관점: AI 응용 계층은 토큰 가격 책정을 하지 말고 "식별 가능한 작업 가치"에 기준을 두어야 한다

a16z 파트너 Sarah Wang은 최근 글을 통해 AI 애플리케이션 제품은 모델 계층에서 Token 가격 책정을 모방해서는 안 되며, "식별 가능한 작업 단위"에 기반하여 가격을 책정해야 한다고 지적했습니다. 이 글에서는 Token 가격 책정이 애플리케이션 제품의 가치를 지속적으로 하락하는 단위에 고정시키기 때문에 고객이 문맥 길이, 검색량 또는 추론 시간을 예측하기 어렵고, 애플리케이션과 원래의 컴퓨팅 파워를 부적절하게 비교하게 만든다고 주장합니다.

글에서는 가치 계층에 따라 가격을 책정할 것을 제안합니다: 모델 계층은 Token 가격 책정; 애플리케이션 계층은 고객이 식별할 수 있는 작업 단위(예: 계정 조사 보고서, 코드 수정, 완료된 쿼리)에 따라 가격을 책정하며, Credits로 포장할 수 있습니다; 귀속 가능하고 가치가 명확한 시나리오는 결과에 따라 직접 가격을 책정합니다(예: 해결된 고객 서비스 대화, 적격 리드). Credits 설계는 다양한 난이도의 작업을 반영하여 총 이익률을 보호하고 "작업 가치"와 "제공 비용"을 구분해야 합니다. 글에서는 Clay를 예로 들어, 새로운 가격 책정이 Data Credits(제3자 데이터)와 Actions(작업 조정)를 분리하여 비용 변동이 큰 추론 모델에 대해서는 비용 전가만 하고 가격을 인상하지 않는다고 설명합니다. 저자는 가격 책정이 컴퓨팅 비용이 아닌 가치를 기준으로 하여 고객이 지출과 가치를 이해할 수 있도록 하고, 제품 측이 이익 공간을 지키는 데 도움이 된다고 생각합니다.