📈 economics

A Commodity-Indexed Pricing Framework for Autonomous AI Agents

यह शोध पत्र बुनियादी ढांचे की लागत, मूल्य कैप्चर और प्लेटफॉर्म शुल्क को अलग करते हुए, तथा 'इन्फरेंस कैप्चर रेशियो' को एक प्रमुख स्वास्थ्य मीट्रिक के रूप में पेश करते हुए, पारंपरिक SaaS मॉडलों के लिए AI एजेंटों द्वारा उत्पन्न राजस्व चुनौतियों को संबोधित करने हेतु दीर्घकालिक LNG अनुबंधों से अनुकूलित एक कमोडिटी-अनुक्रमित, तीन-पदों वाले मूल्य निर्धारण ढांचे का प्रस्ताव करता है।

मूल लेखक: Abha Dalmia

प्रकाशित 2026-06-25

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Abha Dalmia

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ इस शोध पत्र (paper) का सरल, रोज़मर्रा की भाषा में स्पष्टीकरण दिया गया है, जिसमें अवधारणाओं को स्पष्ट करने के लिए उपमाओं (analogies) का उपयोग किया गया है।

बड़ी समस्या: "स्वयं को नुकसान पहुँचाने वाला" सॉफ़्टवेयर

कल्पना कीजिए कि आप एक टैक्सी कंपनी चलाते हैं। आप ग्राहकों से प्रति राइड $10 शुल्क लेते हैं। यदि आप 100 ड्राइवर रखते हैं, तो आप बहुत अच्छा पैसा कमाते हैं।

अब, कल्पना कीजिए कि आपने एक सेल्फ-ड्राइविंग रोबोट बनाया है जो इतना अच्छा है कि वह 100 मानव ड्राइवरों का काम कर सकता है। आपके ग्राहक इसे पसंद करते हैं क्योंकि यह सस्ता और तेज़ है। वे उन 100 मानव ड्राइवरों को हटा देते हैं और केवल एक रोबोट खरीद लेते हैं।

यहाँ पेंच यह है: क्योंकि आपका मूल्य निर्धारण मॉडल "प्रति ड्राइवर" पर आधारित है, इसलिए आपका राजस्व (revenue) $1,000 से गिरकर$ 10 हो जाता है। आपने एक ऐसा उत्पाद बनाया जो इतना अच्छा है कि उसने आपके अपने व्यवसाय को ही नष्ट कर दिया।

आज सॉफ़्टवेयर कंपनियों (SaaS) के साथ बिल्कुल यही हो रहा है। वे सॉफ़्टवेयर को "सीट" (प्रति उपयोगकर्ता) के आधार पर बेचते हैं। लेकिन अब, AI एजेंट कई मनुष्यों का काम कर सकते हैं। जैसे-जैसे AI बेहतर होता जाता है, कम मनुष्यों को सीटें खरीदने की आवश्यकता होती है, और सॉफ़्टवेयर कंपनी को नुकसान होता है।

विफल समाधान

पेपर कहता है कि कंपनियों ने इसे ठीक करने के लिए दो अन्य तरीके आज़माए हैं, लेकिन दोनों में बड़ी खामियां हैं:

"टोकन" द्वारा शुल्क लेना (Cost-Plus): यह वैसा ही है जैसे ग्राहक से रोबोट द्वारा उपयोग किए गए हर एक बूंद ईंधन (gas) के लिए शुल्क लेना।
- समस्या: ग्राहक डर जाते हैं। वे वास्तविक समय में बिल बढ़ते हुए देखते हैं और पैसे बचाने के लिए रोबकर का उपयोग करना बंद कर देते हैं, भले ही रोबोट उनके लिए महंगे काम हल कर रहा हो। वे मूल्य प्राप्त करने के बजाय "मीटर की निगरानी" करने लगते हैं।
केवल सफलता के लिए शुल्क लेना (Pure Outcome): यह ऐसा है जैसे कहना, "मुझे तभी भुगतान किया जाएगा जब रोबोट समस्या को हल कर देगा।"
- समस्या: यदि रोबोट 100 बार प्रयास करता है और 25 बार विफल रहता है, तो कंपनी 100 प्रयासों के लिए भुगतान करती है लेकिन केवल 75 सफलताओं के लिए भुगतान प्राप्त करती है। यदि रोबोट थोड़ा भी गड़बड़ होता है, तो कंपनी को तेज़ी से नुकसान होता है। यह विक्रेता के लिए बहुत जोखिम भरा है।

समाधान: "LNG" रेसिपी

लेखक ने एक अप्रत्याशित जगह में समाधान पाया है: लिक्विफाइड नेचुरल गैस (LNG) अनुबंध।

40 वर्षों से, देश प्राकृतिक गैस का खरीद-बिक्री कर रहे हैं। तेल और गैस की कीमत हर दिन बहुत बदलती है। यदि वे केवल वर्तमान बाजार मूल्य पर शुल्क लेते, तो एक पक्ष दिवालिया हो जाता। यदि वे कीमत को हमेशा के लिए स्थिर कर देते, तो दूसरा पक्ष पैसा खो देता।

इसलिए, उन्होंने जोखिम को संतुलित करने के लिए एक तीन-भाग वाला फॉर्मूला बनाया:

कीमत = (गैस की लागत) + (डिलीवरी का मूल्य) + (न्यूनतम गारंटी)

पेपर सुझाव देता है कि AI कंपनियों को ठीक इसी रेसिपी का उपयोग करना चाहिए।

AI प्राइस टैग के तीन भाग

1. "पास-थ्रू" (गैस की लागत)

यह क्या है: AI कंपनी कंप्यूटर चिप्स और API शुल्क की वास्तविक लागत सीधे ग्राहक को हस्तांतरित करती है।
उपमा: कल्पना कीजिए कि आपने एक प्लंबर को काम पर रखा है। आप प्लंबर की प्रति घंटा मजदूरी सीधे भुगतान करते हैं। यदि प्लंबर की यूनियन वेतन बढ़ाती है, तो आप थोड़ा अधिक भुगतान करते हैं। यदि वे कीमतें गिराते हैं, तो आप कम भुगतान करते हैं।
यह क्यों काम करता है: AI कंपनी को अनुमान लगाने की ज़रूरत नहीं है। वे बस इसे पास कर देते हैं। ग्राहक उस "ईंधन" के लिए भुगतान करता है जिसका AI उपयोग करता है।

2. "वैल्यू शेयर" (डिलीवरी बोनस)

यह क्या है: कंपनी AI द्वारा बनाए गए मूल्य का एक छोटा प्रतिशत लेती है।
उपमा: प्लंबर केवल गैस के लिए शुल्क नहीं लेता; वे बोनस भी लेते हैं क्योंकि उन्होंने आपके बाढ़ वाले बेसमेंट को ठीक किया, जिससे $5,000 का पानी का नुकसान बचा। यदि वे$ 5,000 बचाते हैं, तो वे उस बचत में से $1,000 की मांग कर सकते हैं।
यह क्यों काम करता है: यदि AI शानदार काम करता है, तो कंपनी पैसा बनाती है। यदि AI कुछ नहीं करता है, तो कंपनी को बोनस नहीं मिलता। यह सभी के लक्ष्यों को संरेखित करता है।

3. "फ्लोर" (न्यूनतम गारंटी)

यह क्या है: एक छोटा मासिक शुल्क जो ग्राहक द्वारा हर हाल में दिया जाता है।
उपमा: यह एक "टेक-ऑर-पे" (take-or-pay) क्लॉज की तरह है। भले ही आप इस महीने गैस का उपयोग न करें, फिर भी आप पाइपलाइन को खुला रखने और कारखाने की लाइटें चालू रखने के लिए एक छोटा शुल्क देते हैं।
यह क्यों काम करता है: यह AI कंपनी की निश्चित लागतों (सर्वर, इंजीनियर, किराया) को कवर करता है ताकि उपयोग कम होने पर वे दिवालिया न हों।

"हेल्थ चेक" मेट्रिक: ICR

पेपर एक नया तरीका पेश करता है जिससे यह मापा जा सके कि क्या यह व्यवसाय स्वस्थ है, जिसे इन्फरेंस कैप्चर रेशियो (ICR) कहा जाता है।

उपमा: इसे एक लेमनेड स्टैंड (नींबू पानी की दुकान) के लाभ मार्जिन की तरह सोचें।
- यदि आप एक कप $1 में बेचते हैं और इसे बनाने की लागत (नींबू + चीनी)$ 1 है, तो आपका अनुपात 1.0 है। आप मुश्किल से ब्रेक-ईवन (बराबर) हो रहे हैं।
- यदि आप इसे $2.50 में बेचते हैं और इसकी लागत$ 1 है, तो आपका अनुपात 2.5 है। आप स्वस्थ हैं और बढ़ सकते हैं।
लक्ष्य: पेपर कहता है कि AI कंपनियों को 2.5 या उससे अधिक के अनुपात का लक्ष्य रखना चाहिए। इसका मतलब है कि हर $1 जो वे AI लागत पर खर्च करते हैं, वे $2.50 का राजस्व कमा रहे हैं। यदि अनुपात 1.0 से नीचे गिर जाता है, तो व्यवसाय पैसा खो रहा है।

वास्तविक दुनिया का प्रमाण

पेपर Salesforce, Microsoft और Zendesk जैसी बड़ी कंपनियों को देखता है।

उन्होंने केवल "बातचीत" (केवल वैल्यू शेयर) के लिए शुल्क लगाने की कोशिश की और वित्त टीमों द्वारा इसे खारिज कर दिया क्योंकि बिल अप्रत्याशित थे।
उन्होंने केवल "एक्शन" (केवल कॉस्ट पास-थ्रू) के लिए शुल्क लगाने की कोशिश की और ग्राहकों ने टूल का उपयोग करना बंद कर दिया।
परिणाम: वे सभी धीरे-धीरे तीन-भाग वाले मॉडल (लागत + मूल्य + फ्लोर) की ओर बढ़ रहे हैं क्योंकि यही एकमात्र तरीका है जो सभी के लिए काम करता है।

सुरक्षा कवच: "सर्किट ब्रेकर"

पेपर "रनअवे रोबोट्स" (AI एक लूप में फंस जाता है और हजारों कॉल करता है) के बारे में भी चेतावनी देता है।

समाधान: ठीक वैसे ही जैसे घर का फ्यूज बॉक्स बिजली के उछाल (surge) होने पर बिजली काट देता है, AI बिलिंग सिस्टम में एक सर्किट ब्रेकर होना चाहिए। यदि लागत अप्रत्याशित रूप से बढ़ती है, तो सिस्टम स्वचालित रूप से AI को रोक देता है और बिल को आपदा बनने से पहले मनुष्यों को सूचित करता है।

सारांश

पेपर का तर्क है कि सॉफ़्टवेयर बेचने का पुराना तरीका (प्रति व्यक्ति) टूट गया है क्योंकि AI लोगों की जगह ले रहा है। नया तरीका प्राकृतिक गैस उद्योग की नकल करना है:

कंप्यूटर की कच्ची लागत को ग्राहक को पास करें।
AI द्वारा बनाए गए मूल्य में हिस्सा लें।
व्यवसाय में बने रहने के लिए एक छोटा न्यूनतम शुल्क रखें।

यह सॉफ़्टवेयर कंपनी को पैसा खोने से सुरक्षित रखता है, ग्राहक को "बिल के झटके" से बचाता है, और सुनिश्चित करता है कि जब AI अच्छा काम करता है तो सभी जीतते हैं।

तकनीकी सारांश: स्वायत्त AI एजेंटों के लिए एक कमोडिटी-इंडेक्स्ड प्राइसिंग फ्रेमवर्क

समस्या विवरण
यह शोध पत्र स्वायत्त AI एजेंट परिपक्व होने के साथ पारंपरिक सॉफ़्टवेयर-एज़-ए-सर्विस (SaaS) बिजनेस मॉडल की एक संरचनात्मक विफलता की पहचान करता है। मुख्य मुद्दा मानव जनशक्ति (headcount) से सॉफ़्टवेयर मूल्य का विच्छेद (decoupling) है। पारंपरिक प्रति-सीट (per-seat) मॉडल में, राजस्व उपयोगकर्ताओं की संख्या के साथ बढ़ता है। हालाँकि, जैसे ही एक एकल AI एजेंट कई मानव उपयोगकर्ताओं को प्रतिस्थापित करता है (उदाहरण के लिए, एक एजेंट 80% सपोर्ट टिकटों को हल करता है), ग्राहक का सीट काउंट गिर जाता है जबकि प्रदान किया गया मूल्य बढ़ता है। यह एक प्रतिकूल प्रोत्साहन (perverse incentive) पैदा करता है जहाँ प्रदाता की तकनीकी उत्कृष्टता सीधे उनके राजस्व को नष्ट कर देती है।

मौजूदा मूल्य निर्धारण विकल्प अपर्याप्त माने गए हैं:

प्रति-सीट प्राइसिंग (Per-Seat Pricing): विफल होती है क्योंकि मूल्य अब उपयोगकर्ता संख्या के आनुपातिक नहीं है।
कॉस्ट-प्लस प्राइसिंग (Cost-Plus Pricing): प्रदाता की शोधन क्षमता (solvency) को हल करती है लेकिन एक "मीटर-वॉचिंग" समस्या पैदा करती है जहाँ ग्राहक बिल के झटके से बचने के लिए उपयोग को प्रतिबंधित करते हैं, जिससे पूर्ण परिणाम मूल्य को कैप्चर करने में विफलता होती है।
शुद्ध परिणाम मूल्य निर्धारण (Pure Outcome Pricing): सभी इन्फरेंस लागत जोखिम (जैसे, विफल प्रयास, मॉडल अस्थिरता, अनियंत्रित लूप) को प्रदाता पर स्थानांतरित कर देता है। बड़े पैमाने पर, यह अस्थिरता शोधन क्षमता का जोखिम पैदा करती है, क्योंकि सफलता दर में गिरावट या टोकन लागत में उछाल तुरंत मार्जिन को खत्म कर सकता है।

कार्यप्रणाली और ढांचा (Methodology and Framework)
लेखक एक मूल्य निर्धारण ढांचे का प्रस्ताव करते हैं जो दीर्घकालिक लिक्विफाइड नेचुरल गैस (LNG) अनुबंधों से अनुकूलित है, जिन्होंने दशकों से अस्थिर कमोडिटी कीमतों और उच्च निश्चित पूंजी लागतों को सफलतापूर्वक प्रबंधित किया है। प्रस्तावित बिलिंग चक्र $T$ के लिए मूल्य निर्धारण सूत्र है:

$P = \sum_{i=1}^{n}(\alpha_i \cdot C_i) + \beta \cdot V + \gamma$

जहाँ:

इंफ्रास्ट्रक्चर टर्म ( $\sum \alpha_i \cdot C_i$ ): एक मल्टी-प्रदाता लागत पास-थ्रू। एक एकल मिश्रित गुणांक के बजाय, यह टर्म इन्फरेंस प्रदाता ( $i$ ) द्वारा लागत को विघटित करता है। $\alpha_i$ इंफ्रास्ट्रक्चर गुणांक (प्रदाता की वर्तमान API लागत के रूप में सेट) है, और $C_i$ उपभोग (टोकन, कॉल्स, मिनट) है। यह सुनिश्चित करता है कि प्रदाता कभी भी अपस्ट्रीम कमोडिटी (LLM टोकन) अस्थिरता के संपर्क में न आए।
वैल्यू कैप्चर टर्म ( $\beta \cdot V$ ): परिणाम मूल्य का एक हिस्सा। $\beta$ एक विशिष्ट वर्टिकल और परिणाम प्रकार के लिए विशिष्ट वैल्यू मल्टीप्लायर है, और $V$ मात्रात्मक रूप से उत्पन्न मूल्य (जैसे, हल किए गए टिकट, योग्य लीड) है। यह AI दक्षता के लाभ को कैप्चर करता है।
प्लेटफॉर्म फ्लोर ( $\gamma$ ): एक प्रतिबद्ध न्यूनतम राजस्व (LNG अनुबंधों में "टेक-ऑर-पे" क्लॉज के समान)। यह निश्चित बुनियादी ढांचे की लागत (R&D, ऑर्केस्ट्रेशन, SLA सपोर्ट) को कवर करता है, चाहे उपयोग का वॉल्यूम कुछ भी हो, जिससे आधारभूत शोधन क्षमता सुनिश्चित होती है।

प्रमुख योगदान

तीन-पद संरचना (Three-Term Structure): शोध पत्र एक हाइब्रिड मॉडल पेश करता है जो एक साथ प्रदाता लागतों ( $\alpha$ और $\gamma$ के माध्यम से) की रक्षा करता है, परिणाम मूल्य ( $\beta$ के माध्यम से) को कैप्चर करता है, और एंटरप्राइज ग्राहकों के लिए अनुमानित राजस्व आधार प्रदान करता है।
मल्टी-प्रवेंडर डिकंपोजिशन: ढांचा इस वास्तविकता को स्पष्ट रूप से संबोधित करता है कि एजेंटिक सिस्टम अक्सर कई LLM प्रदाताओं (जैसे, रीजनिंग, विजन या वॉयस के लिए अलग-अलग मॉडल) के बीच कार्यों को रूट करते हैं। यह व्यक्तिगत प्रदाता कीमतों में उतार-चढ़ाव होने पर मार्जिन अखंडता बनाए रखने के लिए एक एकल मिश्रित दर के बजाय अलग-अलग पास-थ्रू गुणांकों ( $\alpha_i$ ) का तर्क देता है।
इन्फरेंस कैप्चर रेशियो (ICR): लेखक एक नया स्वास्थ्य मीट्रिक पेश करते हैं:
$ICR = \frac{\beta \cdot V}{\sum(\alpha_i \cdot C_i) + \gamma}$
ICR परिणाम-लिंक्ड राजस्व और कुल इंफ्रास्ट्रक्चर एवं प्लेटफॉर्म लागतों के अनुपात को मापता है। शोध पत्र स्वस्थ मुद्रीकरण के लिए ICR $\ge$ 2.5x के लक्षित थ्रेशोल्ड का प्रस्ताव करता है, जो पारंपरिक SaaS में ग्रॉस मार्जिन आवश्यकताओं के समान है। NRR (Net Revenue Retention) के विपरीत, ICR एक फॉरवर्ड-लुकिंग प्लानिंग टूल है जिसे इनपुट ( $\alpha, \beta, \gamma, V, C$ ) से गणना योग्य बनाया जा सकता है।
परिचालन बुनियादी ढांचा आवश्यकताएं: शोध पत्र इस मॉडल को समर्थन देने के लिए आवश्यक तकनीकी स्टैक का विवरण देता है, जिसमें शामिल हैं:
- रियल-टाइम मल्टी-प्रोदर मीटरिंग: $\sum \alpha_i C_i$ की गणना के लिए बिना लेटेंसी के सब-सेंट सटीकता के साथ एसिंक्रोनस इवेंट कैप्चर।
- फाइनेंशियल पेन ऑफ ग्लास: एक डैशबोर्ड जो इंजीनियरिंग मेट्रिक्स (टोकन, लेटेंसी) को वित्तीय शब्दों (OPEX, मार्जिन, ROI) में अनुवादित करता है ताकि CFOs इसका उपयोग कर सकें।
- कंप्यूटेशनल सर्किट ब्रेकर्स: यदि प्रति घंटा लागत सांख्यिकीय रूप से माध्य से विचलित होती है (जैसे, औसत से >3 मानक विचलन), तो एजेंटों को रोकने के लिए स्वचालित तंत्र, जो अनियंत्रित बिलिंग परिदृश्यों को रोकता है।

परिणाम और बाजार साक्ष्य
शोध पत्र कोई नया प्रयोगात्मक डेटा प्रस्तुत नहीं करता है, बल्कि इस संरचना की ओर बाजार के अभिसरण (convergence) के प्रमाण के रूप में प्रमुख SaaS प्रदाताओं के मूल्य निर्धारण विकास का विश्लेषण करता है:

Salesforce Agentforce: शुद्ध परिणाम मूल्य निर्धारण ($2/कन्वर्सेशन, जो अस्थिरता के कारण CFOs द्वारा अस्वीकृत किया गया) से शुद्ध उपयोग मूल्य निर्धारण ( $0.10/एक्शन, जो मीटर-वॉचिंग का कारण बनता है) तक के पथ को ट्रैक किया गया है, जो अंततः एक 2026 "फ्लेक्स एग्रीमेंट" की ओर ले जाता है जो एक प्रतिबद्ध आधार ($ \gamma $), उपयोग क्रेडिट ($ \alpha $), और परिणाम मूल्य ($ \beta$) को जोड़ता है।
Microsoft, Intercom, और Zendesk: इन कंपनियों को उनके मूल्य निर्धारण मॉडलों में लुप्त घटकों (जैसे, सीट लाइसेंस में खपत बिलिंग जोड़ना या परिणाम-आधारित शुल्क पेश करना) को जोड़ने के विभिन्न चरणों में दिखाया गया है, जो अनजाने में प्रस्तावित तीन-पद ढांचे की ओर बढ़ रहे हैं।

महत्व और दावे
शोध पत्र का दावा है कि AI इन्फरेंस मूल्य निर्धारण समस्या LNG उद्योग के समान संरचनात्मक बाधाओं को साझा करती है: अस्थिर अपस्ट्रीम कमोडिटी लागत, उच्च निश्चित पूंजी, और दीर्घकालिक अनुबंध स्थिरता की आवश्यकता। इस ढांचे का महत्व इसकी क्षमता में निहित है:

हेडकाउंट से राजस्व को अलग करना: यह सुनिश्चित करना कि प्रदाता राजस्व बनाए रख सकें या बढ़ा सकें भले ही AI एजेंट मानव उपयोगकर्ताओं की आवश्यकता को कम कर दें।
शोधन क्षमता जोखिम को कम करना: यह सुनिश्चित करके कि प्रदाता इन्फरेंस विफलताओं या टोकन कीमतों के उछाल के लिए उत्तरदायी नहीं है।
CFO-पठनीय पूर्वानुमान सक्षम करना: बड़े उद्यमों के लिए AI अपनाने को वित्तीय रूप से व्यवहार्य बनाने के लिए अनुमानित आधार ( $\gamma$ ) के साथ-साथ $\beta$ के माध्यम से अपसाइड शेयरिंग प्रदान करना।

लेखक निष्कर्ष निकालते हैं कि बाजार स्वतंत्र रूप से इस संरचना की ओर बढ़ रहा है। जो प्रदाता सक्रिय रूप से इस ढांचे को अपनाते हैं, वे राजस्व अस्थिरता के साथ कम होने के बजाय, पहले दिन से ही आवश्यक मीटरिंग इंफ्रास्ट्रक्चर के साथ इस अभिसरण को तेजी से प्राप्त कर सकते हैं।