OpenAI के ‘नतीजे के आधार पर भुगतान’ वाले AI मॉडल को समझिए

OpenAI कथित तौर पर कुछ चुनिंदा बड़े एंटरप्राइज ग्राहकों को ऐसा विकल्प दे रहा है जिसमें भुगतान तभी किया जाता है, जब AI एजेंट पहले से तय कारोबारी काम पूरा कर दे। यह कोई सार्वजनिक रूप से घोषित सामान्य प्राइसिंग प्लान नहीं, बल्कि सीमित पायलट बताया जा रहा है। OpenAI ने इसमें शामिल कामों, दरों या अनुबंध की शर्तों का खुलासा नहीं किया है। 5

इस प्रयोग का महत्व इसलिए है क्योंकि स्वायत्त AI एजेंट सामान्य चैटबॉट की तुलना में कहीं अधिक कंप्यूट खर्च कर सकते हैं। टोकन-आधारित बिलिंग में प्रॉम्प्ट, जवाब, दोबारा कोशिश और टूल कॉल—सभी लागत बढ़ाते हैं। इसके उलट, outcome-based pricing का शुल्क उस नतीजे से जुड़ता है जिसे ग्राहक और विक्रेता पहले से परिभाषित करते हैं।

Token billing से outcome-based pricing कितनी अलग है?

OpenAI की प्रकाशित API और एंटरप्राइज दरों में इनपुट, कैश्ड इनपुट और आउटपुट टोकन के लिए प्रति दस लाख टोकन शुल्क लिया जाता है। 1 2 इस मॉडल में ग्राहक मॉडल के इस्तेमाल के लिए भुगतान करता है, भले ही एजेंट अंततः काम पूरा करे या नहीं।

Outcome-based pricing में बिलिंग की इकाई बदल जाती है। सवाल यह नहीं रहता कि सिस्टम ने कितने टोकन प्रोसेस किए, बल्कि यह होता है कि क्या एजेंट ने तय नतीजा हासिल किया। ऐसा नतीजा किसी ग्राहक शिकायत का सफल समाधान, कोई पूरा हुआ वर्कफ़्लो या बिजनेस सिस्टम में सत्यापित अपडेट हो सकता है। हालांकि OpenAI के कथित पायलट में वास्तव में कौन-से परिणाम मान्य होंगे, यह सार्वजनिक नहीं किया गया है। 5

इस व्यवस्था में निष्पादन का कुछ जोखिम ग्राहक से हटकर विक्रेता पर आ जाता है। एजेंट की कई कोशिशें, लंबी रीजनिंग चेन या असफल रन OpenAI की लागत बढ़ा सकते हैं, लेकिन जरूरी नहीं कि उनसे बिल योग्य परिणाम पैदा हो।

एंटरप्राइज कंपनियों को एजेंट की लागत की चिंता क्यों है?

पूर्वानुमानित ऐप्लिकेशन के लिए usage-based pricing अपेक्षाकृत आसान होती है। लेकिन जब एजेंट खुद रास्ता चुनते हों, बार-बार टूल इस्तेमाल करते हों, दूसरे एजेंटों को काम सौंपते हों या समानांतर प्रक्रियाएं चलाते हों, तब बजट का अनुमान लगाना कठिन हो जाता है।

रिपोर्ट में दिए गए सबसे बड़े उदाहरणों में से एक में एक डेवलपर ने 100 एजेंट चलाए और 30 दिनों में OpenAI टोकन पर 1.3 मिलियन डॉलर खर्च किए। 5 यह एक असाधारण मामला है, लेकिन इससे मूल कारोबारी चिंता स्पष्ट होती है: स्वायत्त सिस्टम में लागत पूरे हुए काम की कीमत के बजाय कोशिशों और गतिविधि के साथ बढ़ सकती है।

अगर अनुबंध असफल कोशिश को बिल योग्य नहीं मानता, तो outcome contract बजट का अनुमान लगाना आसान बना सकता है और ग्राहक को बेनतीजा रन का पूरा खर्च उठाने से बचा सकता है। OpenAI के पायलट में ऐसी सुरक्षा लागू है या नहीं, और अपवादों को कैसे संभाला जाएगा, यह अभी स्पष्ट नहीं है।

शुरुआत में किन कामों पर यह मॉडल लागू हो सकता है?

Outcome pricing उन कामों में लागू करना सबसे आसान है जिनकी सीमा स्पष्ट हो और जिनके पूरा होने का प्रमाण आसानी से मिल सके। ग्राहक सहायता इसका स्वाभाविक उदाहरण है, क्योंकि किसी टिकट का समाधान, ग्राहक के साथ हुई बातचीत या आगे मानवीय हस्तक्षेप की जरूरत न पड़ना—इन संकेतों से परिणाम की जांच की जा सकती है।

संभावित अन्य वर्कफ़्लो में सीमित दायरे वाले कोडिंग कार्य, बीमा दावों की प्रोसेसिंग, लीड की प्राथमिक जांच या बैक-ऑफिस सिस्टम में अपडेट शामिल हो सकते हैं। ये OpenAI द्वारा घोषित उपयोग के मामले नहीं हैं, बल्कि ऐसे कामों के उदाहरण हैं जहां सफलता पहले से परिभाषित की जा सकती है।

किसी व्यावहारिक अनुबंध में संभवतः इन बातों को स्पष्ट करना होगा:

• सफलता की सटीक शर्त;
• गुणवत्ता और सटीकता की न्यूनतम सीमा;
• मानवीय हस्तक्षेप को असफलता, आंशिक सफलता या सफलता में से क्या माना जाएगा;
• दोबारा कोशिश और अपवादों का हिसाब;
• कौन-सा सिस्टम इवेंट काम पूरा होने की पुष्टि करेगा; और
• बिलिंग विवाद का समाधान कैसे होगा।

इन नियमों के बिना “AI काम करे तभी भुगतान” सुनने में आकर्षक है, लेकिन व्यावसायिक रूप से अस्पष्ट वादा बना रहता है।

बाजार में पहले से मौजूद हैं outcome-linked मॉडल

OpenAI का कथित प्रयोग AI एजेंटों के लिए सॉफ्टवेयर कंपनियों की बदलती प्राइसिंग रणनीति के बीच सामने आया है। हालांकि सभी मॉडल एक जैसे नहीं हैं:

• Intercom Fin: Intercom के मुताबिक, Fin प्रति resolved outcome 0.99 डॉलर लेता है। इसका अर्थ है कि AI ग्राहक की समस्या को बिना मानवीय हस्तक्षेप के शुरू से अंत तक हल करे। 8
• Zendesk: Zendesk “Verified Resolution” शब्द का इस्तेमाल करता है। यहां शुल्क किसी सीट के बजाय सफल AI-संचालित समाधान से जोड़ा जाता है। 14
• Salesforce Agentforce: Salesforce ने शुरुआत में 2 डॉलर प्रति बातचीत का मॉडल अपनाया था और बाद में Flex Credits पेश किए। Intercom की तुलना के अनुसार, एक standard action की कीमत 20 credits, यानी लगभग 0.10 डॉलर प्रति action है। यह इस्तेमाल-आधारित pricing है, जिसमें शुल्क किसी action पर लगता है—जरूरी नहीं कि अंतिम कारोबारी नतीजे पर। 8

इसीलिए outcome-based और consumption-based pricing को एक ही नहीं समझना चाहिए। प्रति action या प्रति बातचीत शुल्क उपयोग को समझने में आसान बना सकता है, लेकिन व्यापक कारोबारी लक्ष्य पूरा न होने पर भी ग्राहक से भुगतान लिया जा सकता है।

एंटरप्राइज खरीदार किस तरह की pricing पसंद कर रहे हैं?

Futurum Group के उपलब्ध आंकड़े बताते हैं कि बाजार सीट-आधारित मॉडल को पूरी तरह खारिज नहीं कर रहा, बल्कि अलग-अलग AI उपयोग के लिए अलग विकल्प तलाश रहा है।

830 वैश्विक IT निर्णयकर्ताओं के एक Futurum सर्वे में 43% लोगों ने generative-AI सुविधाओं के लिए consumption pricing को प्राथमिकता दी, जबकि 27% ने outcome-based pricing को चुना। 14 Futurum के 2H 2026 सर्वे में अलग से बिल की जाने वाली AI सुविधाओं के लिए 42.3% खरीदारों ने per-seat pricing, 36.6% ने consumption pricing और 21.1% ने outcome pricing पसंद की। वहीं core software के लिए consumption-based pricing 28.9%, outcome-based pricing 22.2% और per-seat pricing 12.6% पर रही।

इसका मतलब यह नहीं है कि एंटरप्राइज कंपनियों ने एक सार्वभौमिक मॉडल चुन लिया है। पसंद इस बात पर निर्भर करती दिखती है कि AI का काम क्या है। अनुमानित उत्पादकता फीचर के लिए सीट या add-on शुल्क उपयुक्त हो सकता है, जबकि मापे जा सकने वाले परिणाम देने वाली स्वायत्त सेवा के लिए consumption या outcome-linked pricing अधिक तर्कसंगत लग सकती है।

यह मॉडल फैल सकता है, लेकिन इसकी सीमाएं भी हैं

खरीदारों के लिए इसका आकर्षण सीधा है: खर्च को मिलने वाले मूल्य से जोड़ा जा सकता है। विक्रेताओं के लिए यह व्यवस्था विश्वसनीयता सुधारने और बेकार की एजेंट गतिविधि घटाने का दबाव बनाती है। इससे वित्तीय टीमों के लिए ऐसे AI एजेंट मंजूर करना भी आसान हो सकता है जिनका खुला-ended token खर्च बजट में रखना कठिन है।

लेकिन outcome pricing से विक्रेताओं पर वे लागतें आ जाती हैं जिन्हें वे पहले सीधे ग्राहक तक पहुंचा सकते थे। इसके अलावा, गलत प्रोत्साहन का जोखिम भी है। यदि एजेंट को केवल एक संकीर्ण मीट्रिक हासिल करने के लिए अनुकूलित किया गया, तो वह अनुबंध की शर्त पूरी कर सकता है, लेकिन ग्राहक अनुभव या वास्तविक कारोबारी लक्ष्य को नुकसान पहुंचा सकता है।

जिम्मेदारी तय करना भी मुश्किल होगा। मान लीजिए किसी वर्कफ़्लो में कई मॉडल, बाहरी टूल, कर्मचारी और एंटरप्राइज सिस्टम शामिल हैं। अगर एजेंट ने प्रक्रिया का केवल एक हिस्सा पूरा किया या अंतिम निर्णय किसी कर्मचारी ने लिया, तो यह तय करना कठिन हो सकता है कि बिल योग्य परिणाम का श्रेय OpenAI को कितना दिया जाए।

इसी वजह से outcome pricing का विस्तार पहले संकीर्ण और सत्यापित किए जा सकने वाले कामों में होने की संभावना है, न कि खुले दायरे वाले ज्ञान-आधारित कामों में। जटिल तैनाती के लिए सीट, usage, credits और चुनिंदा outcome fees को मिलाने वाले हाइब्रिड मॉडल अधिक व्यावहारिक रह सकते हैं। Futurum ने AI pricing को ग्राहक मूल्य से जोड़ने की कोशिशों के बीच hybrid models को महत्वपूर्ण मध्य मार्ग बताया है। 14

OpenAI के पायलट से क्या संकेत मिलता है?

अगर यह व्यवस्था आगे बढ़ती है, तो एंटरप्राइज AI की अर्थव्यवस्था में महत्वपूर्ण बदलाव दिख सकता है। विक्रेता केवल मॉडल तक पहुंच या टोकन खपत नहीं, बल्कि पूरा हुआ काम बेचने लगेंगे।

फिलहाल उपलब्ध जानकारी से निष्कर्ष सीमित ही रखा जाना चाहिए। OpenAI कथित तौर पर कुछ बड़े ग्राहकों के साथ outcome-based pricing आजमा रहा है, लेकिन कंपनी ने कोई सामान्य योजना प्रकाशित नहीं की है और न ही दर, दायरा या व्यावसायिक सफलता का आकलन करने लायक पर्याप्त अनुबंध विवरण साझा किया है। 5 इसलिए इस प्रयोग को “नतीजे के लिए भुगतान” मॉडल को एंटरप्राइज खरीद प्रक्रियाओं के लिए पर्याप्त रूप से स्पष्ट बनाने की शुरुआती कोशिश के तौर पर देखना बेहतर होगा।