AI Top-Ups para sa Open-Core Products: Magdagdag ng Paggamit Nang Walang Pagbabago ng Presyo

AI top-ups bukas-core gumagana ang pagpepresyo kapag ang iyong produkto ay may kapaki-pakinabang na libreng core, isang komersyal na layer, at ilang mga tampok ng AI na ang paggamit ay lubos na nag-iiba depende sa customer. Ang pagkakamali ay ituring ang bawat user na parang gagamit sila ng parehong dami ng inference.

Kung ang isang customer ay nagpapatakbo ng ilang mga buod sa isang buwan at ang isa pa ay nagpapatakbo ng libu-libong pagsusuri ng dokumento, ang isang flat plan ay maaaring maging hindi patas o hindi kumikita. Ang pagtaas ng presyo ng bawat plano ay nagpapabayad sa mga magaan na user para sa mga power user. Ang pag-aalok ng walang limitasyong AI ay ibinabalik ang mga variable na gastos ng modelo sa koponan ng produkto. Ang isang top-up na modelo ay nagbibigay sa bawat plano ng malinaw na allowance, pagkatapos ay hinahayaan ang mas mabibigat na user na bumili ng higit pang paggamit ng AI kapag kailangan nila ito.

Para sa mga open-core na koponan, ito ay lalong kapaki-pakinabang. Ang libreng core ay maaaring manatiling mahalaga at naa-access, habang ang mga premium na aksyon ng AI ay nagiging isang bayad na paggamit na bahagi sa paligid ng produkto. Ang ShareAI Builder ay idinisenyo para sa layer na iyon: ang mga koponan ay nagre-route ng mga napiling kahilingan ng AI mula sa kanilang sariling produkto sa pamamagitan ng ShareAI, nagtatakda ng margin o surcharge, hinahayaan ang mga customer na magbayad para sa na-route na paggamit ng AI, at tumatanggap ng buwanang bayad batay sa paggamit na kanilang nalilikha.

Kapag May Katuturan ang AI Top-Ups

Ang AI top-ups ay hindi isang pricing trick para sa bawat produkto. Pinakamahusay itong gumagana kapag naiintindihan ng customer kung bakit ang isang tampok ay may variable na gastos at kapag ang tampok ay lumilikha ng halaga sa sandali ng paggamit.

Ang pinakamalakas na tugma ay isang premium na aksyon ng AI na may hindi pantay na paggamit: pagkuha ng dokumento, paghahanap ng RAG, pagbuo ng imahe, pagsusuri ng code, mga tugon ng support assistant, batch summarization, pagpapayaman ng data, pagsasalin, o mga rekomendasyon sa workflow. Ang mga aksyong ito ay may tunay na gastos sa likod ng mga eksena, ngunit karaniwang maikokonekta ng mga user ang singil sa isang resulta na kanilang hiniling.

Mas mahina ang top-ups kapag ang tampok ng AI ay karamihan ay pandekorasyon, kapag ang gastos bawat user ay napakaliit, o kapag hindi mahulaan ng user kung ano ang gagamit ng mga kredito. Kung mahirap ipaliwanag ang halaga, ang isang top-up na balanse ay mararamdaman bilang hadlang. Kung malinaw ang halaga, maaari itong maramdaman bilang kontrol.

Ang Pangunahing Open-Core Top-Up Model

Ang pinakamalinis na modelo ay may limang bahagi:

1. Ang produkto ay may kasamang tinukoy na AI allowance sa isang bayad na plano, trial, o komersyal na edisyon.
2. Ang koponan ay nagmamarka ng mga napiling kahilingan ng AI bilang metered, habang pinapanatili ang libreng core sa labas ng bayad na layer ng AI.
3. Kapag naabot ng isang customer ang nakapaloob na allowance, ang produkto ay nag-aalok ng top-up sa halip na harangan ang buong workflow.
4. Ang aplikasyon ay nagre-route ng mga bayad na tawag ng AI sa pamamagitan ng ShareAI gamit ang ShareAI API o setup ng Builder.
5. Binabayaran ng customer ang ShareAI para sa routed AI usage, at kumikita ang Builder ng buwanang payout mula sa margin na naka-attach sa paggamit na iyon.

Pinapanatili nitong hiwalay ang commercial AI surface mula sa open-source na pangako. Hindi mo binabago ang lisensya. Hindi mo inililipat ang produkto sa ShareAI. Nagdadagdag ka ng usage-aware na monetization layer sa mga partikular na AI-powered na aksyon sa loob ng app na pagmamay-ari mo na.

Mahalaga ang paghihiwalay na iyon. Madalas tanggapin ng mga open-core buyer ang mga bayad na enterprise feature, hosted services, suporta, at premium automation. Mas hindi nila pinapalampas kapag tahimik na inilalagay ng isang team ang pangunahing functionality sa likod ng usage charges. Magsimula sa pag-meter ng mga AI feature na malinaw na dagdag sa pangunahing karanasan ng produkto.

Kung tinutukoy mo pa ang mas malaking arkitektura ng pagpepresyo, ang mas malawak libreng core, bayad na AI features na modelo at ang enterprise AI add-ons na diskarte ay mga kapaki-pakinabang na kasamang landas. Ang artikulong ito ay nakatuon partikular sa top-up layer.

Hakbang 1: Pumili ng Mga Yunit ng Paggamit na Naiintindihan ng Mga Customer

Ang raw tokens ay kapaki-pakinabang sa loob, ngunit hindi palaging ang pinakamahusay na yunit na nakaharap sa customer. Ang isang magandang yunit ng paggamit ay tumutugma sa trabahong sinusubukang tapusin ng user.

Tampok ng AI	Unit na nakaharap sa customer	Bakit ito gumagana
Pagsusuri ng dokumento	Mga pahina, file, o pagsusuri	Iniisip ng mga user ang mga dokumento, hindi mga token.
Katulong sa suporta	Mga nalutas na tugon o pag-uusap ng assistant	Ang yunit ay konektado sa isang interaksyon ng customer.
Paghahanap ng RAG	Mga sagot, paghahanap, o mga dokumentong naka-index	Sinusunod ng yunit ang daloy ng retrieval workflow.
Pagbuo ng imahe	Mga imahe o mga trabaho sa pagbuo	Ang output ay nakikita at nabibilang.
Pagsusuri ng code	Mga pagtakbo, mga file na nasuri, o mga pull request	Ang yunit ay tumutugma sa daloy ng trabaho ng developer.

Maaari mo pa ring subaybayan ang gastos ng provider, mga token, latency, at paggamit ng modelo sa likod ng eksena. Ang package na nakaharap sa customer ay dapat na mas simple. Ang isang kredito ay maaaring kumatawan sa isang bundle ng panloob na trabaho, hangga't ipinaliwanag ito ng produkto nang pare-pareho.

Dito rin nagkakaiba ang pagpepresyo ng AI mula sa karaniwang mga upuan ng SaaS. Ang gastos ng AI ay madalas na umaayon sa mga tawag, pagpili ng modelo, mga token, o output na nabuo. AI playbook sa pagpepresyo Bessemer’s at OpenView’s pagpepresyo batay sa paggamit.

parehong nagtuturo sa parehong praktikal na aral: kapag ang gastos at halaga ay nag-iiba ayon sa paggamit, ang modelo ng pagpepresyo ay nangangailangan ng bahagi na may kamalayan sa paggamit.

Hakbang 2: Magpasya Kung Ano ang Kasama.

Ang praktikal na panimulang punto ay ang isama ang sapat na paggamit para sa karaniwang customer upang makumpleto ang isang tunay na workflow, pagkatapos ay magreserba ng mga top-up para sa mga customer na malinaw na lampas sa normal na paggamit. Ang layunin ay hindi upang singilin ang bawat user sa lalong madaling panahon. Ang layunin ay maiwasan ang pagsuporta sa mabigat na konsumo ng AI gamit ang isang flat na presyo ng plano.

Para sa mga open-core na koponan, ang libreng tier ay dapat pa ring patunayan ang pangunahing halaga ng produkto. Panatilihing kapaki-pakinabang ang paggamit ng komunidad. Sukatin ang mga premium na tampok ng AI na nagdadagdag ng kaginhawaan, awtomasyon, bilis, o saklaw. Maaaring mangahulugan ito ng limitadong bilang ng mga AI-assisted na pagtakbo sa libreng edisyon, mas malalaking allowance sa mga bayad na tier, at mga top-up para sa mga customer na lumampas sa mga allowance na iyon.

Hakbang 3: Magdagdag ng Mga Trigger at Guardrail para sa Top-Up

Ang daloy ng top-up ay dapat magmukhang predictable bago ito magmukhang komersyal. Dapat ipakita ng produkto sa user kung ano ang kasama, kung ano ang nagamit, kung ano ang susunod na mangyayari, at kung ano ang binibili ng isang top-up.

• Ipakita ang natitirang AI credits o paggamit malapit sa tampok, hindi lamang sa pahina ng pagsingil.
• Bigyan ng babala ang mga user bago sila maubusan, tulad ng sa 75 porsyento at 90 porsyento ng allowance.
• Gumamit ng matitigas na limitasyon para sa mga koponan na nangangailangan ng kontrol sa paggastos.
• Gumamit ng malalambot na babala para sa mga koponan na inuuna ang pagpapatuloy at may admin-approved na paraan ng pagbabayad.
• Iwasang maningil para sa mga nabigong kahilingan o hindi nakikitang mga pag-uulit ng sistema.
• Panatilihing hiwalay ang mga kontrol ng admin mula sa mga kontrol ng tampok para sa end-user.

Ang mahalagang prinsipyo ng disenyo ay simple: huwag gulatin ang customer. Kung nakikita ng user ang isang aksyon ng AI bilang mahalaga at nauunawaan ang natitirang balanse, mas madaling tanggapin ang isang top-up na prompt.

Hakbang 4: I-route ang Bayad na Paggamit ng AI sa Pamamagitan ng ShareAI Builder

Kapag ang produkto ay may malinaw na bayad na AI surface, maaaring umupo ang ShareAI Builder sa likod ng paggamit na iyon. Ang produkto ay nananatiling iyong produkto. Ang ShareAI ang humahawak sa routing at monetization layer para sa mga napiling kahilingan ng AI.

Ang isang malinis na implementasyon ay dapat mag-tag sa bawat metered na kahilingan gamit ang customer, workspace, plano, tampok, uri ng kahilingan, at panloob na yunit ng paggamit. Nagbibigay ito sa iyong koponan ng kakayahang makita upang ihambing ang mga allowance ng customer, mga pagbili ng top-up, aktwal na paggamit ng modelo, at margin.

Sa loob ng ShareAI Builder console, maaaring i-configure ng mga team ang bahagi ng setup ng Builder at itakda ang margin na naka-attach sa routed usage. Ang app ay magpapadala ng napiling mga kahilingan sa AI sa pamamagitan ng ShareAI, magbabayad ang mga customer para sa routed usage na iyon, at ang Builder ay makakatanggap ng buwanang bayad kapag ang paggamit ay nag-generate ng kita.

Kung pinipili mo pa rin ang saklaw ng modelo, ang Pahina ng mga modelo ng ShareAI ay makakatulong mag-frame kung aling mga aksyon ng AI ang nararapat sa bayad na layer. Ang pinakamahusay na mga kandidato ay karaniwang mga high-value na aksyon kung saan ang kalidad ng modelo, latency, at gastos ay may direktang epekto sa produkto.

Hakbang 5: Ipaliwanag nang Malinaw ang Modelo

Ang mensahe para sa customer ay dapat na boring sa pinakamahusay na paraan: eksakto, maikli, at nakikita bago mangyari ang singil.

Gumamit ng wika tulad nito:

Kasama sa iyong plano ang 1,000 AI credits bawat buwan. Ang mga credits ay ginagamit para sa mga premium na aksyon ng AI tulad ng pagsusuri ng dokumento at mga tugon na ginawa ng assistant. Kung kailangan ng iyong team ng higit pa, maaaring magdagdag ng credits ang isang admin nang hindi binabago ang buong plano.

Ginagawa ng kopyang iyon ang tatlong trabaho. Sinasabi nito sa customer kung ano ang kasama. Kinokonekta nito ang paggamit sa mga nakikitang tampok. Ginagawa nitong landas ng pagpapalawak ang mga top-up, hindi parusa.

Iwasan ang mga malabong parirala tulad ng unlimited AI, fair use applies, o advanced usage may incur charges. Ang mga pariralang iyon ay lumilikha ng mga support ticket. Ang isang magandang modelo ng top-up ay dapat bawasan ang kalituhan sa pagsingil, hindi ilipat ito sa inbox.

Karaniwang Pagkakamali na Dapat Iwasan

Ang unang pagkakamali ay ang pag-meter sa maling bagay. Huwag maningil para sa bawat internal na tawag ng modelo kung ang user ay nakakakita lamang ng isang tapos na sagot. I-package sa paligid ng nakikitang resulta hangga't maaari.

Ang pangalawang pagkakamali ay gawing mas masama ang libreng core. Ang tiwala sa open-core ay nakasalalay sa isang kapaki-pakinabang na libreng pundasyon. Panatilihing kapani-paniwala ang core na produkto, pagkatapos ay i-monetize ang premium na AI acceleration sa paligid nito.

Ang pangatlong pagkakamali ay itago ang mga limitasyon hanggang sa sandali ng pagkabigo. Kung ang isang team ay nalaman na kailangan nito ng mga top-up lamang pagkatapos masira ang isang workflow, ang modelo ng pagpepresyo ay magiging pakiramdam na mapanupil. Ipakita ang paggamit nang mas maaga.

Ang pang-apat na pagkakamali ay ang pag-skip sa pagsusuri ng margin. Ang isang top-up na pakete ay dapat suriin laban sa tunay na mga gastos ng AI provider, pagpili ng modelo, pag-uugali ng retry, at mga pattern ng mabibigat na user. Ang isang mapagbigay na allowance ay maayos kapag ito ay sinadya. Mapanganib ito kapag ito ay hindi nakikita.

Isang Praktikal na Landas ng Paglulunsad

Magsimula sa isang premium na aksyon ng AI. Pumili ng tampok na hinihiling na ng mga gumagamit, may nasusukat na paggamit, at lumilikha ng sapat na halaga upang bigyang-katwiran ang isang bayad na landas ng pagpapalawak. Huwag subukang sukatin ang bawat AI na aspeto nang sabay-sabay.

1. Piliin ang unang premium na tampok ng AI.
2. Pumili ng yunit na nakaharap sa customer, tulad ng pagsusuri, sagot, file, o pagtakbo.
3. Magtakda ng kasama na allowance para sa bayad na plano o pagsubok.
4. Magdagdag ng kakayahang makita ang paggamit at mga top-up na kontrolado ng admin.
5. I-route ang mga bayad na kahilingan ng AI sa pamamagitan ng ShareAI.
6. Suriin ang paggamit, gastos ng modelo, conversion, at margin pagkatapos ng unang cycle ng pagsingil.

Pinapanatili nitong maliit ang paglulunsad upang maipadala at tiyak upang matutunan mula rito. Kapag gumana ang isang tampok, maaaring palawakin ang parehong modelo sa iba pang premium na aksyon ng AI sa produkto.

FAQ

Ano ang mga AI top-up sa isang open-core na produkto?

Ang mga AI top-up ay bayad na karagdagan sa paggamit para sa mga premium na tampok ng AI. Ang isang open-core na produkto ay maaaring magsama ng buwanang allowance, pagkatapos ay hayaan ang mga customer na bumili ng higit pang mga kredito, pagsusuri, sagot, o pagtakbo kapag lumampas ang kanilang paggamit sa allowance na iyon.

Paano naiiba ang mga AI top-up sa isang mas mataas na bayad na plano?

Binabago ng mas mataas na plano ang buong subscription ng customer. Ang top-up ay nagdaragdag ng higit pang paggamit ng AI nang hindi pinipilit ang pagbabago ng plano. Kapaki-pakinabang iyon kapag gusto ng customer ang kasalukuyang plano ngunit may paminsan-minsang pagtaas sa paggamit ng AI.

Kailan mas maganda ang mga AI top-up kaysa sa walang limitasyong AI?

Mas maganda ang mga top-up kapag malawak ang pagbabago ng paggamit at makabuluhan ang mga gastos ng AI. Ang walang limitasyong AI ay maaaring kaakit-akit sa marketing, ngunit maaari rin nitong itago ang mga gastos ng mabibigat na gumagamit hanggang sa maging masakit ang margin.

Pinalitan ba ng ShareAI ang aming pagsingil sa produkto?

Hindi. Maaaring hawakan ng ShareAI ang na-reroute na paggamit ng AI at layer ng monetization. Maaaring panatilihin ng iyong produkto ang umiiral nitong subscription, lisensya, kontrata sa enterprise, o open-core na komersyal na modelo.

Ang ShareAI ba ang nagho-host o gumagawa ng open-core na produkto?

Hindi. Ang aplikasyon ay nananatiling ginawa, hino-host, at pinamamahalaan sa labas ng ShareAI. Ang ShareAI Builder ay para sa pag-reroute at pag-monetize ng napiling paggamit ng AI mula sa produkto, hindi para sa paggawa o pagho-host ng mismong produkto.

Ano ang dapat bilangin bilang isang credit?

Ang isang credit ay dapat tumutugma sa isang nakikitang aksyon ng customer. Halimbawa, isang pagsusuri ng dokumento, isang nalikhang imahe, isang sagot ng assistant, o isang pagtakbo ng pagsusuri ng code. Sa loob, maaari mo pa ring i-map ang mga credit sa mga token, gastos ng modelo, at pag-uugali ng pag-reroute.

Paano dapat harapin ng mga open-core na koponan ang mga libreng user?

Panatilihing kapaki-pakinabang ang libreng core. Kung ang mga libreng user ay nakakakuha ng access sa AI, gumamit ng maliit na allowance o limitasyong pang-demo. Ang bayad na top-up na modelo ay dapat ilapat sa premium na paggamit ng AI, hindi sa pangunahing halaga na nagpapakilala sa open-core na proyekto.

Maaari bang gumana ang AI top-ups para sa mga self-hosted na customer?

Oo, kapag ang self-hosted na produkto ay maaaring mag-reroute ng napiling mga kahilingan sa AI sa pamamagitan ng isang komersyal na endpoint at tinatanggap ng customer ang arkitekturang iyon. Dapat gawing malinaw ng produkto ang na-reroute na tampok, mga tuntunin ng paggamit, at mga kontrol ng admin.

Paano gumagana ang mga payout ng Builder?

Sa isang ShareAI Builder setup, ang Builder ay nag-reroute ng napiling paggamit ng AI sa pamamagitan ng ShareAI at nagtatakda ng margin o surcharge. Nagbabayad ang mga customer sa ShareAI para sa na-reroute na paggamit, at ang Builder ay tumatanggap ng buwanang payout batay sa nalikhang paggamit.

Paano naiiba ang isang Builder mula sa isang Provider?

Ang isang Builder ay nagmamay-ari ng app, produkto, plugin, o platform na nagpapadala ng mga user sa ShareAI-routed inference. Ang isang Provider ay nag-aambag ng compute capacity sa network. Ang pagpepresyo ng open-core top-up ay pangunahing workflow ng Builder, kahit na ang supply ng Provider ay tumutulong sa pagpapagana ng mas malawak na marketplace.

Anong panloob na data ang dapat naming subaybayan?

Subaybayan ang customer ID, workspace ID, pangalan ng feature, plano, bilang ng kahilingan, yunit ng paggamit, modelong ginamit, proxy ng gastos, balanse ng top-up, mga nabigong kahilingan, at nalikhang kita. Kung wala ang datos na ito, mahirap i-tune ang mga allowance o margin.

Ano ang pinakaligtas na unang feature na ilulunsad gamit ang top-ups?

Pumili ng premium na AI feature na mayroon nang demand, malinaw na halaga para sa customer, at nasusukat na paggamit. Ang pagsusuri ng dokumento, mga sagot ng assistant, batch enrichment, at mga generation job ay kadalasang mas madaling ipaliwanag kaysa sa background automation.

Magsimula Sa Isang Premium AI Action

Ang pinakamahusay na open-core top-up model ay kadalasang maliit sa simula. Pumili ng isang AI feature, tukuyin ang allowance, ipakita nang malinaw ang paggamit, at i-route ang mga bayad na kahilingan sa pamamagitan ng ShareAI. Kapag nakikita na ang ekonomiya, maaari mong palawakin ang modelo nang hindi nire-reprice ang buong produkto.

Ang mga team na handang subukan ang Builder setup ay maaaring magsimula sa ShareAI Builder console o suriin ang Dokumentasyon ng ShareAI bago i-wire ang unang routed na AI feature.