OpenAI testar resultatbaserad prissättning för företagskunder

OpenAI låter enligt uppgift ett mindre antal stora företagskunder betala först när en AI-agent har slutfört en i förväg definierad affärsuppgift. Det handlar om ett begränsat pilotprojekt – inte om en offentligt lanserad prisplan – och OpenAI har inte berättat vilka uppgifter som ingår, vilka priser som gäller eller hur avtalen är utformade. 5

Förändringen är intressant eftersom autonoma AI-agenter kan använda betydligt mer datorkraft än en traditionell chattbot. Med tokenbaserad fakturering växer kostnaden när systemet skickar fler frågor, genererar längre svar, försöker igen eller använder externa verktyg. Med resultatbaserad prissättning kopplas kostnaden i stället till ett resultat som kunden och leverantören har definierat på förhand.

Från tokens till faktiskt resultat

OpenAI:s publicerade API- och företagspriser anges per miljon indata-, cachade indata- och utdata-tokens. 1 2 Kunden betalar alltså för modellens användning oavsett om agenten till slut lyckas lösa uppgiften.

En resultatbaserad modell flyttar själva faktureringshändelsen. Frågan blir inte längre bara ”hur många tokens behandlades?”, utan ”uppnådde agenten det avtalade resultatet?”. Det kan exempelvis handla om ett löst kundärende, ett färdigt arbetsflöde eller en verifierad uppdatering i ett affärssystem. Vilka resultat som ingår i OpenAI:s pilot är däremot inte offentligt känt. 5

Det innebär också att en del av genomföranderisken flyttas från kunden till leverantören. Många försök, långa resonemangskedjor och misslyckade körningar kan öka OpenAI:s kostnader utan att de nödvändigtvis leder till en fakturerbar prestation.

Därför oroar sig företag för agentkostnader

Användningsbaserad prissättning är relativt enkel att budgetera för förutsägbara tillämpningar. Det blir svårare när en agent själv väljer väg, anropar verktyg upprepade gånger, delegerar deluppgifter eller arbetar parallellt.

Ett extremt, men talande, exempel gäller en utvecklare som körde 100 agenter och enligt uppgift samlade på sig OpenAI-kostnader på 1,3 miljoner dollar under 30 dagar. 5 Summan är ett särfall, men illustrerar den kommersiella utmaningen: för autonoma system kan utgifterna växa med antalet försök och mängden aktivitet – inte med värdet av det arbete som faktiskt blir klart.

Ett avtal baserat på resultat kan göra kostnaderna lättare att förutse. Det kan också minska risken att kunden betalar fullt pris för ett misslyckat försök, om avtalet anger att misslyckanden inte ska faktureras. Om sådan riskdelning faktiskt ingår i OpenAI:s pilot, och hur undantag ska hanteras, är fortfarande oklart.

Vilka uppgifter lämpar sig bäst?

Resultatbaserad prissättning är enklast att administrera när en uppgift har en tydlig början och ett observerbart slut. Kundsupport är ett uppenbart exempel: en lösning kan ofta kontrolleras genom ärendets status, kundens interaktion eller att ingen mänsklig handläggare behöver ta över.

Andra tänkbara områden är avgränsade kodningsuppgifter, skade- och kravhantering, kvalificering av säljleads eller administrativa uppdateringar i företagets system. Det är möjliga användningsområden – inte offentligt bekräftade exempel från OpenAIs pilot. Det gemensamma är att parterna måste kunna bestämma vad som räknas som framgång innan agenten börjar arbeta.

Ett praktiskt avtal skulle sannolikt behöva ange:

• exakt vilket resultat som krävs;
• gränser för kvalitet och noggrannhet;
• om en överlämning till en människa räknas som ett misslyckande eller delvis lyckat resultat;
• hur nya försök och undantag ska hanteras;
• vilken systemhändelse som bekräftar att uppgiften är slutförd; och
• hur faktureringstvister ska lösas.

Utan sådana regler blir ”betala bara när AI:n fungerar” mer av ett slagord än ett entydigt kommersiellt löfte.

OpenAI är inte först

OpenAIs rapporterade test följer en bredare förändring inom mjukvarubranschen, där företag experimenterar med att ta betalt för vad AI-agenter åstadkommer. Modellerna liknar varandra, men är inte identiska:

• Intercom Fin: Intercom beskriver Fin som en tjänst där kunden betalar 0,99 dollar per löst ärende. Det ska vara ett kundproblem som AI:n löser från början till slut utan mänsklig inblandning. 8
• Zendesk: Zendesk använder begreppet ”Verified Resolution” för en framgångsrik AI-driven lösning. Kostnaden kopplas därmed till resultatet snarare än enbart till antalet användarlicenser. 14
• Salesforce Agentforce: Salesforce började med en modell på 2 dollar per konversation och introducerade senare Flex Credits. I Intercoms jämförelse kostar en standardåtgärd 20 krediter, motsvarande ungefär 0,10 dollar per åtgärd. Det är en form av användningsbaserad prissättning – inte nödvändigtvis betalning enbart för det slutliga affärsresultatet. 8

Skillnaden är viktig. ”Resultatbaserad” och ”förbrukningsbaserad” prissättning är inte samma sak. Pris per åtgärd eller konversation kan göra användningen mer begriplig, men kunden kan fortfarande behöva betala även om det övergripande affärsmålet inte nås.

Vad undersökningar säger om företagens preferenser

Futurums undersökningar pekar på en splittrad marknad, inte på att alla företag överger licenser per användare.

I en Futurum-undersökning med 830 globala IT-beslutsfattare föredrog 43 procent förbrukningsbaserad prissättning för generativ AI, medan 27 procent föredrog resultatbaserade modeller. 14 I en separat undersökning för andra halvåret 2026 föredrog köpare licenser per användare för separat fakturerade AI-funktioner, med 42,3 procent. Förbrukningsbaserad prissättning fick 36,6 procent och resultatbaserad 21,1 procent.

För kärnmjukvara såg bilden annorlunda ut: 28,9 procent föredrog förbrukningsbaserad prissättning, 22,2 procent resultatbaserad och 12,6 procent licens per användare.

Slutsatsen är inte att företagen har valt en enda modell. Preferensen verkar bero på vad AI:n faktiskt gör. En förutsägbar funktion som hjälper en anställd kan passa som licens eller tillägg. En autonom tjänst som utför mätbart arbete kan vara lättare att motivera med förbrukning eller ett avtal kopplat till resultat.

Kan modellen bli standard?

Attraktionen är tydlig från båda håll. Köparen kan koppla kostnaden till ett levererat värde, medan leverantören får starkare incitament att förbättra tillförlitligheten och minska onödigt arbete. Det kan också hjälpa ekonomichefer att godkänna AI-agenter som skulle vara svåra att budgetera med öppen tokenförbrukning.

Men resultatbaserad prissättning gör att leverantören inte längre automatiskt kan skicka vidare alla kostnader till kunden. Modellen skapar dessutom incitament som måste hanteras noggrant. En agent som optimeras för ett snävt mått kan i teorin uppfylla avtalet och samtidigt försämra kundupplevelsen eller det bredare affärsresultatet.

Även frågan om vem som ska få äran för ett resultat är komplicerad. Ett arbetsflöde kan använda flera modeller, externa verktyg, medarbetare och företagssystem. Om agenten bara genomför en del av processen, eller om en människa fattar det slutliga beslutet, blir det svårt att avgöra om OpenAI har levererat det fakturerbara resultatet.

Därför lär resultatbaserad prissättning först spridas i smala och verifierbara arbetsflöden, snarare än inom öppna kunskapsintensiva uppgifter. Hybridmodeller – med en kombination av licenser, förbrukning, krediter och utvalda resultatbaserade avgifter – kan vara mer praktiska vid komplexa implementeringar. Futurum har beskrivit sådana hybridmodeller som ett viktigt mellansteg medan leverantörerna försöker koppla AI-priser närmare kundvärde. 14

Vad OpenAIs pilot kan betyda

Om det rapporterade upplägget byggs ut skulle det innebära en tydlig förändring av företagens AI-ekonomi. Leverantörer skulle i högre grad sälja utfört arbete, inte bara tillgång till modeller eller förbrukning av tokens.

För närvarande räcker underlaget dock till en mer begränsad slutsats: OpenAI uppges testa resultatbaserad prissättning med utvalda stora kunder, men företaget har inte publicerat någon allmän prisplan och har inte lämnat tillräckligt med avtalsdetaljer för att bedöma priser, omfattning eller kommersiell framgång. 5

Piloten bör därför ses som ett tidigt test av om AI-leverantörer kan göra löftet ”betala för resultat” tillräckligt exakt för företagens inköp, ekonomiavdelningar och juridiska avtal.