Griffin Parry, CEO von m3ter – Interview-Serie

Griffin Parry ist der CEO und Mitgründer von m3ter. Dies ist sein zweites Startup, nachdem er zuvor GameSparks, ein Cloud-Dienstleistungsunternehmen, mitgegründet und geleitet hatte, das 2017 von Amazon (AMZN ) übernommen wurde, nachdem er drei Jahre lang in leitenden Produkt- und Feldpositionen bei AWS gearbeitet hatte. Er begann seine Karriere im Medienbereich (Sky, News International) mit dem Fokus auf digitale Strategie und digitale Produktentwicklung, einschließlich des Starts und der Leitung von Skys Online-TV-Portfolio.

m3ter ist eine SaaS-Plattform, die Unternehmen dabei hilft, komplexe nutzungsabhängige Preismodelle umzusetzen und zu verwalten, indem sie als Metering- und Abrechnungsinfrastrukturschicht neben bestehenden Systemen wie CRMs und ERPs fungiert. Sie verarbeitet Rohdaten zur Produktverwendung, wendet flexible Preismodelle an und automatisiert den gesamten Prozess von der Angebotserstellung bis zur Rechnungsstellung, sodass Unternehmen genaue, Echtzeit-Rechnungen erstellen können, während sie gleichzeitig Umsatzverluste und betriebliche Aufwendungen reduzieren. Durch die Entkopplung der Abrechnung von den Kernsystemen ermöglicht m3ter es Unternehmen, mit Preismodellen zu experimentieren, neue Produkte schneller einzuführen und tiefer in die Kundenverwendung und Umsatzströme einzutauchen, was es besonders wertvoll für moderne Software-Unternehmen macht, die auf Verbrauchs-basierte Geschäftsmodelle umsteigen.

Sie haben GameSparks gegründet und aufgebaut, bis es übernommen wurde, und dann m3ter gegründet, das sich speziell auf die Abrechnungsinfrastruktur und die moderne Monetisierung konzentriert. Was hat Sie zu diesem spezifischen Problemfeld für Ihr zweites Unternehmen hingezogen, und wie hat Ihre frühere Erfahrung als Gründer diese Entscheidung beeinflusst?

Wir sind ein klassischer Fall von Gründern, die ein Problem lösen, das sie selbst erlebt haben. Bei GameSparks hatten wir ein modernes Monetisierungsmodell – nutzungsabhängige Preise – weil das für die Art von Unternehmen, die wir waren (Cloud-Infrastruktur), funktionierte. Es war der Schlüssel zu unserem Erfolg, aber es verursachte auch viele operationelle und GTM-Schmerzen. Dann sahen wir bei AWS, auch ein Cloud-Infrastruktur-Unternehmen, aber ein viel größeres, dass sie dieselben Probleme hatten. Wir sahen auch, wie viel Aufwand sie betrieben, um sie zu lösen, weil es für ihr Geschäft kritisch war. Wir kamen zu dem Schluss, dass in einer nutzungsabhängigen Welt die Abrechnungsinfrastruktur eine strategische Fähigkeit ist, die die meisten Unternehmen nicht entwickeln können, also gründeten wir m3ter, um das zu ändern.

AI-native-Produkte können unvorhersehbare Infrastrukturkosten haben, die mit Inferenz, Token-Verwendung oder Modell-Neuschulung verbunden sind. Wie sollten Gründer über die Ausrichtung der Preise auf den Wert nachdenken, während sie die Bruttomargen schützen?

Traditionelle SaaS-Produkte hatten in der Regel nahezu keine marginalen Kosten für die Verwendung. Mit anderen Worten, die Verwendung des Produkts durch den Kunden hatte keinen Einfluss auf die Kosten für den Service. Das ist nicht wahr für AI-Produkte, da ihre Verwendung Kosten wie Token-Verbrauch verursacht. Wenn Ihre Preise fest sind, bedeutet das, dass Ihre Bruttomargen je nach Verwendung des Kunden erheblich variieren können. Das wiederum macht nutzungsabhängige Preismodelle fast unvermeidlich: Sie stimmen die Einnahmen mit den Kosten ab und stabilisieren die Bruttomargen.

Wenn AI in bestehende Software-Kategorien integriert wird, erwarten Sie, dass die meisten Unternehmen nutzungsabhängige Komponenten auf Subskriptionen aufschichten oder sehen Sie völlig neue Monetisierungsrahmen entstehen?

Ich erwarte nichts völlig Neues – nur eine Neuerfindung von Preismodellen, die wir bereits gesehen haben. Sie werden das gesamte Spektrum sehen, von reinen Subskriptionen bis hin zu ergebnisbasierten Modellen. Aber der größte Cluster wird hybrid sein: feste, wiederkehrende Elemente für Vorhersehbarkeit, kombiniert mit einem variablen Maß, das sowohl für Kunden (sie assoziieren es mit Erfolg) als auch für Anbieter (es ist ausreichend mit den Kosten abgestimmt, um ihre Margen zu schützen) funktioniert.

Es gibt eine wachsende Diskussion über ergebnisbasierte Preise in der AI-Ära. Wo sehen Sie echte Traktion entstehen, und wo glauben Sie, dass das Modell zu komplex wird, um es effektiv umzusetzen?

Die Herausforderung bei ergebnisbasierten Preisen ist die Zurechnung – damit es funktioniert, muss ein messbares Ergebnis eindeutig durch das Produkt des Anbieters verursacht werden. Manchmal ist das möglich – Zahlungen sind ein Beispiel, bei dem Anbieter einen Anteil an der Transaktion erhalten, und das scheint fair. Aber in meiner Erfahrung sind diese Situationen relativ selten, und Unternehmen neigen dazu, auf Preismetriken zurückzugreifen, die eher Proxy-Werte für den Wert sind – zum Beispiel für einen AI-Kunden-Support-Agenten, Anrufe, die ohne menschliche Intervention gelöst werden. Wiederum werden es viele Lösungen entlang des Spektrums von nutzungsabhängig, über Wert-Proxy bis hin zu ergebnisbasierten Preisen geben – es hängt von der Verwendung ab. Was sie alle gemeinsam haben, ist, dass etwas gezählt und mit Preisen versehen werden muss, und das ist der Punkt, an dem m3ter eintritt.

Bei der Definition des Wertes in AI-gesteuerten Produkten, welche praktischen Metriken sollten Unternehmen als realistische Proxy-Werte für Ergebnisse fokussieren?

Das ist eine schwierige Frage, da sie sehr anwendungsspezifisch ist. Es gibt einige “immer”-Überlegungen – ist die Metrik einfach, vorhersehbar, mit Wert verbunden und ausreichend mit den Kosten abgestimmt, um die Kosten zu decken? Aber die Metrik selbst hängt von dem ab, was das Produkt tut. “Token verwendet” funktioniert für ein LLM-Modell. “Dokumente verarbeitet” funktioniert für Vertragsanalyse. “Abfragen ausgeführt” funktioniert für Unternehmenssuche. “Konversationen ohne menschliche Intervention” funktioniert für Kunden-Support.

Welche sind die häufigsten operationellen und technischen Herausforderungen, denen Unternehmen bei der Umstellung von reinen Abonnements auf hybride oder nutzungsabhängige Preise gegenüberstehen?

Die wichtigsten Schmerzpunkte sind um Umsatzverluste, schlechte Kundenerfahrungen und mangelnde Preisanpassungsfähigkeit, die Produkt- und Vertriebsabteilungen behindert. Die Ursachen liegen in den falschen operativen Grundlagen. Die wichtigsten (neuen) Fähigkeiten, die benötigt werden, wenn man von reinen Abonnements auf hybride oder nutzungsabhängige Preise umstellt, sind die Verarbeitung von Nutzungsdaten, fortgeschrittene (und kontinuierliche) Rechnungsberechnung und automatisierte Verbindungen zwischen CRM-, Abrechnungs- und ERP-Systemen.

Viele Unternehmen sind tief in Systeme wie Salesforce (CRM ) und NetSuite investiert. Wie modernisiert m3ter die Monetisierungsinfrastruktur, ohne dass Unternehmen ihre bestehende Systemlandschaft überholen müssen?

Etablierte Quote-to-Cash-Tools wie Salesforce und NetSuite gehen von einer Welt der Abonnements aus. Das bedeutet nicht, dass sie nicht gut für moderne Monetisierungsansätze funktionieren können – Sie müssen nur kritische Lücken füllen, und das tut m3ter. Wir konzentrieren uns genau auf das, was fehlt: Verarbeitung von Nutzungsdaten, fortgeschrittene Tarifierung und Automatisierung von Datenflüssen zwischen Quote-to-Cash-Systemen.

Umsatzverluste werden oft unterschätzt. Wie groß ist dieses Problem in modernen SaaS-Unternehmen, und was verursacht es typischerweise?

Umsatzverluste sind der Wert, der verdient wurde (Sie haben es verkauft und geliefert), aber der nicht eingezogen wurde, weil die Rechnungen nicht alle Kundenverwendung vollständig erfassen oder nicht die richtigen kommerziellen Bedingungen anwenden. Es ist ein großes Problem – PwC’s Revenue Integrity-Team schätzt es auf 4-7%, und je komplexer die Preise sind, desto wahrscheinlicher ist es. Die Ursache liegt in den Systemen und Kontrollen: nicht effektive Erfassung von Nutzungsdaten; keine automatischen Verbindungen zwischen Quellen der Wahrheit für Preise und der Rechnungsberechnungsmechanismus; und der Rechnungsberechnungsmechanismus ist nicht ausreichend komplex, um mit Komplexität umzugehen (z. B. Verwendung von Tabellen).

Wie beeinflusst eine größere Preisanpassungsfähigkeit die Produktinnovation und die Vertriebsstrategie innerhalb von Software-Organisationen?

Einfach – je mehr Preisanpassungsfähigkeit Sie haben, desto schneller können Sie neue Produkte ausliefern, und desto leichter können Sie Preise an die Bedürfnisse und Wünsche der Kunden anpassen, einschließlich privater Preisvereinbarungen, die Vertrieb helfen. Es ist eine strategische Fähigkeit für das Geschäft. Aber Sie können keine Flexibilität ohne Automatisierung und Kontrolle haben. Andernfalls erhalten Sie Rechnungsfehler, Umsatzverluste und Compliance-Herausforderungen.

Blicken Sie in die Zukunft, sehen Sie AI eine Rolle bei der dynamischen Optimierung von Preismodellen in Echtzeit spielen, und was müsste vorhanden sein, damit es zuverlässig im großen Maßstab funktioniert?

Ich bin sicherlich sehr begeistert von dem Potenzial von AI bei der Preisoptymierung. Aber ich bin weniger überzeugt von dem Echtzeit-Aspekt, zumindest für Software-as-a-Service- oder Lösung-as-a-Service-Unternehmen. Wenn Sie Hotelzimmer oder Flugtickets verkaufen, funktioniert dynamische Preise, weil es ein einmaliger Vorgang ist. Aber B2B-Software-Anbieter wollen Kundenbeziehungen, die Bestand haben, und Kunden wollen nicht, dass Preise unvorhersehbar tagtäglich ändern. So wird die Preisoptymierung stattdessen auf die Erstellung von maßgeschneiderten Preisen für langfristige Vereinbarungen ausgerichtet – Preise, die darauf ausgelegt sind, die besten Ergebnisse für beide Seiten, Anbieter und Kunde, über mehrjährige Beziehungen hinweg zu liefern.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten m3ter besuchen: m3ter.