Griffin Parry, CEO av m3ter – Intervju-serie

Griffin Parry er CEO og medgrunnlegger av m3ter. Dette er hans andre startup, etter å ha tidligere grunnlagt og ledet GameSparks, et cloud-tjeneste-selskap som ble kjøpt av Amazon (AMZN ) i 2017, etter å ha arbeidet i seniort produkt- og feltroller i AWS i 3 år. Han startet sin karriere i mediesektoren (Sky, News International) med fokus på digital strategi og digitalt produktutvikling, inkludert lansering og ledelse av Skys online-tv-tilbud.

m3ter er en SaaS-plattform designet for å hjelpe selskaper med å implementere og håndtere komplekse bruksbaserte priser ved å fungere som en måling- og fakturering-infrastruktur som ligger ved siden av eksisterende systemer som CRMs og ERPs. Den tar inn rå produktbrukdata, anvender fleksible prissetningslogikker og automatiserer hele prosessen fra sitat til betaling, noe som gjør det mulig for bedrifter å generere nøyaktige, sanntidsfakturaer samtidig som de reduserer inntektslekkasjer og operative kostnader. Ved å skille fakturering fra kjerne-systemer, gjør m3ter det mulig for selskaper å eksperimentere med prismodeller, lansere nye produkter raskere og få dyptere innsikt i kundebruk og inntektsstrømmer, noe som gjør det spesielt verdifullt for moderne programvare-selskaper som går over til forbruk-baserte forretningsmodeller.

Du grunnla og skalerte GameSparks gjennom til oppkjøp, og valgte deretter å starte m3ter med fokus på fakturering-infrastruktur og moderne monetisering. Hva var det som dro deg til dette spesifikke problemområdet for ditt andre selskap, og hvordan påvirkte din tidligere erfaring som grunnlegger denne beslutningen?

Vi er et klassisk eksempel på grunnleggere som løser et problem de selv har erfart. Hos GameSparks hadde vi en moderne monetiseringsstrategi — bruksbasert prising — fordi det fungerte for den type bedrift vi var (cloud-infrastruktur). Det var nøkkel til vår suksess, men det medførte også mye operativ og GTM-smerter. Deretter, hos AWS, også et cloud-infrastruktur-selskap, men mye større, så vi at de hadde de samme problemene. Vi så også hvor mye innsats de la i å løse dem, fordi det var kritisk for deres forretning. Vi kom til å innse at i en bruksbasert verden er fakturering-infrastruktur en strategisk evne som de fleste selskaper ikke kan utvikle, så vi grunnla m3ter for å endre dette.

AI-naturlige produkter kan ha uforutsigbare infrastrukturkostnader knyttet til inferens, token-bruk eller modell-gjenoppreting. Hvordan bør grunnleggere tenke når det gjelder å tilpasse prising til verdi samtidig som de beskytter brutto-margene?

Tradisjonelle SaaS-produkter hadde vanligvis nær null marginale kostnader ved bruk. Med andre ord, påvirkte ikke kundens bruk av produktet din kostnader ved å levere det. Dette er ikke sant for AI-produkter, fordi deres bruk driver kostnader som token-forbruk. Hvis dine priser er faste, betyr det at dine brutto-margene kan variere betydelig per kunde avhengig av deres bruk. Det gjør bruksbasert prissetningsstrategi nærmest uunngåelig: det tilpasser inntekter til kostnader og stabiliserer brutto-margene.

Når AI blir integrert i eksisterende programvare-kategorier, forventer du at de fleste selskaper vil legge til bruks-komponenter på abonnementer, eller ser du helt nye monetiserings-rammeverk som oppstår?

Jeg forventer ikke noe helt nytt – bare en gjenskapning av prissetningsmodeller vi har sett før. Du vil se hele spekteret, fra rene abonnementer til resultat-baserte modeller. Men den største klusteren vil være hybrid: faste, gjentakende elementer for forutsigbarhet, kombinert med en variabel måling som fungerer for både kunder (de assosierer det med suksess) og leverandører (det er tilstrekkelig tilpasset kostnader til å beskytte deres marger).

Det er en økende diskusjon omkring resultat-basert prising i AI-æraen. Hvor ser du virkelig grep på dette området, og hvor tror du modellen blir for kompleks til å implementere effektivt?

Ufordringen med resultat-basert prising er tilskrivning – for at det skal fungere, må et målbart resultat være uavhengig drevet av leverandørens produkt. Noen ganger er det mulig – betalinger er et eksempel, hvor leverandører tar en andel av transaksjonen, og det ser rettferdig ut. Men i min erfaring er disse situasjonene relativt sjeldne, og selskaper tenderer til å falle tilbake på prissetnings-målinger som er mer som proxyer for verdi – for eksempel, for en AI-kundesupport-agent, samtaler løst uten menneskelig innblanding. Igjen, det vil være mange løsninger langs spekteret fra bruksbasert, gjennom verdi-proxyer, til resultat-basert prising – det avhenger av brukstilfelle. Det de alle deler er at noe må telles og ha prissetning tilknyttet, og det er der m3ter kommer inn.

Når man definerer verdi i AI-drevne produkter, hvilke praktiske målinger bør selskaper fokusere på som realistiske proxyer for resultater?

Dette er et vanskelig spørsmål å svare på, fordi det er svært brukstilfelle-spesifikt. Det er noen “alltid” overveielser – er målingen enkel, forutsigbar, assosiert med verdi og tilstrekkelig tilpasset kostnader til å beskytte margene? Men målingen i seg selv avhenger av hva produktet gjør. “Token brukt” fungerer for en LLM-modell. “Dokumenter prosessert” fungerer for kontrakt-analyse. “Spørringer utført” fungerer for bedrifts-søk. “Samtaler håndtert (uten menneskelig innblanding) fungerer for kundesupport.

Hva er de vanligste operative og tekniske utfordringene selskaper møter når de går over fra abonnement-kun-modeller til hybrid eller bruksbasert prising?

Nøkkel-punktene er omkring inntektslekkasjer, dårlige kunde-erfaringer og en mangel på prissetnings-fleksibilitet som hindrer Produkt og Salg. Årsakene er rotfestet i feil operative grunnlag. Nøkkel-(nye) evner som trengs når man går over fra abonnement-kun til hybrid eller bruks-prising er bruks-data-prosesserings-, avansert (og kontinuerlig) regning-beregning og automatiserte forbindelser mellom CRM-, fakturering- og ERP-systemer.

Mange bedrifter er dypt engasjert i systemer som Salesforce (CRM ) og NetSuite. Hvordan moderniserer m3ter monetiserings-infrastruktur uten å tvinge selskaper til å omgjøre sine eksisterende stakker?

Etablerte sitat-til-betaling-verktøy som Salesforce og NetSuite antar en verden av abonnementer. Det betyr ikke at de ikke kan fungere godt for moderne monetiserings-tilnærminger – du må bare fylle kritiske hull, og det er hva m3ter gjør. Vi fokuserer presist på hva som mangler: bruks-data-prosesserings-, avansert prissetning og automatisering av data-strømmer mellom sitat-til-betaling-systemer.

Inntektslekkasje er ofte undervurdert. Hvor betydelig er dette problemet i moderne SaaS-bedrifter, og hva forårsaker det vanligvis?

Inntektslekkasje er verdi som er tjent (du har solgt det og levert det) men som ikke er innkrevd på grunn av fakturings-uvirkeligheter – dine fakturaer fanger ikke fullt ut alle kunde-bruk, eller de anvender ikke riktige kommersielle vilkår. Det er et stort problem – PwC’s Revenue Integrity-team estimerer det til 4-7%, og jo mer kompleks prisingen er, jo mer sannsynlig er det. Rotårsaken kommer ned til systemer og kontroller: ikke å fange bruks-data effektivt; ikke å ha automatiserte forbindelser mellom kilder for sannhet for prising og regnings-beregning-mekanismen; og regnings-beregning-mekanismen ikke er sofistikert nok til å håndtere kompleksitet (for eksempel, å avhenge av regneark).

Hvordan påvirker større prissetnings-fleksibilitet produkt-innovasjon og salgs-strategi innen programvare-organisasjoner?

Enkelt – jo mer prissetnings-fleksibilitet du har, jo raskere kan du levere nye produkter, og jo enklere kan du tilpasse prising til kundenes behov og ønsker, inkludert i private prissetnings-avtaler som hjelper Salg å vinne. Det er en strategisk evne for bedriften. Men du kan ikke ha fleksibilitet uten automatisering og kontroll. Ellers får du fakturings-feil, inntektslekkasje og kompleksitets-utfordringer.

Ser du fremover, spiller AI en rolle i dynamisk optimalisering av prissetnings-modeller i sanntid, og hva må være på plass for at det skal fungere pålitelig i stor skala?

Jeg er absolutt svært begeistret for potensialet for AI i prissetnings-optimalisering. Men jeg er mindre overbevist om sanntids-aspektet, i det minste for programvare-tjenester eller løsning-tjenester. Hvis du selger hotell-rom eller fly-seter, fungerer dynamisk prising fordi det er en engangstransaksjon. Men B2B-programvare-leverandører ønsker kunde-relasjoner som varer, og kunder ønsker ikke at prisingen skal endre seg uforutsigbart fra dag til dag. Så prissetnings-optimalisering vil fokusere i stedet på å lage skreddersydde priser for langtids-avtaler – priser designet for å levere de beste resultater for både leverandør og kunde over multi-årige relasjoner.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke m3ter.