Kerangka Strategi Harga untuk Agen AI

• Monetisasi agen AI kini bergeser dari berfokus pada "pemakaian" menjadi "hasil"
• Memperkenalkan 4 model penetapan harga utama (berdasarkan agen, berdasarkan aksi, berdasarkan alur kerja, berdasarkan hasil) beserta contohnya
• Kunci utamanya adalah memilih strategi harga yang sesuai dengan fungsi agen dan persepsi nilai pelanggan
• Mengusulkan strategi harga berorientasi masa depan untuk mengantisipasi penurunan biaya LLM
• Dengan filosofi "harga = alat komunikasi nilai", perusahaan dapat meraih kepercayaan pelanggan dan profitabilitas sekaligus

---

Kerangka Strategi Harga Baru untuk Agen AI

• 75% startup tidak tahu bagaimana menetapkan harga untuk fitur AI
• Manny Medina, pendiri “Paid.ai”, menganalisis lebih dari 60 perusahaan agen AI
• Berdasarkan hasil ini, ia mengajukan 4 model strategi harga yang terbukti efektif secara praktis
• Setiap model dapat dipilih sesuai peran agen, kebutuhan pelanggan, dan struktur biaya
• Perusahaan juga bisa menyusun struktur harga dengan satu model saja atau pendekatan hibrida
• Kriteria terpenting adalah keselarasan dengan nilai yang dirasakan pelanggan
• Ringkasan ini merapikan konsep inti, kondisi yang cocok, serta kelebihan dan kekurangan tiap model

Model 1: Per Agent – Model pengganti FTE(Full Time Employee)

• Perusahaan perwakilan: 11x, Harvey, Vivun
• AI dipandang sebagai karyawan digital dan menggantikan sebagian tenaga kerja yang ada
• Dapat dipersepsikan sebagai struktur pengeluaran yang berasal dari anggaran tenaga kerja
• Mirip dengan harga berbasis kursi pada SaaS, berupa biaya bulanan tetap
• Cocok jika
  • AI menjalankan berbagai macam tugas
  • Beban kerja dapat diprediksi
  • Menangani tugas yang berulang dan terstandarisasi
• Kelebihan
  • Bisa menggunakan anggaran tenaga kerja → umumnya lebih dari 10 kali lebih besar daripada anggaran tool biasa
  • Struktur biaya dapat diprediksi
• Kekurangan
  • Diferensiasinya kecil → bisa muncul pesaing yang “melakukan hal yang sama dengan lebih murah”
  • Pembuktian nilai bisa berhenti hanya pada level substitusi sederhana

Tip: Menjelaskan bahwa agen seharga $2,000/bulan menggantikan karyawan bergaji $60,000 per tahun mudah dipahami pelanggan

Model 2: Per Action – Model berbasis konsumsi

• Perusahaan perwakilan: Bland, Parloa, HappyRobot
• Biaya dikenakan untuk setiap aksi individual yang dilakukan agen
• Mirip dengan infrastruktur cloud dan model BPO
• Ada berbagai pendekatan seperti konsumsi token, per menit, dan lain-lain
• Cocok jika
  • Frekuensi permintaan tidak teratur atau tugas yang dijalankan beragam
  • Organisasi masih dalam tahap uji coba awal
  • Beban kerja bersifat fluktuatif
• Kelebihan
  • Penagihan sebanding dengan penggunaan → terasa transparan dan adil
  • Hambatan masuk bagi pelanggan rendah
  • Menguntungkan sebagai alternatif pengganti BPO (pasar BPO AS pada 2025 bernilai $152B)
• Kekurangan
  • Model dengan diferensiasi paling rendah
  • Persaingan harga makin tajam → mendorong race to the bottom

Tip: Karena pelanggan hanya membayar sesuai pemakaian nyata, model ini cocok untuk kebutuhan pengujian

Model 3: Per Workflow – Model otomatisasi proses

• Perusahaan perwakilan: Rox, Salesforce, Artisan
• Harga ditetapkan per unit alur kerja dengan mengelompokkan serangkaian tugas terkait yang dilakukan AI
• Dapat mencakup penulisan email, riset, respons percakapan, dan sebagainya
• Cocok jika
  • Tugas multi-langkah dengan hasil antara yang jelas
  • Area yang memungkinkan pengulangan proses terstandarisasi
• Kelebihan
  • Pelanggan dapat dengan mudah mengenali penghematan biaya
  • Memungkinkan membangun keunggulan kompetitif pada level alur kerja
• Kekurangan
  • Alur kerja sederhana rentan terhadap tekanan harga
  • Alur kerja kompleks sulit diberi harga yang tepat
  • Contoh: pemindaian keamanan, analisis kontrak panjang, dll. memiliki risiko kehilangan margin

Tip: Bisa dipahami sebagai titik tengah antara model berbasis konsumsi dan model berbasis hasil

Model 4: Per Outcome – Model berbasis hasil

• Perusahaan perwakilan: Zendesk, Intercom, Airhelp, Chargeflow
• Harga ditetapkan berdasarkan tujuan atau output yang telah diselesaikan
• Perlu pembuktian hasil melalui POC atau A/B test
• Cocok jika
  • Ada metrik hasil yang bisa diukur
  • Pasar memiliki kebutuhan pelanggan yang kuat terhadap hasil
• Kelebihan
  • Menyampaikan nilai paling jelas kepada pelanggan
  • Kemungkinan digantikan pesaing lebih rendah
  • Bisa dihubungkan dengan model bonus berbasis kinerja
• Kekurangan
  • Hasil berbeda untuk tiap pelanggan sehingga kompleksitas kontrak meningkat
  • Sulit diterapkan jika kontribusi agen tidak bisa dibuktikan secara jelas

Tip: Model berbasis hasil terhubung langsung dengan performa pelanggan sehingga cocok untuk kontrak jangka panjang

---

Strategi Menghadapi Masa Depan untuk Tiap Model

• Strategi harga agen AI diperkirakan akan terus berubah seiring perkembangan teknologi dan penurunan biaya
• Khususnya, biaya LLM (large language model) berpotensi turun hingga 100 kali lipat dalam 3–5 tahun
• Semakin model harga sekadar berbasis biaya, semakin rentan terhadap tekanan kompetitif
• Diperlukan strategi penguatan jangka panjang agar tiap model tetap bisa bertahan

Per Agent – Strategi masa depan untuk model pengganti FTE

Model ini kemungkinan masih efektif untuk sementara waktu. Namun, untuk bersiap menghadapi masa depan, strategi berikut diperlukan:

• Menggeser proposisi nilai dari “lebih murah daripada manusia” menjadi “berkinerja lebih baik daripada manusia”
• Membundel lebih banyak fitur dan layanan integrasi ke dalam biaya tetap
• Menerapkan sistem tingkatan agen per fitur → diferensiasi harga berdasarkan performa

Per Action – Strategi masa depan untuk model berbasis konsumsi

Model ini sulit dipertahankan dalam jangka panjang. Bersamaan dengan turunnya biaya teknologi, kemungkinan besar akan terseret ke dalam persaingan penurunan harga:

• Segera beralih ke model harga berbasis alur kerja atau berbasis hasil
• Menambahkan fitur eksklusif yang tidak dimiliki pesaing
• Mengkhususkan diri pada domain industri tertentu → berpindah ke area bernilai tambah tinggi

Per Workflow – Strategi masa depan untuk model otomatisasi proses

Model ini relatif stabil, tetapi tetap perlu penguatan seperti berikut:

• Berfokus pada alur kerja yang kompleks dan multi-tahap untuk memberikan ROI yang jelas
• Mengamankan komponen yang tahan terhadap komoditisasi
• Memasukkan fungsi inti seperti alat analitik/optimisasi ke dalam harga alur kerja

Per Outcome – Strategi masa depan untuk model berbasis hasil

Model ini paling menjanjikan dalam jangka panjang. Tingkat keselarasan nilainya dengan pelanggan tinggi dan paling kuat terhadap persaingan harga:

• Membangun metodologi pelacakan atribusi hasil → berbasis A/B test dan POC
• Menandatangani kontrak bonus kinerja/pembagian risiko → ada kompensasi tambahan saat pelanggan berhasil
• Berfokus pada output bisnis bernilai tinggi yang dapat diukur

---

Kerangka Pengambilan Keputusan Strategi Harga Agen AI

• Ajukan sendiri pertanyaan-pertanyaan berikut untuk memilih model harga yang tepat bagi agen AI

  Pada setiap titik pilihan, tanyakan pada diri sendiri “mengapa Yes/No?” Apakah itu batasan teknis, atau batasan bisnis? Apakah itu bisa berubah di masa depan?

1. Apakah agen benar-benar menggantikan tenaga kerja (headcount)?

• Jika fokus utamanya adalah penghematan waktu alih-alih hasil yang jelas:
  • per agent: ketika tugas bisa diulang dan dijalankan secara terprediksi
  • per workflow: ketika pekerjaan diselesaikan melalui beberapa tahap, dengan dasar waktu yang dihemat × biaya tenaga kerja

2. Apakah hasil (Outcome) bisa diukur?

• Jika agen dapat secara konsisten menghasilkan hasil yang jelas:
  • per outcome: biaya dibebankan berdasarkan hasil, terhubung langsung ke nilai bisnis
  • bonus berbasis kinerja: dikombinasikan dengan model lain untuk memberi imbalan saat hasil tercapai

3. Apakah jenis pekerjaan beragam dan volumenya tidak dapat diprediksi?

• Jika agen harus menangani beragam pekerjaan secara dinamis:
  • per action: biaya per tugas (mis. jumlah tugas × harga satuan), bisa juga dibuat hibrida

---

Ringkasan Inti

• Pilih model harga yang tepat sekarang juga
  • Otomatisasi seluruh fungsi kerja → targetkan anggaran tenaga kerja dengan per agent
  • Volume kerja dinamis → per action
  • Proses kompleks → per workflow
  • Memberikan hasil yang jelas → per outcome

• Strategi eksekusi

  • Mulai dari model yang sederhana, lalu berkembang melalui pembelajaran dari pelanggan
  • Uji coba pilot pada pelanggan unggulan → kumpulkan umpan balik → lakukan penyesuaian cepat
  • Coba pendekatan kreatif seperti bonus berbasis hasil dan paket harga hibrida
  • Strategi harga juga merupakan soal bagaimana menyampaikan nilai

• Perbaikan berkelanjutan

  • Umpan balik pelanggan → pembaruan model harga
  • Pantau terus metrik utama:
    • tingkat konversi (Conversion rate)
    • pendapatan ekspansi (Expansion revenue)
    • tingkat churn (Churn)

• 👉 Perusahaan agen AI yang paling sukses adalah perusahaan yang mengembangkan strategi harga mereka seiring dengan perkembangan teknologi + kebutuhan pelanggan