Generatywna AI burzy jedno z najbardziej trwałych założeń ekonomicznych oprogramowania: że po zbudowaniu produktu obsługa kolejnego klienta kosztuje prawie nic.

Tradycyjne oprogramowanie często wymagało znacznych inwestycji początkowych, ale deweloperzy mogli dystrybuować gotowy produkt przy bardzo niskim koszcie krańcowym. Generatywna AI działa inaczej. Każdy prompt, każda wygenerowana odpowiedź i każde zadanie agentowe muszą być wytworzone – i opłacone – od nowa.

Wcześniej w tym roku współzałożyciel Stripe Patrick Collison argumentował, że w erze AI „oprogramowanie powinno być jak pizza”, robione na zamówienie w momencie użycia. Oprogramowanie szyte na miarę wiąże się jednak z kosztami szytymi na miarę.

Gospodarka internetowa została w dużej mierze zaprojektowana wokół ludzkiej intencji: ludzie szukali, klikali, subskrybowali i finalizowali zakupy, a firmyptymalizowały swoje działanie wokół tego zachowania – pozyskując klientów, przekształcając ich w subskrybentów i obsługując ich tanio na skalę. Agenci AI badają teraz informacje, piszą kod, wywołują API, wykonują zadania, a nawet dokonują płatności w imieniu osób lub firm. To obiecuje szybkość i skalę, ale zautomatyzowana aktywność może wypchnąć zużycie – i koszty – daleko poza to, czego firmy się spodziewają i do czego są przyzwyczajone.

Wszyscy obserwują, jak AI pompuje rachunki za moc obliczeniową; znacznie mniej uwagi poświęca się temu, kto jeździ na gapę. Nadużycia darmowych okresów próbnych i wielu kont to cisi zabójcy ekonomii jednostkowej AI, a firmy często odkrywają szkody dopiero wtedy, gdy ich marże już zniknęły. Wyzwaniem nie jest już samo tanienie mocy obliczeniowej, lecz zapewnienie, że zużycie przekłada się na przychody, zamiast pozwalać, by nieoczekiwane lub nadużywcze konsumpcja erodowała marże.

Azja pokazuje, jak szybko przesunięcie od eksperymentów do działania. Badanie Stripe z 2025 roku wykazało, że 82% liderów biznesowych już wdraża lub planuje wdrożyć AI agentowe, a połowa respondentów oczekuje, że do 2030 roku większa część sprzedaży będzie pochodzić z kanałów opartych na AI. Według Bain 85% kupujących z Azji Południowo-Wschodniej już korzysta z narzędzi AI prowadzących ich decyzje zakupowe lub je rozważa.

Tokeny stają się nową jednostką handlu

W erze AI dwóch różnych użytkowników może wygenerować bardzo różne obciążenia, a każda interakcja niesie ze sobą realny koszt. Tokeny – małe fragmenty tekstu, na które modele AI dzielą język – stały się kluczową jednostką pomiaru i rozliczania zużycia, co skłania firmy AI do stosowania cen użyciowych lub hybrydowych – modeli, które lepiej odzwierciedlają koszt zużycia i pozwalają firmom śledzić użycie oraz pobierać płatności w czasie rzeczywistym.

Lovable, platforma do tworzenia oprogramowania z wykorzystaniem AI korzystająca ze Stripe, ilustruje tę transformację. Firma zaczynała od subskrypcji, ale od tego czasu przeszła na rozliczenia oparte na zużyciu: gdy klienci przekroczą darmowy limit w swoim planie, są rozliczani zgodnie z zużyciem tokenów AI.

Ten model wprowadza nową podatność: kradzież tokenów. Nadużywający manipulują systemem, tworząc wiele kont, wykorzystując darmowe okresy próbne i zużywając tokeny AI bez zamiaru kiedykolwiek zapłacenia. Każdy token zużyty przez „gapowicza” generuje natychmiastowy koszt operacyjny, którego firma nigdy nie odzyska.

Badania Stripe wykazały, że więcej niż jeden na sześć rejestracji w firmach AI wiąże się z nadużyciem kont. Przy tej proporcji nadużycia skalują się wraz ze wzrostem: im szybciej firma AI pozyskuje użytkowników, tym więcej kont gapowiczów przybywa obok legalnych.

Czas ma znaczenie. Firmy AI nie mogą pozwolić sobie na reagowanie dopiero wtedy, gdy żądanie płatności się nie powiedzie; do tego czasu użytkownik już odszedł. Zamiast tego nadużycia muszą być wykrywane już przy rejestracji, zanim zostanie zużyty pierwszy token. Stripe, dzięki rozwiązaniom takim jak Stripe Radar – narzędzie AI do zapobiegania oszustwom, wytrenowanym na danych milionów firm na całym świecie – zapobiegł w zeszłym roku w Singapurze oszustwom o wartości 1,3 miliarda dolarów.

Ochrona marż

Wyzwaniem nie jest jedynie wykrywanie kradzieży tokenów czy oszustw, lecz zdecydowanie, jak reagować. Firmy potrzebują lepszego wglądu w to, gdzie ich marze są narażone, a także elastyczności, by ustalać własny poziom tolerancji ryzyka i dostosowywać reakcję do różnych zachowań. Na przykład ktoś, kto wielokrotnie tworzy nowe konta, by kraść darmowe tokeny AI, powinien być traktowany inaczej niż płacący okazjonalny użytkownik, którego zużycie nagle gwałtownie rośnie.

Wskaźniki, na które warto patrzeć, są konkretne: odsetek nowych rejestracji oflagowanych z powodu nadużycia wielu kont, tempo wyczerpywania darmowych limitów oraz to, czy nadużycia są wykrywane przy rejestracji, czy dopiero przy nieudanej płatności. Gdy AI zmienia koszt obsługi klientów, ochrona marż będzie zależeć nie tylko od tańszej mocy obliczeniowej, ale także od zapewnienia, że każdy zużyty token się liczy.

Opinie wyrażone w tekstach komentarzowych Fortune.com są wyłącznie poglądami ich autorów i niekoniecznie odzwierciedlają opinie i przekonania Fortune. Ta historia była pierwotnie opublikowana na Fortune.com.