How CFOs are navigating growth, pricing, and forecasting in an AI world (Рубрика #AI)

Прочитал интересную рассылку от фонда a16z по теме fintech, в которой обсуждались вопросы роста, прайсинга и предсказаний в нашем новом AI мире. Своими мнениями поделились уважаемые джентельмены из уважаемых компани (особенно Databricks)
- Dave Conte, CFO в Databricks — платформа для аналитики и ИИ-решений корпоративного уровня
- Maciej Mylik, Finance в ElevenLabs — компания по исследованию и развертыванию ИИ-аудио технологий
- Hanson Hermsmeier, VP Corporate Finance в Together AI — облачная платформа для разработчиков и исследователей ИИ
- Matthieu Hafemeister, сооснователь Concourse — компания, создающая ИИ-агентов для корпоративных финансовых команд
- Noah Barr, CFO в Ambient.ai — компания компьютерного зрения для автоматизированной безопасности

Эти джентельмены поделились своими идеями на темы
1. Переосмысление ценообразования: переход от подписки к потреблению и результатам
ИИ стимулирует сдвиг к ценообразованию, основанному на результатах. Databricks использует модель, где "ценообразование и признание выручки полностью основаны на выходных данных, в отличие от моделей потребления, основанных на входных данных". ElevenLabs применяет динамическое ценообразование — снижает удельные цены при увеличении обязательств клиентов для стимулирования больших контрактов. В общем, похоже на модельки с revshare или скидочную модель для оптовых потребителей
2. ARR (Annual Recurring Revenue) требует переосмысления
Традиционные метрики ARR не отражают реальность моделей ценообразования на основе использования. Компании внедряют гибридные метрики:
- ElevenLabs отслеживает «ARR плюс аннуализированное использование» для корректного учета превышения квот корпоративными клиентами (условно, потребители превышают свои квоты в подписках, а значит лучше учитывать не подписку на год, а потребление с учетом превышений)
- Databricks использует свою же дата платформу для понимания и прогнозирования истинного ARR на основе потребления
3. Давление на валовую маржу и управление затратами
Построение на базе foundation-моделей вводит значительные переменные затраты, масштабируемые с использованием ИИ. Предельная стоимость дополнительного пользователя больше не равна нулю и варьируется по пользователям. Ключевыми вызовами являются
- Мониторинг инфраструктурных расходов - ElevenLabs отслеживает рост затрат относительно использования
- Управление фиксированными GPU-затратами - Together AI отслеживает простои GPU как потери эффективности
- Новые типы затрат - Ambient.ai включает команду "human in the loop" в себестоимость
4. Оценка ROI в мире ИИ
По мере коммодитизации некоторых ИИ-функций инвестиции в будущее становятся критичными. Компании фокусируются на
- Долгосрочной дифференциации через исследовательские проекты
- Создании сложных продуктовых слоев для увеличения стоимости переключения (switch cost)
- Предиктивной аналитике для измерения влияния возможностей на рост клиентов
5. Использование ИИ для продвинутого финансового прогнозирования
Планирование на 12 месяцев в ИИ остается вызовом из-за постоянных инноваций. Решения включают
- Databricks использует собственную платформу для прогнозирования моделей потребления на уровне клиентов и продуктов
- Применение продвинутой аналитики и машинного обучения вместо традиционных инструментов как Excel
- Признание, что надежное прогнозирование выручки для ИИ еще не решено полностью

В общем, создателям продуктов с AI для крупных пользователей приходится решать вопросы роста, прайсинга и предсказаний в изменившемся AI мире.

#AI #Management #ML #Software #Engineering