Większość przypadków użycia GPT-3, które widzieliśmy do tej pory, to produkty typu business-to-consumer (B2C), ale w przypadku firmy typu business-to-business (B2B), takiej jak Algolia, gra jest inna. Nie tylko potrzebują, aby ceny OpenAI działały dla nich, ale także muszą zoptymalizować swoje ceny dla klientów, aby „mogły przynosić zyski i sprawiać, że klienci nadal byli zainteresowani tym, co [tworzą]”. W branży rozwiązań wyszukiwania sukces mierzy się na podstawie przepustowości. Naturalnie więc warto pomyśleć o kompromisie między jakością, kosztami i szybkością. Coates mówi: „Nawet zanim poznaliśmy koszty, Ada była dla nas właściwym modelem ze względu na szybkość. Ale nawet jeśli, powiedzmy, Davinci był wystarczająco szybki, być może i tak dotarlibyśmy do Ady tylko ze względu na koszty”. Helme-Guizon zauważa, że czynniki wpływające na koszt obejmują „liczbę tokenów oraz liczbę wysyłanych dokumentów i ich długość”. Podejście Algolii polegało na zbudowaniu „najmniejszych możliwych okien kontekstowych” – 1 oznaczających ilość danych wysyłanych jednorazowo do API – które nadal byłyby „wystarczająco istotne pod względem jakości”. Jak więc rozwiązali ten problem? Coates wyjaśnia: „Zaczęliśmy od OpenAI, zanim ogłoszono ceny, zaszliśmy wystarczająco daleko i przekonaliśmy się, że jakość jest wystarczająco dobra w porównaniu z tym, co widzieliśmy gdzie indziej, nie wiedząc, jakie są ceny. Więc to było sporo nieprzespanych nocy, nie wiedząc, jakie są ceny. A kiedy już znaliśmy ceny, [kwestia] polegała na wymyśleniu, jak obniżyć te koszty. Ponieważ kiedy po raz pierwszy zobaczyliśmy ceny, nie byliśmy pewni, czy [będziemy w stanie] sprawić, by to zadziałało”. Włożyli dużo pracy w optymalizację ceny pod kątem swojego zastosowania, ponieważ według Coatesa ustalanie cen będzie „uniwersalnym wyzwaniem” dla każdego, kto próbuje zbudować swój biznes w oparciu o GPT-3. Dlatego zdecydowanie zaleca się, aby myśleć o optymalizacji cen już na wczesnych etapach rozwoju produktu.