जिम जहाँ कोई नहीं जाता: AI फ्लैट-रेट प्राइसिंग इस दाँव पर टिकी है कि आप आएँगे ही नहीं

एक जिम की कल्पना करें जो एक निश्चित मासिक शुल्क लेता है, लेकिन चुपचाप यह मानकर चलता है कि अधिकतर सदस्य कभी आएंगे ही नहीं। यह बिज़नेस मॉडल तब तक बखूबी काम करता है जब तक बहुत सारे लोग सच में ट्रेडमिल इस्तेमाल करना शुरू न कर दें। यह किसी फिटनेस चेन का रूपक नहीं है। यह इस बात का एकदम सटीक वर्णन है कि आज फ्लैट-रेट AI सब्सक्रिप्शन किस तरह बनाए गए हैं — और इसे समझ लेने के बाद आप जो भी AI प्राइसिंग पेज देखेंगे, उसे पहले से अलग नज़रों से पढ़ेंगे।

हर फ्लैट फी में छुपी एक धारणा

करीब चालीस सालों तक, सॉफ़्टवेयर प्राइसिंग एक बुनियादी सच्चाई पर टिकी रही: एक और यूज़र को सेवा देने में लगभग कुछ भी खर्च नहीं होता था। जैसा कि Utpal Dholakia ने The Pricing Conundrum में लिखा, SaaS ऑफरिंग से जुड़ी लगभग हर प्राइसिंग रणनीति — चाहे वो per-seat सब्सक्रिप्शन हो, फ्री टियर हो, या बड़े एंटरप्राइज़ कस्टमर के लिए वॉल्यूम डिस्काउंट — इस दौर में विकसित हुई जब किसी नए यूज़र को जोड़ने की incremental लागत लगभग शून्य के बराबर थी।

इसी धारणा ने तय किया कि founders यूनिट इकोनॉमिक्स कैसे मॉडल करते थे, निवेशक ARR को कैसे वैल्यू देते थे, और कस्टमर यह सोचने लगे कि सॉफ़्टवेयर की कीमत क्या होनी चाहिए। विक्रेता के नज़रिए से एक पावर यूज़र और एक कैज़ुअल यूज़र आर्थिक रूप से एक जैसे थे। फ्लैट फी इसलिए समझ में आती थी क्योंकि कॉस्ट कर्व खुद ही फ्लैट था।

AI inference फ्लैट नहीं है।

हर क्वेरी, हर जेनरेट की गई इमेज, हर वो agentic टास्क जो किसी यूज़र की तरफ से खुद-ब-खुद चलता है — ये सब असली कम्प्यूट जलाते हैं, और यह खर्च सीधे इस बात पर निर्भर करता है कि यूज़र वास्तव में कितना इस्तेमाल करता है। RevenueCat के सब्सक्रिप्शन ऐप इकोनॉमिक्स के विश्लेषण के अनुसार, AI फीचर्स ऐसी variable costs लाते हैं जो यूज़र engagement के साथ बढ़ती हैं — और यह सीधे उस near-zero marginal cost मॉडल को तोड़ता है जिस पर पारंपरिक सब्सक्रिप्शन ऐप्स बनाई गई थीं। सब्सक्राइबर जितना ज़्यादा प्रोडक्ट इस्तेमाल करे, उसे सेवा देने में उतना ज़्यादा खर्च होता है। यह SaaS इकोनॉमिक्स के काम करने के तरीके का बिल्कुल उल्टा है।

विक्रेता ऐसी कीमतें क्यों तय करते हैं जो उन्हीं के खिलाफ जा सकती हैं?

तो फिर कोई भी समझदार कंपनी इस तरह किसी प्रोडक्ट की कीमत क्यों रखेगी? इसका जवाब, जैसा कि Marc Nager ने LinkedIn पर AI इकोनॉमिक्स के एक चर्चित विश्लेषण में बताया, यह है कि बड़े AI खिलाड़ियों में लागत का बोझ सक्रिय रूप से सब्सिडाइज़ किया जा रहा है। Brad Feld का फ्रेमिंग, जिसे उसी चर्चा में उद्धृत किया गया, इस structural tension को साफ़ तौर पर पकड़ता है: AI शायद तेज़ हो, लेकिन यह सस्ता नहीं है — और प्राइसिंग के नीचे एक बढ़ता हुआ कर्ज़ है जो उपभोक्ताओं को दिख नहीं रहा।

फ्लैट-रेट प्राइसिंग नासमझी नहीं है। यह एक सोचा-समझा दांव है — यह मानकर कि अधिकतर सब्सक्राइबर प्रोडक्ट को हल्के तरीके से इस्तेमाल करेंगे, और उनसे मिलने वाला रेवेन्यू उन थोड़े-से heavy users को cross-subsidize करेगा। यह तब तक काम करता है जब तक usage patterns बदल न जाएं।

और यह बदलाव अब दिखने लगा है। Agentic AI use cases — जहाँ कोई model एक single query का जवाब देने की बजाय खुद-ब-खुद multi-step tasks execute करता है — हर सेशन में conversational use की तुलना में कहीं ज़्यादा कम्प्यूट खपत करते हैं। जैसा कि Lago के AI प्राइसिंग मॉडल्स के विश्लेषण से स्पष्ट है, usage मॉनिटर करना और सही प्राइसिंग मॉडल चुनना किसी भी AI बिज़नेस के लिए वाकई बहुत बड़ा मामला है: engagement depth के बारे में एक गलत धारणा उन unit economics को ध्वस्त कर सकती है जिन पर पूरा प्रोडक्ट मार्जिन टिका है। Aria Systems की एडिटोरियल टीम ने इसे और सीधे शब्दों में कहा — उनका तर्क है कि फ्लैट-रेट सब्सक्रिप्शन समय के साथ AI प्रोडक्ट इकोनॉमिक्स से structurally incompatible हैं।

प्राइसिंग का नया रूप असल में कैसा दिखता है?

इंडस्ट्री हाथ पर हाथ धरे नहीं बैठी है। Dholakia का Pricing Conundrum लेख, जो मई 2026 में प्रकाशित हुआ, नई structures की एक पूरी पीढ़ी को दस्तावेज़ करता है जो इसके जवाब में विकसित हो रही हैं: सख्त free tiers, usage caps, metered billing, outcome-based fees, labor replacement benchmarks, और AI agent labor को वैल्यू देने के frameworks।

Bessemer Venture Partners ने एक विस्तृत AI प्राइसिंग और monetization playbook प्रकाशित की है जो बताती है कि विक्रेता किस तरह अपनी price structures को AI value deliver करने की असली लागत के साथ align कर सकते हैं। इन सभी तरीकों में एक साझा धागा है — फ्लैट-फी की धारणा से हटकर ऐसी structures की तरफ जाना जहाँ रेवेन्यू उस कम्प्यूट के साथ बढ़े जो वास्तव में इस्तेमाल हो रहा है।

TechCrunch की जून 2026 की रिपोर्टिंग — Google की AI सब्सक्रिप्शन मार्केट में चालों पर — यह संकेत देती है कि सबसे बड़े खिलाड़ी भी सक्रिय रूप से repricing और repositioning कर रहे हैं, यानी competitive landscape सच में बदल रही है।

AI infrastructure पर प्रोडक्ट बनाने वालों के लिए, RevenueCat की सिफ़ारिश operationally बिल्कुल concrete है: अपने ARPU और retention metrics के हिसाब से AI usage को model करें, जहाँ हो सके cost-efficient models को route करें, generate किए गए outputs को दोबारा इस्तेमाल करें बजाय उन्हें फिर से generate करने के, और advanced AI access को paid tiers के पीछे रखें जो heavy users को serve करने की असली लागत को दर्शाते हों। ये theoretical best practices नहीं हैं। ये वो mechanics हैं जो फ्लैट-फी की धारणाओं से उस दुनिया की तरफ transition में ज़िंदा रहने के लिए ज़रूरी हैं जहाँ utilization वाकई मायने रखती है।

किस पर नज़र रखें और किस दिशा में बनाएं

Dholakia जिस प्राइसिंग redesign का वर्णन करते हैं, वह अभी शुरुआती दौर में है। जैसा वो बताते हैं, इंडस्ट्री की अधिकतर बातचीत विक्रेता के नज़रिए पर केंद्रित रही है — इस पर लगभग कोई गंभीर काम नहीं हुआ कि ग्राहक नई structures को कैसे देखेंगे और उनका मूल्यांकन कैसे करेंगे। यह अंतर उन सभी के लिए बेहद ज़रूरी है जो AI-powered प्रोडक्ट्स बना रहे हैं: आप एक metered या outcome-based प्राइसिंग मॉडल डिज़ाइन कर सकते हैं जो आर्थिक रूप से तर्कसंगत हो — और फिर भी उन ग्राहकों को खो सकते हैं जिन्हें चालीस सालों की फ्लैट-फी SaaS ने हर महीने एक अनुमानित बिल की उम्मीद रखना सिखाया है। customer perception का यह पहलू ही तय करेगा कि कौन-सी नई pricing structures टिक पाती हैं।

इस सबका एक constructive पाठ यह है कि यह पल सच में बहुत कुछ सिखाने वाला है। हर AI सब्सक्रिप्शन जिसे आप evaluate करें — चाहे यूज़र के तौर पर, builder के तौर पर, या investor के तौर पर — अब एक छुपा हुआ सवाल लेकर आता है जो पूछने लायक है: यह कीमत किस utilization rate को मानकर चल रही है, और अगर असली usage अलग निकली तो बिज़नेस का क्या होगा? जो टीमें इस सवाल को जल्दी समझ लें — और ऐसी pricing architectures बनाएं जो real-world engagement patterns के साथ लचीली हों — वही सबसे अधिक संभावना है कि subsidized-growth के AI pricing के दौर के खत्म होने पर भी टिकी रहेंगी।