Chris Bishop, administrerende direktør i BillingPlatform – Intervjuserie

Chris Bishop, administrerende direktør i BillingPlatform, er en leder innen bedriftsprogramvare med mer enn to tiår med erfaring som spenner over SaaS, inntektsdrift, kundesuksess, profesjonelle tjenester og go‑to‑market‑ledelse. Før han begynte i BillingPlatform som administrerende direktør i 2026, tilbrakte Bishop nesten syv år i Conga, hvor han hadde seniorroller inkludert Chief Customer Officer, Chief Revenue Officer og Chief Marketing Officer, og bidro til å lede selskapet gjennom en periode med transformasjon og integrasjon. Tidligere fungerte han som Group Vice President for Global Services i Plex Systems og grunnla MIPRO Consulting, et rådgivningsfirma for bedriftsapplikasjoner med spesialisering i PeopleSoft- og Oracle‑teknologier. Karrieren hans inkluderer også seniorlederroller i PeopleSoft og Oracle, hvor han ledet en nordamerikansk praksis for forsyningskjedeledelse med mer enn 230 konsulenter, samt tidligere arbeid med prosessomstrukturering i Ford Motor Company.

BillingPlatform er et selskap som leverer programvare for styring av inntektslivssyklusen og inntektsgenerering, designet for å hjelpe virksomheter med å håndtere stadig mer komplekse pris‑ og faktureringsmodeller. Selskapet ble grunnlagt i 2012 og tilbyr en skybasert plattform som dekker ordreinnhenting, abonnement‑ og forbruksbasert fakturering, fakturering, betalinger, automatisering av kundefordringer, inntektsinnkjenning og økonomistyring. Teknologien støtter tilbakevendende, forbruksbaserte, hybride og andre konfigurerbare prisingsmodeller, mens mediering av forbruk kan hente inn og omforme data som API‑kall, transaksjoner, seter, båndbredde eller andre forbruks‑hendelser til fakturerbare poster. BillingPlatform oppgir at systemene deres behandler mer enn 50 000 fakturaer per dag og over $4 milliarder i månedlige faktureringer, og posisjonerer plattformen som finansiell infrastruktur for foretak som går utover tradisjonelle faste priser og abonnementmodeller.

Karrieren din har tatt deg fra prosessomstrukturering i Ford og bedriftsapplikasjoner i PeopleSoft og Oracle til å grunnlegge MIPRO Consulting og lede kunde‑, inntekts‑ og markedsføringsfunksjoner i Plex Systems og Conga. Hvordan har disse erfaringene påvirket prioriteringene dine som administrerende direktør i BillingPlatform, spesielt når du introduserer kunstig intelligens i kritiske finansielle operasjoner?

Jeg anser hvert stopp i karrieren min som opplevelser av kritisk betydning. Produksjonsprosessen i Ford, økonomi‑ og forsyningskjedeledelse i PeopleSoft og Oracle, konsulentårene imellom, ERP i Plex, og inntektslivssyklus‑styring i Conga. Når systemer som disse møter feil eller en linje stopper, får noen ikke betalt, eller en avtale blir ikke fullført. Det er en mye lavere feilmargin enn de fleste programvarer opererer med.

Den andre tråden er at verdien bestemmes av resultatene du oppnår, ikke av det du markedsfører. Å ha ansvaret for kunde‑ og inntektsfunksjonene i Plex og Conga var da dette ble tydelig for meg, i gapet mellom det som ble solgt og det kunden mottok.

Begge trådene ender på samme sted for AI i finansielle operasjoner. Å ha rett 99,5 % av tiden høres bra ut i en demonstrasjon, men det er fortsatt en feil. Vi håndterer fakturering for selskaper med millioner av abonnenter. I den skalaen tilsvarer en feilrate på en halv prosent titusenvis av feilfakturaer i løpet av én måned, titusenvis av kundesamtaler ingen hadde planlagt for, og en kredittprosess som overvelder teamet. Kunden forventet at alle skulle være korrekte, så 99,5 % leverte ikke resultatet kunden hadde kjøpt.

Det er derfor vi er konservative når AI påvirker penger og aggressive når AI påvirker arbeid. AI utfører konfigurasjon, analyse og undersøkelser. Beregningen forblir deterministisk. Testen jeg bruker på hver AI‑funksjon er om en kontroller kan forklare resultatet til en revisor uten å si at modellen bestemte det for ham eller henne.

Mange leverandører av bedriftsprogramvare legger til AI‑assistenter i eksisterende produkter. BillingPlatform beskriver sin AI som innebygd i inntektslivssyklusen og bygget på en enhetlig, selv‑beskrivende metadata‑modell. Hva kan denne arkitekturen oppnå som et konvensjonelt AI‑lag lagt til eldre faktureringsprogramvare ikke kan?

Vår plattform beskriver seg selv. Entiteter, felter, prisregler, arbeidsflyter og godkjenninger er all metadata systemet kan lese i sanntid. Det betyr at vår AI leser din faktiske konfigurasjon, ikke et generisk produktskjema, og den kan foreslå endringer i den konfigurasjonen fordi konfigurasjon er data snarere enn kode.

En assistent som festes på eldre faktureringsprogramvare har et annet problem. Kundespesifikk logikk i disse systemene ligger i tilpasset kode, lagrede prosedyrer og integrasjons‑middelelag. Assistenten kan svare på spørsmål om dokumentasjonen. Alt som er spesifikt for hvordan din forekomst faktisk oppfører seg må leses ut fra den koden, og å endre den innebærer en utviklingssyklus i stedet for en samtale.

Det andre problemet er at måling, fakturering og inntektsinnkjenning vanligvis befinner seg i separate systemer med separate databaser. Enhver AI som ligger over disse funksjonene resonnerer på tvers av en avstemming, så svaret er kun så godt som gårsdagens batch‑jobb. Vi kjører alle tre områdene på én modell, så det er en enkelt kjede fra forbruks‑hendelse til journalpost. AI‑en svarer fra samme post som fakturaen ble bygget fra, noe som er enormt viktig.

Etter hvert som selskaper tar i bruk forbruksbaserte, resultatbaserte og hybride forretningsmodeller, hvordan endrer AI måten produkter og tjenester pakkes, prises og tjener penger på?

To ting endrer seg. Den første er at verdienheten beveger seg fra antall plasser til fullført arbeid, så selskaper priser løsninger, behandlede dokumenter, fullførte oppgaver eller leverte resultater. Den andre er at prising blir noe du revurderer kvartalsvis i stedet for årlig, fordi kostnadskurven under et AI‑produkt endrer seg så raskt.

Etter vår erfaring hjelper AI mer på analysesiden enn på den kreative siden. Hvis transaksjonshistorikken din ligger samlet ett sted, kan du modellere en foreslått prisendring mot reell kundeadferd før du lanserer den, på minutter, og forutsi hvordan det kan påvirke margin eller kundefrafall, for eksempel. Dette var tidligere en flerukers økonomiøvelse.

Jeg vil også legge til en advarsel. De fleste selskaper som går over til forbruks‑ eller resultatbasert prising kan ennå ikke svare på hva en enkelt enhet koster dem å betjene. Uten dette tallet gjetter selskapet på minimumspriser og rabattmyndighet. Derfor velger de fleste foretak en hybridtilnærming: et forpliktet plattformsgebyr for forutsigbarhet, forbruk for justering, og en resultatkomponent der verdien er reelt målbar.

AI‑produkter kan generere svært varierende kostnader basert på token, modeller, infrastruktur og kompleksiteten i hver forespørsel. Hvilke nye måle‑ og faktureringsfunksjoner trenger selskaper for å tjene penger på AI‑tjenester nøyaktig uten å eksponere seg for uforutsigbare marginer?

Jeg vil foreslå å begynne med måling på detaljnivå av kostnadsdriveren og beholde hendelsene. Hvis du forhåndsaggregere til en daglig sum per kunde, mister du muligheten til å se at en arbeidsflyt kjører på en kostbar modell.

Derfra gjør fire funksjoner det virkelige arbeidet:

1. Knytt varekostnaden til samme hendelse som inntekten, slik at margin per kunde, funksjon og modell er synlig i løpet av perioden i stedet for ved periodens slutt.
2. Støtt prisstrukturer som endres midt i perioden, fordi modellbytte og leverandørprisnedsettelser ikke venter på selskapets fornyelseskalender.
3. Gi kundene forpliktelser, forhåndsbetalte saldoer, tak og uttak, siden forutsigbarhet er en produktfunksjon og også beskytter selskapet mot en uventet faktura.
4. Og til slutt, muligheten til å re‑rate historikk når en pris endres eller mediering var feil, uten en manuell kredittprosess.

Marginbeskyttelse på AI‑produkter er et problem med måling og prisdesign. Hvis du behandler det som et finansrapporteringsproblem, får du beskjed om det 40 dager for sent.

BillingPlatform gjør det mulig for team å konfigurere produkter, prisregler og faktureringsarbeidsflyter i samtaleformat. Hvilke beslutninger kan trygt delegeres til AI, og hvor bør menneskelig gjennomgang og godkjenning forbli obligatorisk?

Jeg vil si at arbeidet kan delegeres, men beslutningene bør fortsatt tas av mennesker.

AI kan trygt lese og forklare eksisterende konfigurasjon, utarbeide ny konfigurasjon i et sandkassemiljø, generere testdata og testtilfeller, oppdage avvik i bruk eller faktureringskjøringer, undersøke en prisdispute tilbake til kildehendelsen, og lage en første kartlegging for en migrasjon. Dette utgjør en stor del av timene i et faktureringsteam hver uke og bærer nesten ingen risiko.

Menneskelig godkjenning er obligatorisk på alt som endrer hva en kunde faktureres for eller hvilken inntekt som blir anerkjent i produksjon. Dette inkluderer pris- og takstendringer, kontraktvilkår, kreditter og justeringer, retningslinjer for inntektsføring og vurderinger av separat salgspris, GL‑mapping, skatteposisjoner og periodens avslutning. I tillegg må mennesker være involvert i alt som er synlig for kunden for første gang.

Driftsregelen er at AI foreslår, en person med reell myndighet godkjenner, og godkjenningen registreres mot endringen. Godkjenninger og rollebaserte tillatelser var allerede i plattformen, så agenter arver dem i stedet for å omgå dem.

Finanssystemer gir lite rom for hallusinasjoner eller uforklarlige beslutninger. Hvordan kombinerer BillingPlatform AI‑resonnement med deterministisk utførelse for å sikre at fakturaer, inntektsberegninger og regnskapshandlinger forblir nøyaktige og reproduserbare?

Vi skiller tolkning fra utførelse. Modellen tolker intensjon og produserer konfigurasjon, en spørring eller et foreslått endringsforslag. Vurderings‑ og regnskapsmotoren utfører deretter. Denne motoren bruker samme kodebane enten en person konfigurerer den i brukergrensesnittet eller en agent konfigurerer den via vår AI, så de samme inngangsdataene gir samme faktura hver gang, og du kan kjøre en lukket periode på nytt og få identisk svar.

Ingen tall på en faktura genereres av en språkmodell på faktureringstidspunktet. Det AI produserer er en konfigurasjonsendring, og den endringen har en versjon, en forfatter og et tidsstempel som enhver annen endring i systemet. Hvis en revisor spør hvorfor en kostnad er som den er, sporer svaret tilbake gjennom prisregistreringen til brukshendelsen, ikke til en prompt.

Den siste delen er at forslag kan gjennomgås før de blir anvendt. Du ser den spesifikke konfigurasjonen AI ønsker å opprette, i klare termer, og du kan godkjenne eller avvise den.

BillingPlatform støtter Model Context Protocol, Agent-to-Agent-protokollen og tilkoblinger med eksterne bedrifts‑AI‑verktøy. Hvordan kan selskaper gi autonome agenter tilgang til faktureringsoperasjoner samtidig som de hindrer uautoriserte handlinger, datalekkasjer eller usporbare endringer?

MCP og A2A er transport, og får en agent til døren. Kontrollplanet er din tillatelsesmodell, og det er der det faktiske arbeidet ligger.

I vårt tilfelle autentiserer en agent seg som en bruker og arver samme rolle, felt‑ og postnivå‑tillatelser som en ansatt ville fått. Det finnes ingen agent‑omgåelse. I tillegg holder noen få praksiser stand. Gi hver agent sin egen avgrensede tjenestekonto med minst mulig privilegier, skrivebeskyttet inntil annet er bevist, slik at revisjonsloggen viser hvilken agent som gjorde hva. Styr skriveoperasjoner gjennom godkjennings‑workflow med dollar‑ og volumgrenser. Du bør også begrense hastigheten deres, fordi en agent i en løkke er en annen type feil enn en person som gjør en feil. Det er også kritisk å logge hvert kall, ikke bare de som endret noe. Returner kun feltene oppgaven trenger, siden den raskeste måten å lekke kundedata på er en for bred lesning.

Feilen jeg forventer å se i markedet i år er at selskaper gir en agent en menneskelig administratorlegitimasjon fordi det var enklere enn å definere riktig tilgang.

BillingPlatform sier at AI kan redusere implementeringer fra kvartaler til uker. Hvilke deler av kravinnsamling, konfigurasjon, testing og migrering kan AI automatisere i dag, og hvilke deler som fortsatt krever erfarne fakturerings‑ og finansprofesjonelle?

AI er virkelig god på å oversette dokumentert prisfastsettelse til konfigurasjon, kjøre gap‑analyse mot et bibliotek av kjente mønstre, generere test‑tilfeller og utføre regresjonstesting, kartlegge og rense eldre data for migrering, samt produsere dokumentasjon. Dette er områdene hvor arbeidet reduseres fra kvartaler til uker.

Beslutningstaking krever imidlertid fortsatt erfarne fakturerings‑ og finansprofesjonelle. Eksempler på oppgaver som fortsatt krever erfarne folk inkluderer å få en kunde til å godkjenne sine egne prisregler og inntekts‑policy, rekonstruere vilkår fra kontrakter, integrere med et system med udokumentert oppførsel, og vurdere inntektsbehandling på en fler‑element‑avtale. Kort sagt, endringsledelse svarer ikke på programvare.

Hvordan kan en samlet modell som dekker måling, fakturering og inntektsføring forbedre etterlevelse, sporbarhet og finansiell rapportering, spesielt for organisasjoner som operererunder komplekse krav til inntektsføring?

Revisorer spør alltid om to ting: Vis meg hvordan du kom frem til dette tallet, og vis meg at du har brukt samme behandling konsekvent. Hvis målings‑, fakturerings‑ og inntektsføringssystemene dine lever separat, betyr det å svare på dette at du må grave gjennom tre databaser pluss et manuelt oppbygd regneark for å avstemme dem alle.

Når alt er i én modell, forsvinner hele denne øvelsen. Brukshendelsen, kostnaden, fakturalinjen og journalposten er alle den samme posten, bare fulgt videre til neste steg. Du kan spore den fremover eller bakover uten et avstemmingssteg i mellom, fordi det ikke finnes noe å avstemme. Når en kontrakt endres, evaluerer du de samme transaksjonsdataene som genererte fakturaen i første omgang. Din separate salgspris og allokering vil komme fra det som faktisk skjedde.

Dette er spesielt viktig for selskaper som håndterer variabel vederlag etter ASC 606 eller IFRS 15, hvor du må kunne vise arbeidet ditt og kunne vise det igjen ett år senere.

BillingPlatform har nylig kunngjort at de ansetter en ny Chief Financial Officer, Chief Product Officer og Chief Customer Officer i takt med at de skalerer sin AI‑native‑strategi. Hvordan vil disse lederne samarbeide for å omsette teknisk innovasjon til økonomisk bærekraftig vekst og målbare resultater for bedriftskunder?

Som Chief Product Officer sørger Rob Zwiebach for at produktet vårt er differensiert og leveres. Han ledet produktveikartet for økonomisystemer i Workday og tilbrakte 17 år i Oracle, så han kjenner systemene kundene våre allerede bruker og hva som kreves for å konkurrere med dem. Som Chief Customer Officer har Chris King ansvaret for om kundene oppnår verdi, altså tid til verdi, leveringskonsistens, kundelojalitet og ekspansjon. Han ledet tjenester og suksess i Medidata og Salesforce og startet i bransjen i Zuora, så han har sett både god og dårlig bedriftsleveranse i stor skala. Steven Springsteel, vår Chief Financial Officer, har ansvaret for økonomien, og han kommer fra CFO‑rollen i Recurly, så han har førstehåndserfaring med å drive finansfunksjonen i et faktureringsselskap.

Der de virkelig må jobbe sammen som én gruppe, er på tallet jeg bryr meg mest om. Det vil si hva det koster og hvor lang tid det tar å få en bedriftskunde i drift og produktiv, samt marginen på dette arbeidet. Det er en produktbeslutning, en leveringsbeslutning og en målebeslutning, og historisk har dette vært stedet hvor store bedriftsfaktureringsprosjekter går galt. Å si at du er AI‑native er et påstand om arkitekturen din. Det blir først en forretningsfordel når det viser seg i implementasjonskostnad, ekspansjonsrate og bruttofortjeneste. Dette er de tre tallene Rob, Chris og Steven hver for seg eier en del av.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke BillingPlatform.