. Verfahren zur Streitbeilegung müssen vorhanden sein, bevor die Automatisierung große Volumina erreicht.
Deshalb erfordert ergebnisbasierte Preisgestaltung mehr als eine Änderung der Checkout-Seite. Anbieter benötigen Evaluierungssysteme, kundenorientierte Telemetrie, interne Prüfwerkzeuge und konsistente Definitionen. Vertriebs- und Rechtsteams müssen diese Definitionen vor der Einführung erläutern.
Agenten können ihr Verhalten auch an die Kennzahl anpassen. Ein auf Lösungsquote optimiertes System könnte angemessene Eskalationen vermeiden. Ein Vertriebsagent, der für qualifizierte Leads belohnt wird, könnte großzügige Qualifizierungsstandards bevorzugen.
Menschliche Organisationen kennen dieses Problem bereits bei Leistungszielen. KI erleichtert es, dieses Verhalten schnell zu skalieren. Schlechte Anreize können daher Tausende minderwertiger Ergebnisse erzeugen, bevor jemand die Regel überarbeitet.
Ergebnisabrechnung bleibt für klar abgegrenzte Workflows attraktiv. Kundensupport, Dokumentenverarbeitung und standardisierte Verifizierung können beobachtbare Abschlusszustände erzeugen. Offene Recherche oder strategische Arbeit bietet weniger eindeutige Endpunkte.
Die skeptische Schlussfolgerung lautet nicht, dass ergebnisbasierte Preisgestaltung scheitern wird. Das Modell funktioniert nur, wenn Erfolg zeitnah, zurechenbar und automatisch überprüfbar ist. Viele Unternehmensaufgaben erfüllen bislang nicht alle drei Bedingungen.
Nutzungsbasierte und ergebnisbasierte Preisgestaltung werden daher nebeneinander bestehen. Nutzung eignet sich für variable Rechenarbeit, die Anbieter konsistent messen können. Ergebnisse eignen sich für standardisierte Aufgaben, bei denen Kunden und Anbieter sich auf Erfolg einigen können.
Verträge pro Nutzer werden daneben für menschlichen Zugang und Zusammenarbeit bestehen bleiben. Der Markt wird kurzfristig mehr Abrechnungseinheiten enthalten, nicht einen universellen Nachfolger. Diese Komplexität ist der Preis dafür, unterschiedliche Formen von KI-Arbeit passend abzubilden.
Was die nächsten SaaS-Ergebniszyklen zeigen müssen
Das Erfolgsmodell wird KI-Akzeptanz mit dauerhaftem Umsatz verbinden, ohne Kundenbudgets oder Anbietermargen unvorhersehbar zu machen.
Das erste Signal, auf das zu achten ist, ist der offengelegte KI-Verbrauch in den Ergebnisberichten großer Softwareanbieter. Anbieter müssen zeigen, ob Kunden von Tests zu wiederkehrenden Produktivlasten übergehen. Vertragsankündigungen allein können dieses Muster nicht belegen.
Investoren sollten nach Hinweisen suchen, dass der Verbrauch nach der Einführung wächst, ohne starke Umsatzvolatilität zu erzeugen. Sie sollten zudem das Wachstum der KI-Umsätze mit den Infrastrukturkosten vergleichen. Steigende Nutzung ist weniger relevant, wenn die Kosten für ihre Bereitstellung ebenso schnell steigen.
Kommentare zur Bruttomarge verdienen besondere Aufmerksamkeit. KI-Agenten führen mehr Inferenz und Tool-Nutzung aus als herkömmliche Softwarefunktionen. Anbieter müssen zeigen, dass Routing, Modellauswahl, Caching und Preisgestaltung diese Kosten im Laufe der Zeit ausgleichen.
Das zweite Signal ist eine Vereinfachung der Preisgestaltung. Salesforce, Microsoft und ihre Wettbewerber bieten derzeit überlappende Einheiten für Nutzerlizenzen, Credits, Aktionen, Kapazität und Ergebnisse an. Kunden werden durch ihr Verlängerungsverhalten zeigen, welche Abrechnungseinheiten bestehen bleiben.
Ein stabiles Modell sollte sich nach mehreren Vertragszyklen leichter erklären lassen. Definitionen sollten zusammenlaufen, das Monitoring sollte sich verbessern und Ausnahmen sollten abnehmen. Anhaltende Komplexität würde darauf hindeuten, dass Anbieter noch immer kein vertrauenswürdiges Wertmaß gefunden haben.
Verlängerungen werden bessere Belege liefern als neue Verkäufe. Ein Kunde kann unbekannte Bedingungen während eines begrenzten Pilotprojekts akzeptieren. Anspruchsvoller wird es, nachdem reale Verbrauchsmuster beobachtet und Rechnungen mit Geschäftsergebnissen verglichen wurden.
Beobachten Sie, ob Käufer ihre Zusagen ausweiten, strengere Obergrenzen setzen oder zu planbaren Lizenzen zurückkehren. Eine Ausweitung würde die Argumente für verbrauchsabhängige Preisgestaltung stärken. Eine Rückkehr zu festem Zugang würde zeigen, dass Budgetsicherheit weiterhin wichtiger ist als eine präzise Nutzungszuordnung.
Das dritte Signal ist die Qualität der Ergebnisverifizierung. Support-Plattformen bieten ein frühes Testfeld, weil Gespräche beobachtbare Zustände erzeugen. Ihre Streitquoten, Eskalationsmuster und Kundenbindung können zeigen, ob automatisierte Erfolgskennzahlen glaubwürdig bleiben.
Anbieter müssen genügend Informationen offenlegen, damit Kunden die Ergebnisse prüfen können. Ein Black-Box-Label für eine Lösung wird kein langfristiges Vertrauen schaffen. Der zugrunde liegende Datensatz sollte zeigen, was der Agent getan hat, warum er anhielt und ob ein Mensch eingegriffen hat.
Ergebnisstandards könnten zudem detaillierter werden. Kunden könnten separate Kennzahlen für Abschluss, Genauigkeit, Zufriedenheit und vermiedene menschliche Arbeit verlangen. Bessere Definitionen würden die ergebnisbasierte Preisgestaltung stärken, die Verträge jedoch komplexer machen.
Diese Signale sind für Käufer ebenso wichtig wie für Investoren. Ein Unternehmen, das ein KI-Produkt bewertet, sollte den Workflow modellieren, bevor es Abrechnungseinheiten vergleicht. Es benötigt erwartetes Volumen, Aufgabenkomplexität, Fehlerpfade und die Kosten menschlicher Prüfung.
Teams sollten außerdem Verantwortlichkeiten für KI-Ausgaben festlegen. Die Beschaffung kann den Vertrag verhandeln, doch Produktverantwortliche verstehen das Workflow-Volumen. Die Entwicklung erkennt das Modellverhalten, während die Finanzabteilung die Budgetrisiken verfolgt.
Ein gemeinsames Wissenssystem kann diesen Gruppen helfen, Annahmen, Nutzungsberichte, Evaluierungsergebnisse und Verlängerungsentscheidungen festzuhalten. Teams, die ihre interne KI-Arbeit bereits organisieren, können von einer durchsuchbaren KI-Wissensdatenbank statt verstreuter Preisgestaltungstabellen profitieren.
Käufer sollten die scheinbar günstigste Einheit nicht automatisch als vorzugswürdig behandeln. Ein Credit kann mehrere Vorgänge verbergen, während eine Lösung umstrittene Qualität verbergen kann. Entscheidend ist, ob die Abrechnungseinheit ein Ergebnis widerspiegelt, das die Organisation beobachten und steuern kann.
Anbieter stehen vor einer ähnlichen Prüfung. Sie müssen dem Impuls widerstehen, für jede neue Funktion ein eigenes Abrechnungsvokabular zu erfinden. Zu viele inkompatible Einheiten erschweren produktübergreifende Budgetierung und schwächen das Vertrauen der Kunden.
Die KI-Preisgestaltung von Salesforce macht den Wandel der Branche sichtbar, weil sie mehrere Optionen nebeneinanderstellt. Diese Breite bietet heute Flexibilität. Sie zeigt aber auch, dass sich der Markt noch nicht auf einen dauerhaft tragfähigen Ersatz für das Seat-Modell geeinigt hat.
Das wahrscheinliche Ziel ist ein mehrschichtiger Vertrag. Eine Plattformgebühr deckt Zugang, Governance und Kernfunktionen ab. Variable Kosten richten sich anschließend nach Agentenaktivität, Kapazität oder verifizierten Ergebnissen.
Solche Verträge werden einen Teil der wiederkehrenden Umsätze bewahren und zugleich Softwareunternehmen ermöglichen, am Wert der Automatisierung teilzuhaben. Sie erfordern jedoch eine bessere Überwachung als herkömmliche Lizenzen. Planbarkeit wird aus Kontrollen und Nutzungshistorien entstehen, nicht allein aus der Zahl der Beschäftigten.
Für Entwickler wird der Abrechnungsmaßstab die Architektur beeinflussen. Jeder Wiederholungsversuch, jedes lange Kontextfenster, jeder Tool-Aufruf und jede Modellwahl kann die wirtschaftliche Performance beeinflussen. Kostenbewusstes Design wird Teil der Produktqualität.
Für Wissensarbeiter entscheidet der Wandel darüber, ob Agenten breit verfügbar bleiben oder streng rationiert werden. Planbarer Zugang fördert die regelmäßige Nutzung. Aggressive Verbrauchskontrollen können Beschäftigte dazu veranlassen, Agenten für Aufgaben mit offensichtlich erkennbarem Nutzen zu reservieren.
Für Unternehmenskäufer ist der nächste Schritt konkret. Wählen Sie einen Produktionsworkflow aus, messen Sie sein Volumen und seine Fehlerpfade und vergleichen Sie anschließend Seats, Verbrauch und Ergebnisse anhand derselben Evidenz. Welcher Abrechnungsmaßstab bleibt nach der tatsächlichen Nutzung verständlich, und welche Partei trägt das Risiko, wenn die KI mehr Arbeit leistet als erwartet?
