W najnowszym odcinku CEO Hub omawiamy paradoks, który AI właśnie zaostrzyło do granic absurdu: im szybciej i lepiej firma usługowa wykonuje pracę, tym mniej zarabia. Rozliczenie godzinowe karze najlepszych, a doklejenie do niego kosztownych narzędzi AI zamienia technologiczną przewagę w stratę. Value-based pricing brzmi jak odpowiedź, ale jego wdrożenie jest znacznie trudniejsze, niż sugerują branżowe konferencje.
Gościem Przemysława Jończyka jest Paweł Nejman, wspólnik w JAAQOB HOLDING®, na co dzień zajmujący się automatyzacjami i wdrożeniami AI.
Z tego artykułu dowiesz się:
- Czym jest value-based pricing i dlaczego jest tak trudny do wdrożenia w firmie usługowej
- Dlaczego rozliczenie godzinowe (time and materials) karze najbardziej doświadczonych specjalistów
- Jak AI rozbija stary model rozliczeń i zamienia oszczędność czasu w realną stratę
- Czym jest „token maxing” i dlaczego niekontrolowane AI potrafi przepalić budżet
- Które modele wyceny mają dziś sens na polskim rynku
- Od czego trzeba zacząć, zanim w ogóle zmieni się model pricingowy
Za co naprawdę płaci klient? Historia naprawy pieca za 500 zł
Klient nie płaci za czas pracy, tylko za wynik i za wiedzę, która pozwala ten wynik osiągnąć. To fundament, o którym większość firm zapomina, ustawiając cennik według godzin.
Przemysław Jończyk otwiera rozmowę anegdotą, która wraca zawsze, gdy dyskusja schodzi na wyceny. Zimą psuje się piec. Przyjeżdża specjalista, otwiera klapę, trzy razy puka młotkiem, przykręca coś śrubokrętem. Pięć minut i po sprawie. Rachunek: 500 zł. Klient czuje się oszukany, bo „to przecież tylko pięć minut”.
Specjalista odpowiada, że pięć minut zajęła sama naprawa, ale wiedza, gdzie puknąć i ile razy, kosztowała go pięć lat nauki.
Ten dysonans jest kluczowy. Cel klienta to jak najszybsze rozwiązanie problemu, a nie oglądanie kogoś, kto siedzi w kotłowni dziesięć godzin i pije kawę. Mimo to podświadomie wiążemy krótki czas z niską wartością. Gdyby specjalista celowo przeciągał pracę, klient zapłaciłby ten sam rachunek z mniejszym oporem. Absurd, ale tak działa psychologia wyceny.
Paradoks stawki godzinowej: dlaczego najlepsi zarabiają najmniej
Rozliczenie godzinowe (time and materials) karze specjalistów, którzy pracują szybko, bo ich wynagrodzenie zależy od liczby godzin, a nie od dostarczonej wartości. To wbudowana wada modelu, która istniała na długo przed AI.
Weźmy przykład z transkrypcji: dwóch prawników pisze tę samą umowę. Doświadczonemu zajmuje to 10 godzin, początkującemu po drugim roku w zawodzie, 50 godzin. Przy rozliczeniu godzinowym to junior wystawia wyższy rachunek. Ekspert, który dostarcza ten sam rezultat pięć razy szybciej, zarabia mniej.
Klient dostaje identyczną umowę, ale płaci za nieefektywność.
Warto zwrócić uwagę na drugą stronę tego samego mechanizmu. Przy modelu fixed price, czyli stałej cenie za projekt, firmie zależy na optymalizacji, bo każda zaoszczędzona godzina oznacza wyższą marżę. Przy time and materials ta motywacja znika, ponieważ mniej przepracowanych godzin przekłada się na mniejszy przychód, więc brakuje bodźca, żeby usprawniać pracę.
Będę karany, jeżeli zrobię coś szybciej. To zarobię mniej.
Dlaczego więc time and materials wciąż dominuje? Bo jest proste. Klient widzi postęp, dostaje raporty, a gdy pojawiają się nowe wymagania, czas i cena rosną w sposób intuicyjny. Dopóki nie było AI, wady tego modelu były mniej widoczne. Teraz wychodzą na wierzch.
Jak AI rozbija stary model rozliczeń
AI zaostrza paradoks stawki godzinowej, bo skraca czas pracy i jednocześnie generuje koszt, którego wcześniej nie było. Firma rozliczająca się godzinowo traci podwójnie: fakturuje mniej godzin i dopłaca do narzędzi.
Przemysław Jończyk opisuje to na przykładzie własnej firmy. JAAQOB® działa na rynku ponad 20 lat i przez ten czas stworzył kilkaset strategii marketingowych, opierając się na opatentowanym procesie JUMP®. Zespół zbudował narzędzia AI karmione tym know-how i doświadczeniem, dzięki czemu analizy, które kiedyś robiono ręcznie, powstają teraz szybciej i są bogatsze merytorycznie. I tu pojawia się pytanie: skoro praca zajmuje mniej godzin, to czy przy modelu godzinowym firma powinna fakturować mniej? Jeśli tak, gdzie w ogóle jest korzyść z inwestycji w technologię?
Dobrze widać to na kancelarii prawnej. Klient generuje sobie umowę w Claude czy GPT i wysyła prawnikowi tylko do weryfikacji. Wydawałoby się, że to praca na kilka minut. W praktyce prawnik i tak musi sprawdzić całość, nanieść poprawki i wziąć odpowiedzialność, więc de facto pracuje tak, jakby pisał od zera. Wycena za „samą weryfikację” oderwana od wartości i odpowiedzialności prowadzi do sytuacji, w której korzystanie z AI przestaje się opłacać.
Pułapka „token maxingu”: kiedy AI przepala budżet
„Token maxing” to praktyka premiowania pracowników za jak najintensywniejsze korzystanie z AI, mierzone zużyciem tokenów. Pomysł ten, jak zauważa Paweł Nejman, był po prostu śmieszny i „upadł szybciej niż się narodził”.
Niektóre korporacje przez pewien czas zachęcały zespoły do maksymalnego wykorzystania modeli językowych, wypłacając premie temu, kto zużył najwięcej tokenów. Efekt był łatwy do przewidzenia dla każdego, kto pracuje z AI na co dzień: koszty wystrzeliły. Axios opisał anegdotyczny przypadek, w którym konsultant AI poinformował redakcję, że jeden z jego klientów – anonimowa korporacja – wydał w ciągu miesiąca 500 mln USD na licencje Claude (Axios, za pośrednictwem doniesień branżowych, np. Fast Company).
Przy firmie zatrudniającej kilkadziesiąt tysięcy osób, gdzie każdy ma dostęp do modelu, taka kwota rozkłada się na kilkaset dolarów na głowę. Proporcjonalnie do obrotów korporacji to niewiele, ale sama mechanika pokazuje patologię. Największym beneficjentem nie jest firma wdrażająca AI, tylko jego dostawca, taki jak OpenAI czy Anthropic.
Pojawiły się też nieformalne sygnały – bez wskazania konkretnych firm czy raportów – że część organizacji, które wcześniej zwalniały juniorów licząc na AI, zaczęła ich zatrudniać z powrotem. Koszt tokenów za zadania, które wykonywali, miał okazać się na tyle wysoki, że praca człowieka ponownie stała się opłacalna.
Nie trzeba jednak czekać, aż koszty AI wymknął się spod kontroli. Jeśli chcesz sprawdzić, ile czasu i pieniędzy Twoja organizacja może tracić przez chaotyczne, nieefektywne lub źle dobrane wykorzystanie narzędzi, skorzystaj z Kalkulatora marnowania AI.
Czym jest value-based pricing i dlaczego jest tak trudny
Value-based pricing to wycena usługi według wartości, jaką dostarcza ona klientowi, a nie według czasu potrzebnego na jej wykonanie. Model istnieje od dawna, ale pozostaje niszowy, bo w wielu warunkach jest trudny, czasem niemożliwy do wdrożenia.
Warto zaznaczyć rzetelnie: prowadzący sami przyznają, że nie są specjalistami od tego modelu. To temat, którego się uczą, przerobili duży research i sporo konferencji, na których zagadnienie ostatnio mocno wraca. Odcinek jest raczej analizą dylematu niż gotową instrukcją wdrożenia.
Value-based pricing wydaje się sprawiedliwy niemal do przesady. Firma zarabia proporcjonalnie do wartości, a nie do liczby przepracowanych godzin. Problem w tym, że tę wartość trzeba móc realnie wycenić i przekonać do niej klienta. Wracając do prawnika: powinien powiedzieć, że opinia i poprawa dostarczonej umowy kosztuje tyle samo, co napisanie jej od zera, bo poziom odpowiedzialności i wykorzystanej wiedzy jest identyczny. Ale klient, który „już ma gotową umowę”, psychologicznie broni się przed taką ceną. I to jest sedno trudności.
Produktyzacja i success fee: modele na polski rynek
Na polskim rynku najbardziej realnym kierunkiem jest dziś produktyzacja usług wspieranych AI, a success fee sprawdza się tylko przy pełnym partnerstwie z klientem. Tak przynajmniej wygląda to z perspektywy firmy, która sama testuje różne warianty.
Produktyzacja polega na zamknięciu usługi w powtarzalny produkt, którego stworzenie AI przyspiesza, ale którego wartość dla klienta pozostaje ta sama lub rośnie.
Zysk pojawia się na marży, nie na liczbie godzin. To właśnie model produktyzacji wskazywany jest jako najbardziej sensowny w obecnych, polskich warunkach.
Success fee, czyli rozliczenie od efektu, to znacznie węższa ścieżka. Działa wyłącznie wtedy, gdy klient jest w pełni zaangażowany we współpracę i gdy wcześniej przejdzie się przez etapy analiz i budowy podstawy. Bez tego pojawia się pułapka: klient stwierdzi, że „skoro to od efektu, to sobie róbcie za darmo”. Dlatego success fee wymaga partnerstwa, znajomości firmy i zaufania. Jest bardzo sprawiedliwy, ale możliwy tylko w niektórych przypadkach.
Odpowiedzialność, której AI nie weźmie za Ciebie
W usługach eksperckich klient płaci nie tylko za wiedzę, ale też za odpowiedzialność, a tej AI nie przejmie. To argument, który w dobie komodyzacji wiedzy staje się coraz mocniejszy.
Claude może wygenerować umowę niemal bezbłędnie, ale „niemal” jest tu kluczowe. Jeśli w dokumencie pojawi się błąd, w sądzie nikt nie obroni się tłumaczeniem, że „to AI go wygenerowało”. Odpowiedzialność zawsze spoczywa na człowieku, a w przypadku kancelarii, na firmie, która umowę weryfikuje i się pod nią podpisuje.
To przesuwa punkt ciężkości. Wartość eksperta coraz częściej leży w nadzorowaniu tego, co generuje AI, w wykorzystaniu własnej wiedzy do weryfikacji i w wzięciu na siebie ryzyka. Traktowanie outputu AI jako bazy, a nie jako gotowego produktu, plus odpowiedzialność prawna, to elementy, których żaden model językowy nie skopiuje. To one bronią marży.
Zanim zmienisz model: najpierw policz finanse
Zanim firma zmieni model pricingowy, musi najpierw dokładnie policzyć finanse na swoich produktach i usługach. Bez tego każda nowa strategia wyceny zostanie wpięta w chaos.
Przemysław Jończyk zauważa to regularnie podczas audytów. Firmy chcą wdrażać value-based pricing czy success fee, a jednocześnie nie wiedzą, jak realnie wyglądają liczby na poszczególnych usługach. Rentowność bywa nieliczona albo policzona wyłącznie teoretycznie. W takiej sytuacji rozmowa o wycenie według wartości jest przedwczesna, bo nie ma na czym jej oprzeć.
Sama analiza rentowności to jednak tylko jeden z elementów. Zanim firma zwiększy inwestycje w automatyzację lub zmieni sposób rozliczania usług, powinna również sprawdzić, czy jej procesy, dane, kompetencje i sposób zarządzania są gotowe na skalowanie technologii. Punktem wyjścia może być Audyt dojrzałości AI firmy, który pomaga uporządkować obecną sytuację i zidentyfikować najważniejsze obszary rozwoju.
Jego rekomendacja jest praktyczna: znacznie większą korzyść przyniesie firmom uporządkowanie procesów marketingowych, sprzedażowych i policzenie pricingu wokół produktu niż próba wdrażania zaawansowanego modelu w bałagan.
Zanim polecimy w kosmos, to może najpierw nauczmy się jeździć na rowerze.
Kluczowe wnioski
- Klient płaci za rezultat i wiedzę potrzebną do jego osiągnięcia, a nie za czas, więc cennik oparty wyłącznie na godzinach ignoruje realne źródło wartości.
- Rozliczenie godzinowe (time and materials) systematycznie karze najlepszych specjalistów, bo im szybciej pracują, tym mniej zarabiają.
- AI zaostrza ten paradoks podwójnie: skraca liczbę fakturowanych godzin i jednocześnie generuje koszt tokenów, którego wcześniej nie było.
- Niekontrolowane korzystanie z AI, jak w przypadku „token maxingu”, prowadzi do przepalania budżetu, na którym zarabia głównie dostawca modelu, nie firma wdrażająca.
- Value-based pricing jest sprawiedliwy, ale trudny do wdrożenia, bo wymaga realnej wyceny wartości i przekonania do niej klienta.
- Na polskim rynku najbardziej realnym kierunkiem jest dziś produktyzacja usług wspieranych AI, a success fee sprawdza się tylko przy pełnym partnerstwie z klientem.
- Każdą zmianę modelu wyceny trzeba poprzedzić dokładnym policzeniem rentowności produktów i usług, bo bez tego nowa strategia trafia w chaos.
Porozmawiajmy o Twoim modelu wyceny
Zanim zmienisz model wyceny lub zainwestujesz w kolejne narzędzia, sprawdź, jak Twoja organizacja wykorzystuje AI.
Wykonaj Audyt dojrzałości AI firmy, aby ocenić gotowość procesów, zespołu i danych do dalszych wdrożeń.
Skorzystaj również z Kalkulatora marnowania AI i oszacuj, ile czasu oraz pieniędzy może tracić firma przez nieefektywne wykorzystanie technologii.
Potrzebujesz szerszej analizy? Umów się na bezpłatną konsultację ekspercką, Przeanalizujemy Twój przypadek i pricing na konkretnych liczbach.
Chcesz zobaczyć jak to wygląda w praktyce? Obejrzyj pełny odcinek na kanale Nejman AI
Najczęściej zadawane pytania
Czym jest value-based pricing i czym różni się od stawki godzinowej?
Value-based pricing to wycena usługi według wartości dostarczanej klientowi, a nie według czasu jej wykonania. W przeciwieństwie do stawki godzinowej (time and materials), gdzie płaci się za przepracowane godziny, tutaj cena wynika z rezultatu i wiedzy potrzebnej do jego osiągnięcia. To model sprawiedliwszy, ale trudniejszy do wdrożenia.
Dlaczego rozliczenie godzinowe karze najlepszych specjalistów?
Bo wynagrodzenie zależy od liczby godzin, a nie od dostarczonego efektu. Doświadczony ekspert, który wykona pracę w 10 godzin, zarobi mniej niż początkujący, któremu ta sama praca zajmie 50 godzin, mimo że klient dostaje identyczny rezultat. Model premiuje nieefektywność zamiast doświadczenia.
Jak AI wpływa na model rozliczania usług?
AI skraca czas pracy, więc przy rozliczeniu godzinowym firma fakturuje mniej godzin i jednocześnie dopłaca do kosztownych narzędzi. Oznacza to podwójną stratę i zanik korzyści z inwestycji w technologię. To główny powód, dla którego dyskusja o value-based pricing wróciła do firm usługowych.
Ile może kosztować korzystanie z AI w firmie na dużą skalę?
Przy dużej skali koszty tokenów potrafią osiągać poziom całych etatów – w skrajnych przypadkach nawet setki milionów dolarów miesięcznie, jak sugerują nieformalne relacje branżowe (choć bez potwierdzenia w oficjalnych danych finansowych). Ceny do prywatnego użytku są niskie, ale przy tysiącach użytkowników rachunki idą w miliony.
Kiedy warto stosować success fee w firmie usługowej?
Success fee, czyli rozliczenie od efektu, sprawdza się tylko przy pełnym zaangażowaniu klienta i po przejściu wstępnych etapów analiz. Wymaga partnerstwa i zaufania, bo bez tego klient może uznać, że pracę „można wykonać za darmo”. To model sprawiedliwy, ale możliwy tylko w wybranych przypadkach.
Od czego zacząć zmianę modelu wyceny w firmie usługowej?
Od dokładnego policzenia rentowności produktów i usług. Wiele firm nie ma realnych liczb albo opiera się na szacunkach teoretycznych, przez co nie ma podstaw do wdrożenia value-based pricing. Najpierw trzeba uporządkować procesy i pricing wokół produktu, dopiero potem zmieniać model.
