Tương lai của giá credit AI

• Khi mô hình tính phí dựa trên credit tăng vọt 126% trong năm 2025 và nổi lên như tiêu chuẩn của ngành SaaS, Clay đã thực hiện một cuộc cải tổ bảng giá quy mô lớn, tách hoàn toàn chi phí dữ liệu khỏi giá trị nền tảng
• Figma đã giới thiệu mô hình credit AI vào tháng 12/2025 nhưng trì hoãn việc thực thi thực tế; từ ngày 18/3/2026, công ty bắt đầu chính thức áp dụng giới hạn credit
• PostHog áp dụng mô hình pass-through chuyển nguyên trạng chi phí AI sang khách hàng với mức biên lợi nhuận chỉ 20%, qua đó phân biệt rõ nền tảng và chi phí token
• Dù dự kiến doanh thu giảm ngay 10% sau khi chuyển sang bảng giá mới, Clay vẫn chọn đặt cược dài hạn rằng có thể bù lại bằng việc mở rộng mức độ chấp nhận nền tảng
• Nếu mô hình AI agent trực tiếp mua AI credit trở nên phổ biến, các bảng giá phức tạp dựa trên mức sử dụng có thể lại có lợi hơn về độ minh bạch và khả năng tối ưu hóa

---

Figma chính thức thực thi giới hạn AI credit

• Figma đã giới thiệu mô hình AI credit vào tháng 12/2025 nhưng việc áp hạn mức thực tế bị trì hoãn, và sẽ chính thức áp dụng từ ngày 18/3/2026
  • Có thể mua credit từ ngày 11/3
• Credit được phân bổ theo từng người dùng và có trong mọi gói
  • Người dùng miễn phí: 500 credit/tháng (trị giá $12)
  • Enterprise full seat: 4.200 credit/tháng (trị giá $100)
• Credit được đặt lại mỗi tháng và không được chuyển sang tháng sau
• Có thể mua thêm gói subscription pooled credit ở cấp tài khoản, với mức thấp nhất là 5.000 credit với giá $120/tháng (khoảng 2 cent mỗi credit)
• Pay-as-you-go credit sẽ được cung cấp sau, với mức phụ thu 25% so với gói thuê bao tháng
• Hiệu quả của chiến lược cung cấp credit miễn phí trong 3 tháng
  • Tạo cơ hội để người dùng trải nghiệm và làm quen với tính năng AI
  • Thu thập dữ liệu sử dụng thực tế và dữ liệu chi phí
  • Thu thập phản hồi để tinh chỉnh chi tiết hệ thống giá trước khi tính phí
• Xác nhận phân bố power law trong mức tiêu thụ AI: 75% khách hàng trả phí có ARR trên $10.000 đang tiêu thụ AI credit hằng tuần
• Một số người dùng đã vượt giới hạn credit, nhưng không công bố con số chính xác
• Thiết kế cấu trúc thúc đẩy nâng cấp seat: Dev seat (500 credit/tháng) → Professional seat (3.000 credit/tháng, thêm giá trị tương đương $60), trong khi chi phí nâng cấp seat chỉ $5/tháng, tiết kiệm đáng kể so với mua riêng credit
• Căng thẳng nội tại của hệ thống giá: tạo prototype có giá cố định 20 credit, trong khi tạo ảnh biến động từ 5–25 credit tùy LLM được chọn
  • Do trộn lẫn giữa định giá theo giá trị (value-based) và định giá theo chi phí (cost-based), người dùng phải tự cân nhắc trade-off giữa giá và giá trị
  • Cũng chưa rõ liệu người dùng có được hưởng lợi khi chi phí LLM giảm hay không

Nền tảng + token: cấu trúc mới của bảng giá AI

• Để vượt qua giới hạn của cách trộn lẫn credit theo chi phí và theo giá trị, mô hình tách đôi giữa nền tảng (giá trị) và token (chi phí) đang nổi lên như một phương án thay thế
  • Có thể ví như thuê xe hơi (nền tảng) + tiền nhiên liệu (token), hoặc membership Costco (nền tảng) + hàng hóa mua vào (token)
• Snowflake: tách biệt giữa lưu trữ·truyền dữ liệu (chuyển giao chi phí) và tính toán·dịch vụ đám mây (cung cấp giá trị)
• Phần mềm vertical: phân biệt giữa xử lý thanh toán (chi phí chuyển giao với biên lợi nhuận thấp) và module phần mềm (giá trị với biên lợi nhuận cao)
• 4 lợi thế của cấu trúc này
  1. Đảm bảo mức sàn biên lợi nhuận: đảm bảo tối thiểu khoảng 20% gross margin, và doanh thu tự nhiên mở rộng cùng mức tiêu thụ token AI
  2. Đảm bảo minh bạch chi phí: việc giảm giá LLM, chọn mô hình rẻ hơn, hay hiệu ứng kinh tế quy mô của nhà cung cấp được phản ánh ngay cho khách hàng; khách hàng có thể trực tiếp kiểm soát chi phí
  3. Tập trung vào giá trị riêng của sản phẩm: có thể làm nổi bật sự khác biệt của chính sản phẩm thay vì hạ tầng AI, vốn ngày càng trở nên phổ thông
  4. Hỗ trợ phương thức mua linh hoạt: có thể mở rộng sang các hình thức mua mới như BYOK (Bring Your Own Key), mô hình AI marketplace (mua app thông qua OpenAI hoặc Anthropic như AWS Marketplace)
• Nhược điểm: làm tăng độ phức tạp từ góc nhìn của bên mua

Trường hợp áp dụng nền tảng + token của PostHog

• Đơn giản hóa phí AI bằng cách pass-through nguyên trạng với mức markup 20%
• Cung cấp $20 mức sử dụng miễn phí cho khách hàng mới
• PostHog tạo giá trị thông qua hơn 10 sản phẩm khác nhau, vì vậy các tính năng AI được định vị là phần bổ trợ giúp những sản phẩm này có giá trị hơn

Bảng giá nền tảng + token mới của Clay

• Bảng giá cũ của Clay vốn đã là mô hình dựa trên credit tiên phong trong lĩnh vực GTM tech, hỗ trợ số lượng người dùng không giới hạn trong mọi gói
• Credit trước đây được dùng để tra cứu data point; ví dụ, tra số điện thoại sẽ tốn 2–25 credit tùy nhà cung cấp dữ liệu
• Khi công ty phát triển từ cấu trúc xoay quanh data marketplace ban đầu thành nền tảng tự động hóa vận hành workflow phức tạp, đã xuất hiện sự lệch pha với cấu trúc credit cũ
• Những thay đổi cốt lõi của bảng giá mới (tính đến tháng 3/2026)
  • Tách bạch rõ ràng chi phí (data credit) và giá trị (action)
  • Giảm số gói từ 5 xuống 4, đồng thời làm rõ thông điệp về nhóm khách hàng mục tiêu của từng gói
  • Giảm 50–90% chi phí data credit
  • Chi phí cho các mô hình AI cao cấp được pass-through với markup 0%, khách hàng chỉ trả theo lượng token thực tế tiêu thụ
  • Khách hàng self-serve hiện tại vẫn có thể giữ bảng giá legacy
• Dự kiến doanh thu giảm ngay 10% do quá trình chuyển đổi
• Cấu trúc flywheel dài hạn của Clay: (a) mở rộng khả năng tiếp cận sản phẩm → (b) giảm chi phí dữ liệu GTM → (c) tạo doanh thu thông qua việc vận hành workflow GTM phức tạp

Tương lai nơi AI agent trực tiếp mua credit

• 2 cách Clay giải quyết vấn đề khó dự đoán của mô hình định giá theo mức sử dụng
  • Đặt giới hạn action đủ rộng: 90% khách hàng hiện tại chưa chạm tới giới hạn action hiện có
  • Tích hợp dữ liệu API riêng của khách hàng (BYOD): loại bỏ biến số data credit để đơn giản hóa bảng giá
• Có quan điểm cho rằng bảng giá phức tạp dựa trên token lại phù hợp hơn với AI agent
  • AI agent không bị ảnh hưởng bởi các hiệu ứng tâm lý về giá như charm pricing, decoy effect, price anchoring hay zero price effect
  • Vì có thể xử lý lượng lớn thông tin (bao gồm cả điều khoản), chúng có thể ưa thích các bảng giá phức tạp miễn là có tài liệu minh bạch, theo dõi usage và thiết lập trần ngân sách rõ ràng
• AI agent đang phát triển theo hướng có thể tự quyết định cả việc mua sản phẩm, và xu hướng này có thể tăng tốc trong bối cảnh các agent như Claude Code