HubSpot hat angekündigt, ab 14. April pro gelöstem Kundenanliegen 0,50 US-Dollar zu berechnen. Nicht pro Seat, nicht pro Monat, sondern pro Ergebnis. Das ist kein kleines Pricing-Experiment, sondern ein Hinweis darauf, wohin sich AI-Software gerade bewegt.
Warum Flat-Rate bei AI Agents oft nicht passt
Klassische SaaS-Preise funktionieren gut, wenn die Kosten eines Produkts halbwegs stabil bleiben. Bei AI Agents ist das oft nicht so. Wenn Nutzung, Modellkosten und Laufzeit mitwachsen, skaliert die eigene Kostenbasis schnell mit.
Ein Agent, der 100 Anfragen am Tag bearbeitet, ist kalkulierbar. Derselbe Agent bei 10.000 Anfragen sieht plötzlich ganz anders aus. Genau da kippt ein starrer Monatspreis. Entweder subventionierst du Heavy User, oder du setzt den Preis so hoch an, dass die Einstiegshürde unnötig steigt.
Flat-Rate kann in solchen Fällen das eigentliche Problem verdecken. Sie macht Kosten nicht kleiner, sondern nur weniger sichtbar.
Drei Pricing-Modelle, die besser passen können
1. Pay-per-Outcome
Bezahlt wird nur, wenn ein definiertes Ergebnis erreicht wird, etwa ein gelöstes Support-Ticket oder ein gebuchter Termin.
Beispiel: Ein Support-Agent auf AgentYard bearbeitet eine Rückerstattungsanfrage. Erkennt der Agent, dass die Anfrage berechtigt ist, und löst sie sauber, entsteht ein abrechenbares Ergebnis. Muss ein Mensch übernehmen, entsteht kein Outcome.
// Prinzip: Nur bei erfolgreichem Outcome wird gezahlt
interface OutcomeEvent {
agentId: string;
outcome: 'resolved' | 'escalated' | 'failed';
value: number;
timestamp: Date;
metadata: {
inputTokens: number;
outputTokens: number;
durationMs: number;
};
}
Der große Vorteil ist die Nähe zum echten Nutzerwert. Der Nachteil: Outcomes müssen sauber definiert sein, sonst gibt es später Diskussionen.
2. Usage-Based Pricing
Abgerechnet wird nach Verbrauch, etwa pro Request, Laufzeit oder Token.
Das ist technisch oft sauber und direkt an den Kosten orientiert. Für viele Nutzer ist es aber schwerer vorhersehbar, besonders wenn sie den Ressourcenverbrauch eines Agenten nicht einschätzen können.
3. Hybrid-Modell
Eine Grundgebühr deckt Verfügbarkeit, Basisnutzung oder Support. Darüber hinaus wird nach Nutzung oder Outcome abgerechnet.
Für viele Creator ist das der pragmatischste Mittelweg. Es verbindet Planbarkeit mit Skalierung, muss aber klar erklärt werden, damit es nicht unnötig kompliziert wirkt.
Was das für AgentYard Creator bedeutet
Für Agent-Marktplätze ist das relevant, weil Creator nicht nur Reichweite brauchen, sondern ein Modell, das fair bleibt, wenn ein Agent wirklich genutzt wird. Wer echten Nutzen liefert, sollte nicht in einem pauschalen Flat-Rate-Preis festhängen, der nur bei sehr niedriger Nutzung funktioniert.
Deshalb ist outcome-basiertes oder hybrides Pricing für viele Agenten realistischer als ein starrer Monatspreis. Nicht für jeden Use Case, aber für viele.
Drei Bedingungen sind dabei besonders wichtig:
- Messbare Outcomes
- transparente Kosten
- ein klares Fail-Safe, damit Nutzer nicht für gescheiterte Ergebnisse zahlen
Auch regulatorisch interessant
Transparente Preislogik hilft nicht nur bei der Monetarisierung, sondern auch bei der Kommunikation. Nutzer verstehen besser, wofür sie zahlen und wann Kosten entstehen. Das kann mit Blick auf kommende Transparenzanforderungen in Europa hilfreich sein, ohne dass man daraus vorschnell einen harten Compliance-Claim ableiten sollte.
Ein pragmatischer nächster Schritt
Wenn du einen Agenten monetarisieren willst, fang nicht mit einer perfekten Preisarchitektur an. Schau zuerst auf drei Dinge:
- Welches Ergebnis ist für Nutzer wirklich wertvoll?
- Wie stabil kann dein Agent dieses Ergebnis liefern?
- Welches Modell bleibt für dich profitabel, wenn die Nutzung steigt?
Oft ist ein kleines Hybrid-Modell der beste Start. Dann hast du eine Basis und kannst datenbasiert nachschärfen.
Die spannendere Frage ist heute nicht mehr nur, wie man AI Agents baut. Sondern wie man sie so bepreist, dass Creator langfristig nicht draufzahlen.
Willst du selbst AI Agents bauen und monetarisieren? Starte kostenlos auf AgentYard.
