Cara CFO menavigasi pertumbuhan, penetapan harga, dan peramalan di era AI

• Dengan adopsi AI, peran Chief Financial Officer (CFO) berubah sangat cepat, dan inovasi terjadi di semua area seperti penetapan harga, peramalan, struktur pendapatan, dan pengelolaan biaya
• Peralihan dari model berlangganan ke pricing berbasis hasil dan berbasis konsumsi berlangsung cepat, dan adopsi metrik ARR (annual recurring revenue) baru serta model hibrida yang sesuai juga makin meluas
• Layanan AI memiliki biaya variabel yang besar seperti token dan pemanggilan API, serta struktur penggunaan dan biaya yang sangat beragam per pelanggan, sehingga kompleksitas pricing dan proyeksi pendapatan meningkat tajam
• Nilai strategis R&D dan investasi masa depan, serta kebutuhan investasi produk dan teknologi untuk diferensiasi dan daya saing jangka panjang, semakin penting
• Peramalan permintaan dan analisis keuangan tingkat lanjut dengan AI/machine learning kini menjadi keharusan, namun ketidakpastian peramalan tetap sangat tinggi

---

Adopsi AI dan perubahan peran CFO

• Adopsi AI memicu perubahan mendasar dalam operasi perusahaan, dan CFO secara aktif memanfaatkan alat otomatisasi seperti AI copilot
• Mereka menghadapi berbagai tantangan seperti pertumbuhan yang sangat cepat, struktur biaya baru, dan model pricing yang kompleks

1. Perubahan penetapan harga: dari langganan ke berbasis hasil dan konsumsi

• Perpindahan cepat dari model berlangganan ke pricing berbasis penggunaan atau hasil
  • Databricks: menagih pelanggan hanya sebesar nilai yang benar-benar mereka dapatkan, dengan model pengakuan pendapatan berbasis output, bukan berbasis input

    "Pembeda terbesar Databricks adalah pricing dan pengakuan pendapatannya sepenuhnya berbasis output. Jika pelanggan tidak mendapatkan nilai, mereka tidak akan menggunakan produk kami, dan jika itu terjadi, pendapatan tidak akan muncul di P&L."
    — Dave Conte, CFO, Databricks

  • ElevenLabs: menerapkan struktur diskon dinamis yang secara otomatis menurunkan harga satuan saat komitmen pelanggan meningkat, untuk mendorong loyalitas pelanggan yang tinggi

    "Kebijakan harga kami didasarkan pada peningkatan laba absolut, tetapi saat komitmen pelanggan meningkat, harga satuan otomatis turun. Diskon diterapkan otomatis melalui kalkulator harga, sehingga mendorong komitmen yang lebih besar dan mengurangi risiko pendapatan."
    — Maciej Mylik, Finance, ElevenLabs

  • Concourse: bereksperimen mengubah harga lebih dari 7 kali dalam 40 hari setelah peluncuran, lalu cepat mengiterasi pricing berdasarkan respons pasar

    "Dalam 40 hari setelah peluncuran, kami mengubah harga lebih dari 7 kali. Itu sangat membantu kami memahami pasar dan kesediaan pelanggan untuk membayar. Bahkan sekarang, harga masih sebatas slide presentasi; kami berniat terus bereksperimen dan menyempurnakannya."
    — Matthieu Hafemeister, Cofounder, Concourse

2. Penerapan metrik ARR (annual recurring revenue) baru

• Metrik ARR tradisional sulit merefleksikan pendapatan dari model berbasis penggunaan
  • ElevenLabs: mengukur pendapatan riil dengan lebih akurat dengan menjumlahkan Commit ARR + Annualized Usage

    "Pelanggan enterprise sering melampaui kuota, jadi kami mengannualisasi pendapatan berbasis penggunaan dan menambahkannya ke metrik baru—ARR plus penggunaan tahunan. Kalau tidak, kami akan meremehkan pendapatan yang sebenarnya kami hasilkan."
    — Maciej Mylik, Finance, ElevenLabs

  • Ambient.ai: menyoroti realitas bahwa 'definisi ARR itu sendiri tidak lagi jelas' dalam model berbasis penggunaan

    "Dalam model berbasis konsumsi, Anda harus memikirkan bagaimana ARR seharusnya didefinisikan. Bahkan jika ada komitmen kontrak, penggunaan aktual berubah tiap bulan, sehingga definisi ARR tradisional menjadi sulit diterapkan."
    — Noah Barr, CFO, Ambient.ai

  • Databricks: secara aktif menggunakan AI untuk menyebarkan dan memprediksi volatilitas penggunaan yang nonlinier

    "Dalam model SaaS, pendapatan bersifat linier, tetapi model berbasis konsumsi pada dasarnya nonlinier. Pelanggan bisa melonjak lalu melakukan optimasi. Kami fokus menyebarkan konsentrasi pelanggan dan menggunakan AI untuk memprediksi ARR berbasis konsumsi yang sesungguhnya."
    — Dave Conte, CFO, Databricks

3. Perubahan struktur biaya dan tekanan margin

• Sebagian besar startup AI bergantung pada model besar eksternal seperti OpenAI, Anthropic, dan Mistral, sehingga biaya variabel seperti token dan pemanggilan API menjadi besar
  • ElevenLabs: jika biaya infrastruktur naik lebih cepat daripada penggunaan, engineer langsung dikerahkan untuk optimasi

    "Jika biaya infrastruktur meningkat lebih cepat daripada penggunaan, engineer segera dikerahkan untuk pekerjaan optimasi. Siklus pengelolaan efisiensi biaya ini terus berulang."
    — Maciej Mylik, Finance, ElevenLabs

  • Together AI: menyesuaikan pricing dan packaging secara fleksibel dengan mempertimbangkan struktur biaya, harga satuan, kompetisi, dan kebutuhan pelanggan secara menyeluruh

    "Penetapan harga dilakukan dengan mempertimbangkan nilai bagi pelanggan, benchmark kompetitor, serta analisis biaya dan pendapatan. Karena infrastruktur AI berubah sangat cepat, semuanya harus terus ditinjau ulang. Bergantung pada kebutuhan pelanggan, durasi kontrak, dan skala, kami menyesuaikan harga dan paket secara kreatif."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Perusahaan yang melatih model sendiri juga harus mengelola biaya tetap GPU dan waktu menganggur sebagai faktor kunci (waktu GPU yang tidak terpakai langsung memukul margin)

    "Biaya GPU harus dimonitor dengan cermat. Waktu GPU yang tidak terpakai adalah kehilangan utilisasi, dan itu berdampak langsung pada margin dan efisiensi. Setiap kali pelanggan tidak menggunakan kapasitas, margin ikut tergerus."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Jenis biaya baru seperti fine-tuning dan HILT (Human-in-the-loop) juga ikut masuk, sehingga optimasi efisiensi menjadi penting

    "Kami mengelola tim HILT (human-in-the-loop) sebagai bagian dari COGS. Saat algoritme membaik, jumlah penilaian efektif per orang meningkat sehingga harga satuan turun, tetapi kami tetap harus menyesuaikan rasio false positive demi manajemen risiko."
    — Noah Barr, CFO, Ambient.ai

4. Evaluasi ROI dan investasi masa depan

• Saat AI dengan cepat mengkomoditisasi fitur-fitur utama, investasi berorientasi masa depan dan diferensiasi jangka panjang menjadi wajib
  • Databricks: menekankan bahwa R&D yang tidak langsung menghasilkan pendapatan pun bisa berkontribusi besar pada adopsi dan pertumbuhan jangka panjang

    "Tidak semua proyek R&D langsung menghasilkan pendapatan, tetapi melalui analitik prediktif kami mengukur bagaimana fitur tertentu (misalnya Unity Catalog) berkontribusi pada adopsi pelanggan dan pertumbuhan."
    — Dave Conte, CFO, Databricks

  • Together AI: menyebut bahwa investasi riset pada akhirnya berujung pada daya saing jangka panjang seperti penurunan biaya infrastruktur dan peningkatan performa

    "Proyek riset tidak langsung menghasilkan pendapatan, tetapi berperan besar dalam diferensiasi jangka panjang, pengembangan produk, dan lock-in pelanggan. Sebagai contoh, kami berinvestasi dalam riset terkait kernel dan menghasilkan diferensiasi berupa pengurangan biaya infrastruktur serta peningkatan performa."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • ElevenLabs: menilai bahwa fungsi tunggal seperti text-to-speech akan segera terkomoditisasi, sehingga lapisan produk yang lebih maju seperti workflow dan API penting untuk lock-in pelanggan

    "Text-to-speech pada akhirnya akan menjadi komoditas. Untuk menjaga daya saing jangka panjang, Anda memerlukan lapisan produk yang lebih maju seperti workflow, fitur berbasis data, dan API, agar pelanggan tidak mudah berpindah."
    — Maciej Mylik, Finance, ElevenLabs

5. Peramalan keuangan tingkat lanjut berbasis AI

• Di pasar yang terus berubah, peramalan keuangan yang presisi sangat sulit, dan analisis berbasis AI/ML menjadi keharusan
  • Together AI: menyatakan bahwa bahkan 12 bulan ke depan pun sulit diprediksi di industri AI, dan pengelolaan perubahan serta risiko menjadi pusat strategi keuangan

    "Di industri AI, memprediksi 12 bulan ke depan saja sulit. Perubahannya terlalu cepat, dan use case baru terus bermunculan. Anda harus fleksibel dan mencerminkan perubahan itu dalam manajemen risiko. Satu-satunya hal yang pasti di AI adalah perubahan itu sendiri."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Databricks: menggunakan platform AI/ML-nya sendiri untuk melakukan peramalan tingkat lanjut seperti proyeksi konsumsi per pelanggan, per workload, dan per produk, serta menetapkan kuota tim sales

    "Kami menggunakan Databricks sendiri (AI, ML, dan advanced analytics) untuk memprediksi pola konsumsi per pelanggan, workload, dan produk. Ini penting bukan hanya untuk peramalan keuangan, tetapi juga untuk menetapkan kuota bagi tim sales besar. Peramalan setepat ini tidak mungkin dilakukan dengan Excel; ini hanya mungkin dengan AI/ML."
    — Dave Conte, CFO, Databricks

  • Produk query bahasa alami (Genie) juga makin pintar melalui penggunaan dan pembelajaran dari data internal

    "Kami punya produk bernama Genie; jika Anda mengajukan pertanyaan dalam bahasa alami ke data lake, produk itu akan mengekstrak jawabannya. Semakin sering digunakan, Genie semakin memahami data pelanggan dan menjadi semakin pintar."
    — Dave Conte, CFO, Databricks

  • ElevenLabs: menyebut bahwa belum ada perusahaan yang sepenuhnya memecahkan persoalan proyeksi pendapatan AI, dan hasil peramalan lebih banyak digunakan sebagai sanity check daripada angka yang benar-benar presisi

    "Belum ada yang benar-benar menyelesaikan prediksi pendapatan AI. Perubahan pasar terlalu cepat, dan peramalan lebih digunakan sebagai sanity check daripada sebagai angka yang benar-benar akurat."
    — Maciej Mylik, Finance, ElevenLabs

Kesimpulan

• AI mendorong perubahan cepat dalam definisi dan cara menganalisis struktur keuangan, pricing, dan pendapatan secara keseluruhan
• Karena kerangka keuangan lama tidak lagi memadai, CFO perlu memiliki pengambilan keputusan berbasis AI/ML dan data, pengelolaan harga dan biaya yang fleksibel, investasi untuk daya saing jangka panjang, serta kemampuan manajemen risiko yang lebih maju