- Trong kỷ nguyên AI năm 2025, chính sách giá SaaS đang rời xa mô hình giá cố định và theo số ghế để chuyển sang các mô hình lai, theo mức sử dụng và theo kết quả
- Tỷ lệ dùng giá cố định giảm từ 29% xuống 22%, giá theo ghế giảm từ 21% xuống 15%, và 29% công ty AI-native ghi nhận biên lợi nhuận gộp dưới 60%
- Chính sách giá lai kết hợp phí thuê bao cố định với yếu tố tính phí theo mức sử dụng, tạo cấu trúc cân bằng giữa doanh thu dự đoán được và chi phí hạ tầng AI, với tỷ lệ áp dụng cao 41%
- Chính sách giá theo kết quả hiện mới chỉ được 5% sử dụng, nhưng dự kiến 25% sẽ áp dụng vào năm 2028, với sự lan rộng của AI agent tự động là yếu tố thúc đẩy tăng tốc
- Giá theo mức sử dụng được dùng một cách tự nhiên trong API, hạ tầng, công cụ cho nhà phát triển và dịch vụ agent, nhưng vì rủi ro về biến động, khả năng dự đoán và hóa đơn bất ngờ, nhiều công ty đang có xu hướng thiết kế mô hình lai dưới dạng thuê bao cơ bản + lớp tính phí theo sử dụng
- Chính sách giá đang tiến hóa vượt ra ngoài việc kiếm tiền đơn thuần để trở thành một narrative chiến lược nhằm chứng minh giá trị sản phẩm và khả năng mở rộng với nhà đầu tư
1. Sự sụp đổ của giá cố định và giá theo ghế: vì sao tính dự đoán lại trở thành gánh nợ
- Chính sách giá cố định và theo ghế từng thống trị ngành SaaS suốt 20 năm đang suy tàn nhanh chóng vì sự lệch pha giá trị do AI tạo ra
- Giá cố định giảm mức sử dụng từ 29% xuống 22%, còn giá theo ghế từ 21% xuống 15%
- 29% công ty AI-native ghi nhận biên lợi nhuận gộp dưới 60%, so với mức 80-90% của SaaS truyền thống
- Biến động chi phí của workload AI là nguyên nhân cốt lõi làm mô hình giá cố định sụp đổ
- Các mô hình cao cấp của OpenAI có thể tiêu tốn tới 3.500 USD chi phí tính toán cho một truy vấn ngữ cảnh lớn duy nhất
- Các truy vấn chi phí cao từ power user có thể làm chi phí hạ tầng ban đêm tăng vọt
- Chính sách giá theo ghế tạo ra nghịch lý khi AI agent thay thế nhiều nhân sự
- Cursor đạt 200 triệu USD ARR chỉ với 60 nhân viên, doanh thu mở rộng không còn phụ thuộc vào số người
- Klarna tăng gấp đôi doanh thu trên mỗi nhân viên sau khi triển khai AI agent
- Các chính sách giá cũ cần chuyển sang cấu trúc linh hoạt dựa trên mức sử dụng thực tế hoặc kết quả, thay vì chỉ dựa trên quyền truy cập
2. Cấu trúc khiến giá lai trở thành tiêu chuẩn mới
- Chính sách giá lai đã được 41% doanh nghiệp SaaS và AI-native chọn làm mô hình chính
- Một cách tiếp cận kiểu toolkit kết hợp thuê bao cố định với yếu tố tính phí theo mức sử dụng
- Nhiều biến thể được pha trộn như phí cơ bản + phần vượt mức sử dụng, gói phân tầng + phụ phí theo sử dụng, mô hình dựa trên credit
- Ưu điểm cốt lõi của mô hình lai là cân bằng giữa khả năng dự đoán và khả năng mở rộng
- Cung cấp doanh thu nền ổn định cho đội tài chính và đòn bẩy mở rộng cho chiến lược GTM
- Việc đo mức sử dụng giúp liên kết chi phí hạ tầng AI với doanh thu, đồng thời cho khách hàng điểm vào rủi ro thấp và khả năng mở rộng theo giá trị
- Ví dụ áp dụng mô hình lai tại các công ty lớn
- Monday.com: đưa AI credit vào các gói và bán thêm phần dùng vượt mức
- Clay: bỏ giới hạn theo ghế, kiếm tiền từ mức sử dụng và tính năng nâng cao
- OpenAI: chuyển từ thuê bao cố định sang mô hình lai gồm credit + gói upsell
- Retool: thêm một lớp add-on theo mức sử dụng lên trên các gói truyền thống
- Rủi ro của mô hình lai là độ phức tạp tăng lên khi nó trông như một “nhãn dán vạn năng”
- Khi tầng theo ghế + tầng theo sử dụng + bundle add-on + trần chi tiêu và phí vượt mức chồng lên nhau, khách hàng sẽ khó hiểu “chính xác mình đang trả tiền cho điều gì”
- Một mô hình lai được thiết kế tốt tạo ra sự cân bằng giữa linh hoạt và rõ ràng, nhưng nếu thiết kế kém, nó có thể trở thành hệ thống giá đầy ngoại lệ và chú thích gây mất niềm tin; trong thời đại mà tính minh bạch là cốt lõi của niềm tin, chi phí mất niềm tin này là điểm yếu chí mạng
3. Triển khai thực tế Outcome-Based Pricing và framework CAMP
- Chính sách giá theo kết quả (OBP) là mô hình tính phí theo kết quả thay vì theo mức sử dụng
- Hiện mới chỉ có 5% áp dụng, nhưng đến năm 2028 dự kiến 25% sẽ dùng
- Startup AI-native có tỷ lệ triển khai OBP cao gấp 4 lần doanh nghiệp truyền thống
- Khi các hệ thống AI tạo ra kết quả có thể đo lường được, tính khả thi của OBP tăng lên
- Có thể đo rõ các kết quả như giải quyết ticket hỗ trợ, tạo lead đủ điều kiện, soạn tài liệu pháp lý
- Fin của Intercom là ví dụ tiêu biểu của OBP
- Thay vì tính phí theo ghế hỗ trợ hoặc theo mức dùng chatbot, sản phẩm tính phí theo mỗi lần giải quyết thành công (per-resolution)
- Nếu không giải quyết được yêu cầu thì không tính phí, vì “nó đóng vai trò như một nhân viên hỗ trợ nên được định giá như vậy”
- 4 rào cản trong framework CAMP đang cản trở việc áp dụng OBP
- Consistency: cách dùng và tiêu chuẩn giá trị khác nhau theo từng khách hàng, khiến việc định nghĩa kết quả đồng nhất trở nên khó khăn
- Attribution: cần chứng minh rõ sản phẩm đã tạo ra kết quả đó; trong môi trường có nhiều yếu tố cùng đóng góp, điều này dễ mơ hồ
- Measurability: việc đo kết quả có thể cần tích hợp hệ thống nội bộ hoặc dựa vào báo cáo chủ quan; khách hàng phải tin vào chỉ số thì mới có thể tính phí
- Predictability: cả bên mua lẫn bên cung cấp đều cần khả năng dự đoán; nếu khối lượng kết quả biến động quá lớn, hóa đơn sẽ bất ổn, nên cần đặt ngưỡng tối thiểu và tối đa
- Phần lớn doanh nghiệp đang xem OBP là mục tiêu dài hạn, thử nghiệm với một nhóm nhỏ khách hàng rồi mở rộng dần
- Trước hết đo kết quả, xây dựng niềm tin và attribution, sau đó chỉ chuyển sang OBP khi dữ liệu đã đủ chắc chắn
4. Giá theo mức sử dụng: khả năng mở rộng lớn nhưng không phải thuốc chữa bách bệnh
- Chính sách giá theo mức sử dụng là mô hình “tính phí tương ứng với lượng sử dụng”, đang được chú ý trong các sản phẩm AI
- Hiệu quả khi đơn vị giá trị rõ ràng, lặp lại được và có thể mở rộng
- Những lĩnh vực phù hợp với mô hình giá theo mức sử dụng
- API dựa trên token (OpenAI, Anthropic)
- Nền tảng cho nhà phát triển (Vercel - tính phí theo băng thông, thời gian build, số request)
- AI agent tự động (Bolt.new - sau khi mức sử dụng bùng nổ đã chuyển sang tính phí theo token)
- Hạ tầng thanh toán (Stripe - tính phí trên mỗi giao dịch, gắn trực tiếp với tăng trưởng của khách hàng)
- Nguyên tắc thiết kế chính sách giá theo mức sử dụng hiệu quả
- Gắn mức sử dụng với cảm nhận giá trị: thay vì tính theo số lần gọi API, hãy tính theo số email đã gửi hoặc theo kết quả
- Ngăn hóa đơn bất ngờ: bảo đảm minh bạch bằng dashboard sử dụng rõ ràng, cảnh báo ngưỡng và thiết lập trần chi tiêu
- Duy trì khả năng dự đoán bằng credit hoặc phân tầng: credit trả trước, bậc sử dụng, hoặc mô hình giá đỉnh để cân bằng giữa linh hoạt và khả năng dự đoán
- Vấn đề biến động của mô hình theo mức sử dụng
- Phía nhà cung cấp: doanh thu biến động theo tháng gây khó dự báo, làm tăng độ khó dự đoán ở giai đoạn đầu dưới góc nhìn nhà đầu tư
- Phía người mua: không dự đoán được chi tiêu nên khó cam kết trả trước quy mô lớn, tỷ lệ rời bỏ của khách hàng nhạy cảm với chi phí tăng lên và đội mua sắm phản đối
- Phần lớn công ty AI chỉ dùng giá theo mức sử dụng như một lớp bổ sung, chứ không dùng làm toàn bộ mô hình
- Cấu trúc lai gồm thuê bao cơ bản (quyền truy cập) + phí theo sử dụng (cho workload nặng) giúp giữ tiềm năng upsell
5. Agentic vs Assistive AI: hai ngã rẽ quyết định chiến lược giá
- Trong kiếm tiền từ AI đang xuất hiện sự phân tách rõ ràng giữa sản phẩm tự động (Agentic) và sản phẩm hỗ trợ (Assistive)
- AI tự động: thực hiện công việc với mức can thiệp tối thiểu từ con người (xử lý ticket hỗ trợ, tạo email outbound, soạn tài liệu pháp lý)
- AI hỗ trợ: nâng cao workflow của con người, con người luôn nằm trong vòng lặp (gợi ý viết, tự động hoàn thành mã, sửa ngữ pháp)
- AI tự động = chính sách giá theo kết quả hoặc theo công việc
- Khi AI chịu trách nhiệm cho toàn bộ tác vụ, tính phí theo từng kết quả là phù hợp
- Ngoài Fin của Intercom, Adept (agent trên toàn hệ thống doanh nghiệp) và Jasper (viết hoàn chỉnh nội dung marketing) cũng áp dụng mô hình tính phí theo công việc
- Tính phí theo người dùng hay theo ghế trở nên vô nghĩa, vì AI chính là người dùng
- AI hỗ trợ = chính sách giá theo mức sử dụng hoặc theo phân tầng
- Khi AI tăng cường công việc của con người, giá theo sử dụng hoặc theo tầng tính năng là phù hợp
- GitHub Copilot: tính phí theo ghế nhà phát triển (tích hợp vào workflow lập trình)
- Grammarly: giá phân tầng theo gợi ý nâng cao, tính năng giọng điệu và mức cộng tác doanh nghiệp
- Chọn sai mô hình sẽ dẫn đến thất bại trong kiếm tiền
- Nếu tính phí theo ghế cho AI tự động, TAM sẽ co lại khi khách hàng cắt giảm nhân sự
- Nếu tính phí theo kết quả cho công cụ hỗ trợ, người mua sẽ phản đối vì attribution mơ hồ
- Khi định nghĩa sản phẩm thật rõ là tự động hay hỗ trợ, logic định giá sẽ xuất hiện một cách tự nhiên
6. Kiếm tiền dựa trên hành vi: biên giới PLG mới
- PLG truyền thống dùng cách nâng cấp dựa trên giới hạn sử dụng (10 dashboard, 500 liên hệ, 100MB lưu trữ...)
- Các leader PLG hiện đang chuyển sang kiếm tiền dựa trên hành vi
- Định giá không dựa trên ngưỡng tùy ý mà dựa trên mức độ tham gia, tăng trưởng và cách người dùng trích xuất giá trị
- Cơ chế cốt lõi của kiếm tiền dựa trên hành vi
- Mở khóa tính năng premium sau khi người dùng tự động hóa một số lượng tác vụ nhất định hoặc gửi 100 hóa đơn đầu tiên
- Kích hoạt các nudges upsell khi nhóm thêm tích hợp mới hoặc mở rộng sử dụng trên toàn phòng ban
- Chuyển lên tầng cao hơn khi xuất hiện hành vi chấp nhận sâu như dùng workflow nâng cao, mời cộng tác viên, vượt chỉ số thành công
- Notion, ClickUp, Clay đang dẫn đầu trong việc theo dõi milestone người dùng và điều chỉnh nudges về giá
- Vì sao cần kiếm tiền dựa trên hành vi
- Các tầng tĩnh quá chung chung với power user ngày nay
- Một đội marketing dùng 50 workflow AI mỗi tháng và một nhà sáng lập solo chỉ dùng 1 workflow là hai trường hợp khác nhau, nhưng với giá truyền thống họ có thể vẫn ở cùng một gói
- Kiếm tiền dựa trên hành vi giúp định giá gần hơn với giá trị thực được tạo ra
- Người dùng hiểu trực quan hơn thời điểm và lý do phải trả thêm tiền
- Cảm giác như một tiến trình tự nhiên chứ không phải rào cản
7. Kiếm tiền chiến lược = narrative gọi vốn
- Với nhà sáng lập giai đoạn đầu, chính sách giá là một vũ khí narrative
- Những đội GTM tốt nhất xem chiến lược giá là phần kéo dài của chiến lược sản phẩm
- Một mô hình giá thông minh có thể làm nổi bật nhiều chiều mạnh khác nhau
- Động lực định giá doanh nghiệp: NDR mạnh, thời gian hoàn vốn CAC ngắn, biên lợi nhuận gộp cải thiện ngay cả khi chi phí hạ tầng tăng
- Hào lũy cạnh tranh: mức giá gắn với kết quả và logic attribution độc quyền khó sao chép, dễ phòng thủ
- Khả năng mở rộng: mô hình lai hoặc theo kết quả đủ linh hoạt để tăng trưởng theo độ trưởng thành của sản phẩm và mức sử dụng của khách hàng
- Câu hỏi cốt lõi từ nhà đầu tư
- “Mức giá theo sát giá trị đến đâu? Nó tiến hóa như thế nào cùng với mức độ chấp nhận? Biên lợi nhuận được bảo vệ ra sao trong một thế giới lấy AI làm trung tâm?”
- Điều này đặc biệt quan trọng với startup AI-native
- Nếu sản phẩm tự động hóa công việc hoặc tạo ra kết quả đo được thì giá phải phản ánh điều đó
- Nếu không, đó là tín hiệu đứt gãy giữa lời hứa sản phẩm và cách thực thi GTM
- Lộ trình trưởng thành về giá theo ARR
- 0-1M ARR: giá cố định hoặc phân tầng đơn giản
- 1-5M ARR: thêm theo dõi mức sử dụng
- 5-20M ARR: mô hình lai, phân tầng nâng cao
- 20M+ ARR: thử nghiệm theo kết quả, tùy biến cho doanh nghiệp lớn
- Năm 2025, chính sách giá là tiêu điểm trên trang đầu của mọi bản memo đầu tư; nếu nó không phản ánh được trí tuệ của sản phẩm, nhà đầu tư sẽ chú ý ngay
8. Tương lai: từ quyền truy cập đến mức sử dụng, rồi đến kết quả
- Chính sách giá SaaS đang tiến hóa vượt khỏi việc đóng gói tính năng để hướng tới sự phù hợp giữa cách sản phẩm tạo ra giá trị và cách doanh nghiệp thu về giá trị đó
- Thời đại phần mềm tĩnh: giá cố định và theo ghế (giá trị mở rộng theo số người)
- Thời đại sản phẩm dựa trên AI: giá theo mức sử dụng (phù hợp với xử lý tính toán và lời gọi API)
- Thời đại AI tự động hóa: giá theo kết quả (doanh thu gắn với kết quả thay vì hoạt động)
- Các công ty SaaS dẫn đầu đang bán thành công chứ không chỉ bán quyền truy cập phần mềm, và họ cũng tính phí theo logic đó
- Những đội tốt nhất đang liên tục thử nghiệm giá như thử nghiệm sản phẩm
- Lặp lại, kiểm thử, cải tiến
- Giao quyền sở hữu, tích hợp thiết kế billing với chiến lược GTM
- Chuẩn bị cho một thế giới nơi chính sách giá đa mô hình sẽ trở thành tiêu chuẩn
- Trong kỷ nguyên AI, chính sách giá không chỉ là mô hình kinh doanh mà còn là một hợp đồng niềm tin, đòn bẩy tăng trưởng và tín hiệu rõ ràng cho thấy mức độ thấu hiểu giá trị được tạo ra
Chưa có bình luận nào.