📈 economics

A Commodity-Indexed Pricing Framework for Autonomous AI Agents

Dit artikel stelt een op grondstoffen geïndexeerd, drieledig prijsstellingskader voor, aangepast van langetermijn LNG-contracten om de inkomstenuitdagingen die AI-agenten vormen voor traditionele SaaS-modellen aan te pakken door infrastructuurkosten, waardevastlegging en platformtarieven te scheiden, terwijl het de Inference Capture Ratio introduceert als een belangrijke gezondheidsmetriek.

Oorspronkelijke auteurs: Abha Dalmia

Gepubliceerd 2026-06-25

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Abha Dalmia

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Probleem: De "Zelfsaboterende" Software

Stel je voor dat je een taxibedrijf runt. Je rekent klanten $10 per rit. Als je 100 chauffeurs in dienst neemt, verdien je heel veel geld.

Stel je nu voor dat je een zelfrijdende robot uitvindt die zo goed is dat hij het werk van 100 menselijke chauffeurs kan doen. Je klanten zijn er dol op omdat het goedkoper en sneller is. Ze ontslaan de 100 menselijke chauffeurs en kopen slechts één robot.

Hier zit de crux: Omdat je prijsmodel gebaseerd is op "per chauffeur", stort je omzet in van $1.000 naar $10. Je hebt een product gebouwd dat zo goed is dat het je eigen bedrijf heeft vernietigd.

Dit is precies wat er vandaag de dag gebeurt met softwarebedrijven (SaaS). Ze verkopen software per "stoel" (per gebruiker). Maar nu kunnen AI-agenten het werk van veel mensen doen. Naarmate de AI beter wordt, zijn er minder mensen nodig om stoelen te kopen, en het softwarebedrijf verliest geld.

De Mislukte Oplossingen

Het paper zegt dat bedrijven twee andere manieren hebben geprobeerd om dit op te lossen, maar beide hebben grote gebreken:

Afrekenen per "Token" (Kosten-plus): Dit is alsof je een klant rekent voor elke druppel benzine die de robot verbruikt.
- Het probleem: Klanten worden bang. Ze zien de rekening in realtime oplopen en stoppen met het gebruiken van de robot om geld te besparen, zelfs als de robot dure problemen voor hen oplost. Ze eindigen met "op de meter letten" in plaats van waarde krijgen.
Al afrekenen voor Succes (Zuivere Uitkomst): Dit is alsof je zegt: "Ik krijg alleen betaald als de robot het probleem oplost."
- Het probleem: Als de robot 100 keer probeert en 25 keer faalt, betaalt het bedrijf voor alle 100 pogingen, maar krijgt alleen betaald voor de 75 successen. Als de robot een beetje glitchy wordt, verliest het bedrijf snel geld. Het is te risicovol voor de verkoper.

De Oplossing: Het "LNG"-Recept

De auteur vond een oplossing op een onverwachte plek: Liquefied Natural Gas (LNG) contracten.

Al 40 jaar kopen en verkopen landen aardgas. De prijs van olie en gas verandert dagelijs enorm. Als ze gewoon de huidige marktprijs zouden rekenen, zou één kant failliet gaan. Als ze de prijs voor altijd zouden vastzetten, zou de andere kant geld verliezen.

Dus hebben ze een driedelig recept uitgevonden dat het risico in evenwicht brengt:

Prijs = (Kosten van Gas) + (Waarde van Levering) + (Minimumgarantie)

Het paper suggereert dat AI-bedrijven exact ditzelfde recept moeten gebruiken.

De Drie Delen van het AI-Prijskaartje

1. De "Doorberekening" (De Kosten van Gas)

Wat het is: Het AI-bedrijf geeft de werkelijke kosten van de computerchips en API-kosten direct door aan de klant.
De Analogie: Stel je voor dat je een loodgieter inhuurt. Je betaalt de loodgieter direct zijn uurloon. Als de vakbond van de loodgieters de lonen verhoogt, betaal jij iets meer. Als ze de prijzen verlagen, betaal jij minder.
Waarom het werkt: Het AI-bedrijf hoeft de kosten niet te raden. Ze berekenen het gewoon door. De klant betaalt voor de "brandstof" die de AI verbruikt.

2. De "Waarde-deling" (De Leveringsbonus)

Wat het is: Het bedrijf neemt een klein percentage van de waarde die de AI creëert.
De Analogie: De loodgieter rekent niet alleen voor de benzine; hij vraagt een bonus omdat hij je overstroomde kelder heeft gerepareerd, wat je $5.000 aan waterschade bespaart. Als hij je $5.000 bespaart, kan hij om $1.000 van die besparing vragen.
Waarom het werkt: Als de AI een geweldig werk doet, verdient het bedrijf geld. Als de AI niets doet, krijgt het bedrijf de bonus niet. Dit brengt de doelen van iedereen in lijn.

3. De "Vloer" (De Minimumgarantie)

Wat het is: Een kleine maandelijkse vergoeding die de klant betaalt, ongeacht wat er gebeurt.
De Analogie: Dit is als een "take-or-pay" clausule. Zelfs als je deze maand geen gas gebruikt, betaal je nog steeds een kleine vergoeding om de pijpleiding open te houden en de lichten in de fabriek aan te houden.
Waarom het werkt: Dit dekt de vaste kosten van het AI-bedrijf (servers, engineers, huur) zodat ze niet failliet gaan als het gebruik daalt.

De "Gezondheidscheck" Metriek: ICR

Het paper introduceert een nieuwe manier om te meten of dit bedrijf gezond is, genaamd de Inference Capture Ratio (ICR).

De Analogie: Denk aan de winstmarge van een limonadekraam.
- Als je een kopje verkoopt voor $1 en het kostte je $1 om te maken (citroenen + suiker), dan is je ratio 1,0. Je draait net geen winst.
- Als je het verkoopt voor $2,50 en het kostte je $1, dan is je ratio 2,5. Je bent gezond en kunt groeien.
Het Doel: Het paper zegt dat AI-bedrijven moeten streven naar een ratio van 2,5 of hoger. Dit betekent dat voor elke $1 die ze uitgeven aan AI-kosten, ze $2,50 aan inkomsten genereren. Als de ratio onder de 1,0 zakt, maakt het bedrijf verlies.

Bewijs uit de Praktijk

Het paper kijkt naar grote bedrijven zoals Salesforce, Microsoft en Zendesk.

Ze probeerden alleen voor "gesprekken" te rekenen (alleen Waarde-deling) en werden afgewezen door financiële teams omdat de rekeningen onvoorspelbaar waren.
Ze probeerden alleen voor "acties" te rekenen (alleen Kosten-doorberekening) en klanten stopten met het gebruik van de tool.
Het Resultaat: Ze bewegen allemaal langzaam naar het driedelige model (Kosten + Waarde + Vloer), omdat dat de enige manier is die voor iedereen werkt.

Het Veiligheidsnet: De "Stroomonderbreker"

Het paper waarschuwt ook voor "rondlopende robots" (AI die in een loop terechtkomt en duizenden oproepen doet).

De Oplossing: Net zoals een zekering in een huis de elektriciteit afsluit bij een piek, heeft het AI-facturatiesysteem een stroomonderbreker (circuit breaker) nodig. Als de kosten onverwacht stijgen, pauzeert het systeem de AI automatisch en waarschuwt het de mensen voordat de rekening een ramp wordt.

Samenvatting

Het paper betoogt dat de oude manier van software verkopen (per persoon) kapot is omdat AI mensen vervangt. De nieuwe manier is om de aardgasindustrie te kopiëren:

Bereken de ruwe computerkosten door aan de klant.
Deel in de waarde die de AI creëert.
Houd een kleine minimale vergoeding aan om in bedrijf te blijven.

Dit houdt het softwarebedrijf veilig tegen verlies, beschermt de klant tegen "rekeningschokken" en zorgt ervoor dat iedereen wint wanneer de AI een goed werk doet.

Technische Samenvatting: Een Grondstoffen-geïndexeerd Prijsmodel voor Autonome AI-agenten

Probleemstelling
Het artikel identificeert een structureel falen in het traditionele Software-as-a-Service (SaaS) bedrijfsmodel naarmate autonome AI-agenten volwassen worden. De kern van het probleem is de ontkoppeling van de softwarewaarde van de menselijke headcount. In het traditionele per-seat model schaalt de omzet met het aantal gebruikers. Echter, wanneer een enkele AI-agent meerdere menselijke gebruikers vervangt (bijv. een agent die 80% van de supporttickets afhandelt), daalt het aantal zitplaatsen van de klant terwijl de geleverde waarde stijgt. Dit creëert een perverse prikkel waarbij technische uitmuntendheid van de aanbieder direct de eigen omzet vernietigt.

Bestaande alternatieve prijsmodellen worden als ontoereikend beschouwd:

Per-Seat Pricing: Faalt omdat de waarde niet langer proportioneel is aan het aantal gebruikers.
Cost-Plus Pricing: Lost de solvabiliteit van de aanbieder op, maar creëert een "meter-watching" probleem waarbij klanten het gebruik beperken om onverwachte facturen te vermijden, waardoor de volledige waarde van de uitkomst niet wordt verzilverd.
Pure Outcome Pricing: Verschuift al het risico van inferentiekosten (bijv. mislukte pogingen, modelinstabiliteit, runaway loops) naar de aanbieder. Op schaal vormt deze volatiliteit een insolventierisico, aangezien een daling in succesratio's of een piek in tokenkosten de marges direct kan wegvagen.

Methodologie en Raamwerk
De auteurs stellen een prijsraamwerk voor dat is aangepast van langetermijncontracten voor vloeibaar aardgas (LNG), die decennialang succesvol volatiele grondstofprijzen en hoge vaste kapitaalkosten hebben beheerd. De voorgestelde prijsformule voor een facturatiecyclus $T$ is:

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

Waar:

Infrastructuurterm ( $\sum \alpha_i \cdot C_i$ ): Een multi-provider kosten doorberekening. In tegenstelling tot een enkele gemiddelde coëfficiënt, deelt deze term de kosten op per inferentie-provider ( $i$ ). $\alpha_i$ vertegenwoordigt de infrastructuurcoëfficiënt (gesteld op de huidige API-kosten van de provider) en $C_i$ is het verbruik (tokens, calls, minuten). Dit zorgt ervoor dat de aanbieder nooit wordt blootgesteld aan de volatiliteit van de upstream-grondstof (LLM-tokens).
Waardeopname-term ( $\beta \cdot V$ ): Een deel van de waarde van de uitkomst. $\beta$ is een waardemultiplier die specifiek is voor de verticale markt en het type uitkomst, en $V$ is de gekwantificeerde waarde die gegenereerd wordt (bijv. afgehandelde tickets, gekwalificeerde leads). Dit legt de winst uit AI-efficiëntie vast.
Platformvloer ( $\gamma$ ): Een gegarandeerde minimale omzet (vergelijkbaar met een "take-or-pay"-clausule in de LNG-sector). Dit dekt de vaste infrastructuurkosten (R&D, orchestratie, SLA-ondersteuning) ongeacht het volume van het gebruik, wat een basisniveau van solvabiliteit garandeert.

Belangrijkste Bijdragen

De Drie-Termige Prijsstructuur: Het artikel introduceert een hybride model dat tegelijkertijd de kosten van de aanbieder beschermt (via $\alpha$ en $\gamma$ ), de waarde van de uitkomst vastlegt (via $\beta$ ), en voorspelbare omzetbaselines biedt voor enterprise-klanten.
Multi-Provider Decompositie: Het raamwerk adresseert expliciet de realiteit dat agentische systemen vaak taken over meerdere LLM-providers verdelen (bijv. verschillende modellen voor redeneren, visie of spraak). Het pleit voor aparte doorberekeningscoëfficiënten ( $\alpha_i$ ) in plaats van een enkele gemiddelde ratio om de marge-integriteit te behouden wanneer de prijzen van individuele providers fluctueren.
De Inference Capture Ratio (ICR): De auteurs introduceren een nieuwe gezondheidsmetriek:
$ICR = \frac{\beta \cdot V}{\sum(\alpha_i \cdot C_i) + \gamma}$
De ICR meet de ratio tussen de aan de uitkomst gekoppte omzet en de totale infrastructuur- en platformkosten. Het artikel stelt een doelstelling van ICR $\ge$ 2,5x voor gezonde monetarisering, vergelijkbaar met de bruto margereisten in traditionele SaaS. In tegen tegenstelling tot Net Revenue Retention (NRR) is de ICR een vooruitblikkende planningstool die berekenbaar is vanuit inputs ( $\alpha, \beta, \gamma, V, C$ ).
Operationele Infrastructuurvereisten: Het artikel beschrijft de noodzakelijke technische stack om dit model te ondersteunen, waaronder:
- Real-time Multi-Provider Metering: Asynchrone event-capture met precisie tot onder de cent om $\sum \alpha_i C_i$ te berekenen zonder latentie.
- Financial Pane of Glass: Een dashboard dat engineering-metrieken (tokens, latentie) vertaalt naar financiële termen (OPEX, marge, ROI) voor CFO's.
- Computationele Circuit Breakers: Geautomatiseerde mechanismen om agenten te stoppen als de uurlasten statistisch afwijken (bijv. >3 standaarddeviaties) van het gemiddelde, om runaway-facturatie te voorkomen.

Resultaten en Marktbewijs
Het artikel presenteert geen nieuwe experimentele data, maar analyseert de prijsontwikkeling van grote SaaS-aanbieders als empirisch bewijs van de convergentie van de markt naar deze structuur:

Salesforce Agentforce: Volgt een pad van pure outcome-pricing ($2/conversatie, afgewezen door CFO's vanwege volatiliteit) naar pure usage-pricing ($0,10/actie, veroorzaakt meter-watching) naar een 2026 "Flex Agreement" die een vastgestelde baseline ( $\gamma$ ), usage credits ( $\alpha$ ) en outcome-waarde ( $\beta$ ) combineert.
Microsoft, Intercom en Zendesk: Er wordt aangetoond dat deze bedrijven zich in verschillende stadia bevinden van het toevoegen van ontbrekende componenten aan hun prijsmodellen (bijv. het toevoegen van verbruiksfacturatie aan seat-licenties of het introduceren van kosten op basis van resolutie), waarmee ze onbedoeld bewegen naar het voorgestelde drie-termige raamwerk.

Betekenis en Claims
Het artikel beweert dat het prijsvraagstuk van AI-inferentie dezelfde structurele beperkingen heeft als de LNG-industrie: volatiele upstream grondstofkosten, hoge vaste kapitaalkosten en de noodzaak voor langetermijncontractstabiliteit. De betekenis van het raamwerk ligt in het vermogen om:

Omzet los te koppelen van Headcount: Hierdoor kunnen aanbieders hun omzet handhaven of laten groeien, zelfs als AI-agenten de noodzaak voor menselijke gebruikers verminderen.
Insolventierisico te mitigeren: Door te garanderen dat de aanbieder niet verantwoordelijk is voor de volledige kosten van inferentiefouten of pieken in tokenprijzen.
CFO-Leesbare Voorspelbaarheid te bieden: Door klanten een voorspelbare baseline ( $\gamma$ ) te bieden terwijl ook kansen op winstdeling ( $\beta$ ) bestaan, wat de adoptie van AI financieel haalbaar maakt voor grote ondernemingen.

De auteurs concluderen dat de markt onafhankelijk convergeert naar deze structuur. Aanbieders die het raamwerk proactief adopteren, kunnen deze convergentie sneller bereiken, met minder omzetvolatiliteit en met de noodzakelijke metering-infrastructuur vanaf de eerste dag aanwezig, in plaats van achteraf te moeten reageren op margecompressie.