Griffin Parry, CEO af m3ter – Interviewserie

Griffin Parry er administrerende direktør og medstifter af m3ter. Dette er hans andet startup, efter at have tidligere co-stiftet og ledet GameSparks, en cloud services-virksomhed, der blev købt af Amazon (AMZN ) i 2017, efterfulgt af 3 år som leder af senior produkt- og feltroller hos AWS. Han startede sin karriere i mediesektoren (Sky, News International) med fokus på digital strategi og digitalt produktudvikling, herunder lancering og ledelse af Skys online-tv-portfolio.

m3ter er en SaaS-platform designet til at hjælpe virksomheder med at implementere og administrere komplekse brugsbaserede priser ved at fungere som en måling- og faktureringsinfrastruktur, der sidder sammen med eksisterende systemer som CRMs og ERPs. Den indtager rå produktbrugsdata, anvender fleksible priseringslogikker og automatiserer hele quote-to-cash-processen, hvilket giver virksomheder mulighed for at generere præcise, realtidsfakturaer samtidig med, at de reducerer revenue-leakage og operationel overhead. Ved at frakoble fakturering fra kerneysystemer giver m3ter virksomheder mulighed for at eksperimentere med prismodeller, lancere nye produkter hurtigere og få dybere indsigt i kundebrug og revenue-streams, hvilket gør det særligt værdifuldt for moderne software-virksomheder, der bevæger sig mod forbrugsbaserede forretningsmodeller.

I stiftede og skalaerede GameSparks gennem til overtagelse, og derefter valgte du at starte m3ter med fokus specifikt på faktureringsinfrastruktur og moderne monitering. Hvad tiltrak dig til dette specifikke problemområde for din anden virksomhed, og hvordan påvirkede din tidligere erfaring som stifter denne beslutning?

Vi er et klassisk eksempel på stiftere, der løser et problem, de selv har oplevet. Ved GameSparks havde vi en moderne moniteringsstrategi — brugsbaseret prising — fordi det fungerede for den type forretning, vi var i (cloud-infrastruktur). Det var afgørende for vores succes, men det medførte også en del operationel og GTM-smerter. Derefter så vi ved AWS, også en cloud-infrastruktur-forretning, om end en meget større, at de havde de samme problemer. Vi så også, hvor meget indsats de lagde i at løse dem, fordi det var kritisk for deres forretning. Vi kom til at indse, at i en brugsbaseret verden er faktureringsinfrastruktur en strategisk kapacitet, som de fleste virksomheder ikke kan udvikle, så vi stiftede m3ter for at ændre på det.

AI-naturlige produkter kan have uforudsigelige infrastrukturomkostninger forbundet med inferens, token-brug eller model-genoptræning. Hvordan skal stiftere tænke over at tilpasse priser til værdi samtidig med, at de beskytter bruttomargener?

Traditionelle SaaS-produkter havde generelt næsten nul marginale omkostninger ved brug. Dette betyder, at kundens brug af produktet ikke påvirkede vores omkostninger ved at levere det. Dette er ikke sandt for AI-produkter, fordi deres brug driver omkostninger såsom token-forbrug. Hvis dine priser er faste, betyder det, at dine bruttomargener kan variere betydeligt pr. kunde afhængigt af deres brug. Dette gør brugsbaserede priser næsten uundgåelige: det tilpasser indtægter til omkostninger og stabiliserer bruttomargener.

Når AI bliver integreret i eksisterende software-kategorier, forventer du, at de fleste virksomheder vil lagre brugs-komponenter oven på abonnementer, eller ser du helt nye moniteringsrammer opstå?

Jeg forventer ikke noget helt nyt – kun en genopfindelse af prismodeller, vi har set før. Du vil se det fulde spektrum, fra rene abonnementer til outcome-baserede modeller. Men den største gruppe vil være hybrid: faste, tilbagevendende elementer til forudsigelighed, kombineret med en variabel målestok, der fungerer for både kunder (de associerer det med succes) og leverandører (det er tilstrækkeligt tilpasset omkostningerne til at beskytte deres margener).

Der er en voksende diskussion omkring outcome-baseret prising i AI-æraen. Hvor ser du reel trækgivning opstå, og hvor tror du, at modellen bliver for kompleks til at implementere effektivt?

Udfordringen med outcome-baseret prising er tilskrivning – for at det skal fungere, skal en målbar outcome være entydigt drevet af leverandørens produkt. Nogle gange er det muligt – betalinger er et eksempel, hvor udbydere tager en andel af transaktionen, og det synes retfærdigt. Men i min erfaring er disse situationer relativt sjældne, og virksomheder tenderer til at falde tilbage på priser, der mere ligner proxier for værdi – f.eks. for en AI-kundesupportagent, opkald løst uden menneskelig indgriben. Igen, der vil være mange løsninger langs spektret fra brugsbaseret, gennem værdi-proxier, til outcome-baseret prising – det afhænger af brugsfældet. Det, de alle har til fælles, er, at noget skal tælles, og priser skal anvendes på det, hvilket er, hvor m3ter kommer ind.

Når man definerer værdi i AI-drevne produkter, hvilke praktiske målinger skal virksomheder fokusere på som realistiske proxier for resultater?

Dette er svært at svare, fordi det er meget brugsfæld-specifikt. Der er nogle “altid”-overvejelser – er målestokken enkel, forudsigelig, forbundet med værdi og tilstrækkeligt tilpasset omkostningerne til at beskytte dem? Men målestokken selv afhænger af, hvad produktet gør. “Tokens brugt” fungerer for en LLM-model. “Dokumenter behandlet” fungerer for kontraktanalyse. “Forespørgsler udført” fungerer for enterprise-søgning. “Samtaler behandlet (uden menneskelig indgriben)” fungerer for kundesupport.

Hvad er de mest almindelige operationelle og tekniske udfordringer, virksomheder står over for, når de skifter fra abonnement-kun-modeller til hybrid- eller brugsbaseret prising?

De nøglepunkter er omkring revenue-leakage, dårlige kundeoplevelser og en mangel på priserings-agilitet, der lammer Produkt og Salg. Årsagerne er rod i de forkerte operationelle grundlag. De nøgle-(nye) kapaciteter, der er nødvendige, når man skifter fra abonnement-kun til hybrid eller brugspriser, er brugsdata-behandling, avanceret (og kontinuerlig) regning og automatiserede forbindelser mellem CRM-, fakturerings- og ERP-systemer.

Mange virksomheder er dybt engageret i systemer som Salesforce (CRM ) og NetSuite. Hvordan moderniserer m3ter moniterings-infrastruktur uden at tvinge virksomheder til at omstrukturere deres eksisterende stack?

Etablerede quote-to-cash-værktøjer som Salesforce og NetSuite antager en verden af abonnementer. Det betyder ikke, at de ikke kan fungere godt for moderne moniterings-tilgange – du skal bare udfylde kritiske huller, hvilket er, hvad m3ter gør. Vi fokuserer præcis på, hvad der mangler: brugsdata-behandling, avanceret rating og automation af datastrømme mellem quote-to-cash-systemer.

Revenue-leakage er ofte undervurderet. Hvor betydelig er dette problem i moderne SaaS-forretninger, og hvad skyldes det typisk?

Revenue-leakage er værdi, der er tjent (du har solgt det og leveret det), men som ikke er indsamlet på grund af fakturerings-fejl – dine fakturaer fanger ikke fuldt ud alle kundebrug, eller de anvender ikke de rette kommercielle vilkår. Det er et stort problem – PwC’s Revenue Integrity-team estimerer det til 4-7%, og jo mere kompleks prisen er, desto mere sandsynligt er det. Rodårsagen kommer ned til systemer og kontroller: ikke at indsamle brugsdata effektivt; ikke at have automatiserede forbindelser mellem kilder til sandhed for priser og regnings-mekanismen; og regnings-mekanismen ikke er tilstrækkeligt avanceret til at håndtere kompleksitet (f.eks. afhængigt af regneark).

Hvordan påvirker større priserings-fleksibilitet produkt-innovation og salgs-strategi inden for software-virksomheder?

Enkelt – jo mere priserings-agilitet du har, desto hurtigere kan du lancere nye produkter, og desto lettere kan du tilpasse priser til kundernes behov og ønsker, herunder i private priser-tilbud, der hjælper Salg med at vinde. Det er en strategisk kapacitet for forretningen. Men du kan ikke have fleksibilitet uden automation og kontrol. Ellers får du fakturerings-fejl, revenue-leakage og compliance-udfordringer.

Settende blikket fremad, ser du AI spille en rolle i dynamisk optimering af priser i realtid, og hvad skal være på plads for, at det kan fungere pålideligt i stor målestok?

Jeg er bestemt meget begejstret for potentialet for AI i priserings-optimering. Men jeg er mindre overbevist om den realtids-aspekt, i det mindste for software-as-a-service eller solution-as-a-service-forretninger. Hvis du sælger hotelværelser eller flybilletter, fungerer dynamisk prising, fordi det er en engangs-transaktion. Men B2B-software-udbydere ønsker kunde-forhold, der varer ved, og kunder ønsker ikke, at priserne skal ændre sig uforudsigeligt fra dag til dag. Så priserings-optimering vil fokusere på at skabe tilpassede priser til langsigtede aftaler – priser designet til at levere de bedste resultater for både leverandør og kunde over multi-årige forhold.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge m3ter.