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