Pricing-Architektur von Grund auf für ein neues AI-Produkt.

Wie bepreist man ein Produkt, das noch nie verkauft wurde? Unser Kunde bereitete die Lancierung eines neuen AI-Produkts vor. Es gab keine Verkaufszahlen, keine Preishistorie und noch keine Kunden, deren Verhalten sich auswerten liess. Vorhanden waren nur das Produkt, seine Kosten und ein Markt, der sich erst formte. Der erste Preis würde Erwartungen setzen, die sich später nur schwer korrigieren lassen.

Die Ausgangslage

Die meisten Pricing-Projekte beginnen mit Daten: vergangene Deals, Rabatte, Nutzung, Churn. Hier gab es keine. Gleichzeitig stand beim ersten Preis viel auf dem Spiel:

• Zu tief, und der Preis verankert die Erwartungen des Marktes; eine spätere Erhöhung kostet Vertrauen und erzeugt Reibung.
• Zu hoch, und die Nutzung stockt, bevor das Produkt seinen Wert beweisen kann.
• Die falsche Metrik, und der Umsatz bewegt sich weder mit dem gelieferten Nutzen noch mit den Rechenkosten, die jede Nutzung eines AI-Modells verursacht.

Zu allen drei Fragen gab es Meinungen, aber noch keine Evidenz.

Unser Vorgehen

Ohne historische Daten muss Struktur die Historie ersetzen. Entlang unseres Pricing-Vorgehens haben wir den Pricing-Entscheid in explizite Hypothesen zerlegt und diese vor der Lancierung getestet.

Von Annahmen zu testbaren Hypothesen

Ausgangspunkt war der Nutzen, den das Produkt stiftet: Welche Kundensegmente profitieren, bei welchen Aufgaben, und wie lässt sich dieser Nutzen in gesparter Zeit, vermiedenen Kosten oder zusätzlichem Umsatz messen? Wir haben unterschiedliche Segmentierungsansätze simuliert und für jedes Nutzersegment untersucht, wie es den Wert des Produkts wahrnimmt. Daraus entstanden mögliche Value Metrics, Pakete und Preisspannen. Jede Option wurde als Hypothese festgehalten, zusammen mit der Evidenz, die sie bestätigen oder widerlegen würde.

Kosten als Leitplanke

AI-Produkte haben Kosten, die mit der Nutzung steigen. Für jedes mögliche Modell haben wir berechnet, was die Bedienung verschiedener Nutzersegmente kostet. So brachten wir den wahrgenommenen Kundennutzen mit der Kostenstruktur in Einklang und stellten sicher, dass das Modell auch bei wachsender Nutzung wirtschaftlich bleibt.

Ein strukturiertes Test-Framework

Die Hypothesen haben wir mit potenziellen Kunden getestet: Interviews zu Nutzen und Kaufprozess, Fragen zur Zahlungsbereitschaft und Vergleiche alternativer Pakete und Metriken. Jeder Test hatte eine definierte Fragestellung, eine Zielgruppe und eine Entscheidungsregel, damit sich die Ergebnisse vergleichen statt interpretieren liessen.

Die Pricing-Architektur

Aus den validierten Hypothesen entstand die Architektur: die Value Metric, die Pakete und ihre Abgrenzung, ein Einstiegsangebot und der Pfad, auf dem Kunden mit wachsender Nutzung expandieren. Bewusst definierte Stellhebel lassen Raum, Preise, Paketgrenzen und Nutzungslogik nach der Lancierung weiterzuentwickeln. Das System gibt zum Start Orientierung, ohne zukünftige Erkenntnisse vorwegzunehmen.

Die Ergebnisse

• Validierte Pricing-Roadmap, startklar für die Lancierung: Einführungspreise, die nächsten Teststufen und die Entscheidungspunkte, an denen das Modell überprüft wird.
• 100% ohne historische Daten: Jeder Entscheid beruht auf getesteten Hypothesen statt auf vergangenen Transaktionen.
• Fehlbepreisungsrisiko minimiert: Die folgenreichsten Annahmen wurden getestet, bevor der Markt einen Preis sah.

Was andere daraus lernen können

Ein neues Produkt braucht keinen perfekten ersten Preis. Es braucht eine Pricing-Architektur, die wahrgenommenen Wert, Nutzersegmente und Kostenstruktur zusammenführt. Ebenso wichtig ist bewusst eingebaute Flexibilität, damit neue Markterkenntnisse in das System einfliessen können. Eine Greenfield-Lancierung ist dafür der beste Moment, weil noch keine bestehenden Verträge migriert werden müssen.