Due diligence monetyzacji AI agentowej: kiedy wycena za rezultat działa

Due diligence firm softwareowych od dawna traktowało wycenę jako pytanie o subskrypcję per stanowisko. Monetyzacja agentowa łamie ten nawyk. Copilot wspiera człowieka w istniejącym przepływie pracy i jest rozliczany per stanowisko, podobnie jak klasyczny SaaS. Agent wykonuje zadania lub całe przepływy pracy autonomicznie, więc jednostką wartości przestaje być stanowisko, a staje się nią akcja, rezultat lub efekt końcowy. Bessemer Venture Partners dzieli rynek właśnie na copiloty, agentów i usługi wzbogacone AI, ponieważ każdy z tych modeli niesie inną metrykę rozliczeń: copiloty są zazwyczaj wyceniane per stanowisko lub według zużycia, podczas gdy agenci są coraz częściej powiązani z wyceną za przepływ pracy lub rezultat, opartą na wymiernym ROI.[1]

Model rozliczany per stanowisko zawodzi, gdy jedna licencja uruchamia tysiące akcji o zmiennej kosztowności. Copiloty do programowania stały się kanonicznym przykładem: intensywni użytkownicy zużywali więcej mocy inferencyjnej, niż pokrywała płatna ryczałtowo licencja, ponieważ każde zapytanie niesie realny koszt krańcowy, a nie niemal zerowy koszt krańcowy klasycznego SaaS.[1] Gdy zużycie rośnie wraz z zaangażowaniem, stanowisko staje się pułapką marżową, a nie silnikiem marży. Dlatego ta zmiana powinna znaleźć się w badaniu jakości przychodów, a nie w aneksie technologicznym: metryka rozliczeniowa decyduje dziś o tym, czy raportowany wzrost przekłada się na trwały, marżodajny przychód — temat, który rozwijamy dalej w naszym tekście o monetyzacji SaaS.

Zuora wyróżnia cztery modele cenowe agentów: per agent, per aktywność, per wynik cząstkowy oraz per rezultat — i raportuje, że czyste rozliczanie per rezultat stanowi mniej niż 10% około 60 badanych przez analityków usług agentowego AI, ponieważ definiowanie i śledzenie rezultatów jest znacznie trudniejsze niż pomiar aktywności.[2] Ta luka między ambicją opartą na rezultatach a praktyką rozliczania aktywności to dokładnie to miejsce, na którym powinien skupić się inwestor — i tam porusza się reszta tego artykułu.

Ramy, które rozwija ten artykuł, są celowo proste i stanowią zestaw testów inwestorskich, a nie metodykę jakiegokolwiek dostawcy. Rozliczanie per rezultat jest wiarygodne tylko tam, gdzie rezultat można (1) zdefiniować w języku umowy, (2) zmierzyć przyrządem akceptowanym przez obie strony oraz (3) przypisać w wystarczającym stopniu produktowi, a nie procesowi, personelowi czy warunkom rynkowym po stronie klienta. Każda z tych bramek to pytanie due diligence. Dostawca, który zawodzi przy którejkolwiek z nich, sprzedaje coś innego niż czysty rezultat — niezależnie od tego, co mówi jego marketing — a jego przychody należy czytać jako przychody z aktywności lub zużycia.

Test trzech bramek: rezultat musi być zdefiniowany, zmierzony i przypisany, zanim rozliczanie per rezultat stanie się wiarygodne. · Wygenerowane przez AI

Rezultaty mierzalne a subiektywne

Pierwszy praktyczny podział przebiega między rezultatami mierzalnymi a subiektywnymi. Zamknięty zgłoszenie serwisowe jest policzalne, opatrzone znacznikiem czasu i poddane audytowi. Zadowolenie klienta, wzrost produktywności czy lepsza decyzja rekrutacyjna — już nie, przynajmniej bez przyrządu, któremu ufają obie strony. Tam, gdzie leżący u podstaw rezultat jest subiektywny, należy spodziewać się, że dostawca podstawia metrykę zastępczą — i że to właśnie zastępcza metryka, a nie rezultat, będzie tym, do czego faktycznie odwołuje się faktura. Due diligence powinno zawsze pytać, który z nich jest wyceniany w umowie.

Kto obsługuje agenta i kto wybiera metrykę zastępczą

Dokumentacja dostawców pokazuje, jak elastyczny może być taki zastępczy licznik. Centrum pomocy Zendesk wyjaśnia, że w kanale e-mail rozmowa kończy się 72 godziny po ostatniej wiadomości, a zautomatyzowana rezolucja może zostać zaliczona po tej ciszy, jeśli żaden ludzki agent nie podjął interwencji, a krok weryfikacyjny LLM potwierdzi, że odpowiedź była trafna.[3] Intercom zalicza domniemaną rezolucję, gdy klient po prostu opuszcza rozmowę bez prośby o dalszą pomoc, i rozlicza jeden wynik na rozmowę.[4] W obu przypadkach to dostawca definiuje zdarzenie rezolucji, weryfikuje je własnym modelem i na tej podstawie wystawia fakturę. To, czy agent jest obsługiwany przez klienta czy przez dostawcę, ma znaczenie z tego samego powodu: strona kontrolująca pomiar nigdy nie jest neutralnym kontrahentem.

Trzecią bramą jest atrybucja. Prace Zuory nad cenami agentowymi klasyfikują wyniki na spektrum od rozproszonej (asystent, którego wkład działa po cichu w tle) przez średnią po silną (handlowiec, którego zamknięte transakcje są bezpośrednio śledzone i przypisywane): tam, gdzie AI przyczynia się do wyniku kształtowanego przez wiele czynników, pasuje rozliczanie per agent lub per aktywność, a czyste rozliczanie per wynik pasuje tylko tam, gdzie atrybucja jest bezpośrednia, a pomiar jednoznaczny.[2] Rozproszona atrybucja powinna skłaniać dostawców ku strukturom hybrydowym, a zespół due diligence ku temu samemu wnioskowi, gdy czyta budowę przychodów.

Zanim inwestor przeczyta choć jedną umowę, powinien znać standardowe mierniki rynku. Poniższa tabela zbiera publicznie podane lub udokumentowane ceny dostawców, z którymi inwestor prawdopodobnie zetknie się w data roomach dotyczących agentowego AI. Ceny się zmieniają, więc traktuj je jako punkty odniesienia dla metryki, a nie jako wkład do wyceny.

Hybrydowe struktury subskrypcyjno-użyciowe stają się domyślnym kompromisem. ServiceNow wprost łączy komponenty licencyjne i użyciowe, a zarząd argumentuje, że taka mieszanka daje klientom przewidywalność, jednocześnie wiążąc zużycie z rezultatami, które klienci widzą. Oracle wlicza miesięczny przydział AI Units w każdą subskrypcję Fusion i sprzedaje dodatkowe jednostki w przyrostach po 1 000 USD, pulowanych w ramach kontraktu.[7] Sam Salesforce przeszedł od startowej ceny 2 USD za rozmowę w kierunku Flex Credits, tak aby koszt skalował się z konkretnymi akcjami, a nie z sesjami.[6]

Dwie nawyki czytelnicze mają znaczenie, gdy te struktury pojawiają się w data roomie. Po pierwsze, ten sam dostawca może uruchamiać kilka mierników jednocześnie, więc nagłówkowa cena per wynik może nakładać się na licencje, minimalne zobowiązania lub wliczone limity, które wygasają. Po drugie, rozpiętość między cenami zobowiązanymi a przekroczeniami jest sama w sobie sygnałem: dostawca, który mocno dyskontuje zobowiązany wolumen, mówi ci wprost, że boi się zmienności kosztów własnego modelu.

Trzyczęściowy test przekłada się na konkretny zestaw pytań due diligence. Każde z poniższych sprawdzeń odnosi się do jednej z trzech bram, a każde z nich już wygenerowało realne dowody na to, gdzie modele oparte na wynikach napinają się. W praktyce praca dzieli się na strumień due diligence komercyjnego, który odpowiada za definicje metryk i zachowania klientów, oraz strumień due diligence finansowego, który odpowiada za konsekwencje marżowe i w ujęciu ujmowania przychodów.

Zmienność zużycia a pewność zakupów. Uber wypalił cały roczny budżet na AI w cztery miesiące, a następnie ograniczył wydatki pracowników do 1500 dolarów miesięcznie na narzędzie agentowego kodowania.[8] Tam, gdzie zużycie jest zmienne, kupujący przenoszą kontrolę kosztów z powrotem do umowy: dział zakupów żąda limitów, a przychody dostawcy zostają razem z nimi ograniczone.

Przewidywalność przychodów. Gdy rozliczanie zależy od wyników zdefiniowanych przez klienta, prognozowanie zamienia się w zgadywanie. Ritu Jyoti z IDC zauważa, że rozliczanie oparte na wynikach może prowadzić do sporów o to, czy pożądany efekt został osiągnięty, i że przedsiębiorstwa proszą o poziomy subskrypcji, bo chcą przewidywalności.[9]

Zgodność marż. Dostawcy AI osiągają marże brutto rzędu 50–60% wobec 80–90% w klasycznym SaaS, bo każde zapytanie niesie realny koszt inferencji.[1] Stała opłata za wynik przynosi stratę za każdym razem, gdy koszt obliczeniowy za rozwiązanie sprawy przekracza cenę rozwiązania, i sprzedający pochłania tę różnicę.

Granie przez klientów i projektowanie metryk. Ta strona, która wybiera zastępczą miarę rozwiązania sprawy, to ta, która wystawia fakturę. Liczniki ciszy, domniemane rozwiązania i samoweryfikacja przez LLM odchylają licznik na korzyść dostawcy, a wyrafinowany klient nauczy się obchodzić licznik.

Ekspozycja na spory po zawarciu umowy. Sporne przypisanie zasług to nie hipoteza. Ujawnia się jako kredyty, zwroty i renegocjacje i powinno trafić do dokumentacji due diligence jako powtarzająca się korekta przychodów, a nie jednorazowe zdarzenie.

Zgodność marż zasługuje na największy nacisk, bo jest najmniej widoczna. Przewodnik Zuory wprost mówi, że rozliczanie za wynik przenosi zmienność kosztów z kupującego na sprzedającego i że jest komercyjnie opłacalne tylko wtedy, gdy sprzedający potrafi przewidzieć koszt na wynik w wąskim przedziale, wynik jest audytowalny, by spory dało się rozstrzygać, albo sprzedający ma tolerancję przepływów pieniężnych, by pochłaniać kontrakty o wysokiej zmienności.[10] Spółka docelowa, która nie potrafi pokazać, który z tych trzech warunków spełnia, księguje przychody, których może nie być w stanie utrzymać.

Lista dokumentów

Umowy ramowe i formularze zamówień z definicją wyniku zapisaną na piśmie, a nie tylko w prezentacjach marketingowych

Definicje metryk, w tym sposób traktowania ciszy, liczników bezczynności i przekazań do człowieka

Logi rozliczeń i zużycia, uzgodnione z wystawionymi fakturami

Notatki dotyczące ujmowania przychodów według ASC 606, odróżniające zobowiązanie typu „gotowość do świadczenia dostępu” od zobowiązania dostarczenia określonej liczby udanych wyników[11]

Rejestr sporów i kredytów, z klauzulą umowną, na której każdy spór się opierał

Mostki marży brutto według modelu rozliczeń, z wyodrębnionym kosztem inferencji na wynik

Rozróżnienie z ASC 606 nie jest akademickie. Wytyczne księgowe Deloitte dotyczące agentowego AI wskazują, że to, czy obietnicą jest gotowość do świadczenia dostępu do agenta, czy dostarczenie określonej liczby udanych wyników, zmienia moment ujęcia przychodu, oraz że zmienne opłaty oparte na wynikach kwalifikują się do wyjątku od alokacji zmiennej kwoty należności tylko w wąskich warunkach.[11] Spółka docelowa, która nie udokumentowała, jakiej obietnicy udziela, ma pytanie o ujmowanie przychodów, a nie tylko o rozliczanie. Co do szerszego zestawu dokumentów, nasza lista kontrolna due diligence dla spółek docelowych natywnych dla AI obejmuje sąsiedni obszar.

Sygnały ostrzegawcze

Dla wyceny liczy się struktura przychodów bardziej niż etykieta. Przychody oparte na zużyciu i wynikach zachowują się inaczej niż zobowiązany ARR: są bardziej elastyczne w dekoniunkturze, bardziej wrażliwe na kontrolę kosztów po stronie klienta i trudniejsze do prognozowania kohorta po kohorcie. ServiceNow ilustruje jednocześnie scenariusz wzrostowy i zabezpieczenie: zarząd informuje, że około połowa netto nowego biznesu jest już rozliczana inaczej niż za stanowiska, w tym licznikami tokenów i innego zużycia, przy jednoczesnym utrzymaniu opcji rozliczanych za stanowiska, bo klienci chcą przewidywalnego punktu wejścia.[12] Dla profesjonalistów inwestycyjnych mierzących ten kompromis pytanie nie brzmi, czy rozliczanie za wyniki podnosi mnożnik, ale jaka część przychodów przejdzie trójczłonowy test, a nasz tekst o ryzyku wyceny ryzyko wyceny rozszerza tę samą logikę na spółki AI z premią w mnożniku.

Narracje dla IC i pożyczkodawców niosą własne ryzyko, gdy modele cenowe są w ruchu. Budowa przychodów zakładająca rozliczenie za każdy wynik (outcome) może zostać podważona, gdy spółka docelowa przejdzie na model hybrydowy, albo gdy kredyty wynikające ze sporów kompresują przychód netto przy rosnącej wartości brutto transakcji. Testuj model warunkowo w obu odczytaniach i traktuj miks metryk cenowych jako zmienną kohortową, a nie stałą. Zespoły doradcze, które muszą ujednolicić tę analizę w różnych zleceniach, znajdą bezpośrednio trafny przypadek użycia doradztwa M&A M&A advisory.

Data Room Ingestion skanuje umowy, formularze zamówień i rejestry rozliczeniowe w ciągu minut od przesłania

AI-Analysis Engine wyodrębnia i krzyżowo porównuje definicje metryk cenowych w dokumentach, wskazując miejsca, w których definicja wyniku różni się między umową główną a formularzem zamówienia

Risk Radar ocenia ustalenia według istotności, dzięki czemu sporne definicje wyników i opłaty za wyniki poniżej kosztu trafiają na szczyt rejestru ryzyk

Report Builder strukturyzuje notatkę z pełną identyfikowalnością źródłową aż do konkretnego zapisu umowy

Collaboration Hub utrzymuje zgodność strumieni pracy handlowej, finansowej i prawnej wokół jednego zestawu ustaleń

Platforma wspiera analizę; nie podejmuje decyzji cenowej. Ocena, czy wynik jest rzeczywiście zdefiniowany, mierzalny i przypisywalny, pozostaje po stronie zespołu transakcyjnego — i to jest właściwe miejsce. To, co zmienia platforma due diligence oparta na AI AI-native due diligence platform, to koszt przeprowadzenia samego testu: definicje, logi rozliczeniowe i mosty marżowe są wyodrębniane i łączone, a nie odtwarzane ręcznie.

Przeprowadź ramy jako sekwencję, a nie burzę mózgów. Poniższe kroki zakładają żywą transakcję z otwartą wirtualną salą danych i podziałem pracy między recenzentów handlowych, finansowych i prawnych. Zespoły, które chcą zobaczyć, jak te kroki wpisują się w szerszą automatyzację procesu due diligence diligence workflow automation, mogą odwzorować je bezpośrednio na istniejący rejestr ryzyk.

Zażądaj definicji metryk cenowych oraz próbki rozliczonych wyników już w pierwszym żądaniu dokumentów, zanim sala danych zostanie skonfigurowana pod Ciebie.

Przeprowadź trzyczęściowy test dla każdej linii produktowej i sklasyfikuj każdy strumień przychodów jako zdefiniowany, mierzalny i przypisywalny — albo nie.

Uzgodnij rozliczone wyniki z ujętymi przychodami i przetestuj marżę na wynik względem kosztu inferencji, korzystając z mostu marży brutto.

Zapisz sygnały ostrzegawcze w rejestrze ryzyk z linkami do dowodów w postaci zapisów umów i rejestrów rozliczeniowych.

Poinformuj IC, które przychody są rzeczywiście oparte na wynikach, a które na subskrypcjach, oraz co stanie się z modelem, gdy miks hybrydowy się przesunie lub gdy spory się skrystalizują.

Powyższa lista kontrolna dowodów jest artefaktem wielokrotnego użytku. Zamienia te ramy w żądanie dokumentów, które można wdrożyć w każdej transakcji obejmującej przychody z agentic AI, i naturalnie łączy się z niestandardowymi przepływami pracy custom workflows, które zespół już prowadzi na potrzeby przygotowania do IC. Plausity powstało właśnie z myślą o takim due diligence stawiającym dowody na pierwszym miejscu: platforma pobiera salę danych, wyodrębnia istotne definicje i utrzymuje identyfikowalność każdego ustalenia aż do źródła, dzięki czemu trzyczęściowy test można przeprowadzić dla każdego celu opartego na AI, a nie tylko dla tych z czystymi salami danych. Za każdym razem są to te same trzy kroki: pobierz, przeanalizuj i raportuj z załączonymi dowodami.

1. [1] bvp.com — https://www.bvp.com/atlas/the-ai-pricing-and-monetization-playbook
2. [2] zuora.com — https://www.zuora.com/subscribed/the-four-kinds-of-agentic-ai-pricing-models
3. [3] support.zendesk.com — https://support.zendesk.com/hc/en-us/articles/5352026794010-About-the-automated-resolutions-platform-prior-to-resolution-tiers
4. [4] intercom.com — https://www.intercom.com/help/en/articles/8205718-fin-ai-agent-outcomes
5. [5] eesel.ai — https://www.eesel.ai/blog/a-complete-guide-to-zendesk-ai-agents-setup-costs-and-best-practices
6. [6] help.salesforce.com — https://help.salesforce.com/s/articleView?id=004811240&language=en_US&type=1
7. [7] version1.com — https://www.version1.com/blog/oracle-ai-agents-understanding-the-pricing-model-before-you-commit/
8. [8] techcrunch.com — https://techcrunch.com/2026/06/02/uber-caps-employee-ai-spending-after-blowing-through-budget-in-four-months/
9. [9] cio.com — https://www.cio.com/article/3624540/how-will-ai-agents-be-priced-cios-need-to-pay-attention.html
10. [10] zuora.com — https://www.zuora.com/guides/ai-pricing-models
11. [11] dart.deloitte.com — https://dart.deloitte.com/USDART/home/publications/deloitte/industry/technology/accounting-outcome-based-pricing-agentic-ai
12. [12] futurumgroup.com — https://futurumgroup.com/insights/servicenow-q1-fy-2026-results-raise-full-year-subscription-outlook/