Chris Bishop, VD för BillingPlatform – Intervjuserien

Chris Bishop, VD för BillingPlatform, är en ledande befattningshavare inom företagsprogramvara med mer än två decennier av erfarenhet som spänner över SaaS, intäktsdrift, kundframgång, professionella tjänster och go-to-market-ledarskap. Innan han gick med i BillingPlatform som VD år 2026, tillbringade Bishop nästan sju år på Conga, där han hade seniora roller inklusive Chief Customer Officer, Chief Revenue Officer och Chief Marketing Officer, och hjälpte till att leda företaget genom en period av omvandling och integration. Tidigare tjänstgjorde han som Group Vice President of Global Services på Plex Systems och grundade MIPRO Consulting, ett rådgivningsföretag för företagsapplikationer som specialiserar sig på PeopleSoft- och Oracle-teknologier. Hans karriär inkluderar också seniora ledarskapsroller på PeopleSoft och Oracle, där han ledde en nordamerikansk verksamhet för leverantörskedjehantering med mer än 230 konsulter, samt tidigare arbete med processomstrukturering på Ford Motor Company.

BillingPlatform är ett företag för programvara för hantering av intäktslivscykeln och intäktsgenerering, utformat för att hjälpa företag att hantera allt mer komplexa pris- och faktureringsmodeller. Företaget grundades 2012 och erbjuder en molnbaserad plattform som omfattar orderupptagning, prenumerations- och användningsbaserad fakturering, fakturering, betalningar, automatisering av kundfordringar, intäktsredovisning och ekonomisk förvaltning. Dess teknik stödjer återkommande, konsumtionsbaserade, hybrida och andra konfigurerbara prismodeller, medan dess funktioner för användningsmedling kan ta emot och omvandla data såsom API-anrop, transaktioner, licenser, bandbredd eller andra konsumtionshändelser till faktureringsbara poster. BillingPlatform uppger att deras system behandlar mer än 50,000 fakturor per dag och över $4 billion i månatliga faktureringar, vilket placerar plattformen som finansiell infrastruktur för företag som går bortom traditionella fasta pris- och prenumerationsmodeller.

Din karriär har tagit dig från processomstrukturering på Ford och företagsapplikationer på PeopleSoft och Oracle till att grunda MIPRO Consulting och leda kund-, intäkts- och marknadsföringsfunktioner på Plex Systems och Conga. Hur har dessa erfarenheter format dina prioriteringar som VD för BillingPlatform, särskilt när du introducerar AI i kritiska finansiella operationer?

Jag betraktar varje stopp i min karriär som kritiska erfarenheter. Tillverkningsprocessen på Ford, ekonomi- och leverantörskedjehantering på PeopleSoft och Oracle, konsultåren däremellan, ERP på Plex och intäktslivscykelhantering på Conga. När system som dessa stöter på fel eller en produktionslinje stannar, får någon inte betalt eller en affär slutförs inte. Det innebär en mycket lägre fel tolerans än vad de flesta programvaror har.

Den andra tråden är att värdet bestäms av de resultat du möjliggör, inte av vad du marknadsför. Att äga kund- och intäktsfunktionerna på Plex och Conga var när det blev tydligt för mig, i klyftan mellan vad som såldes och vad kunden fick.

Båda trådarna hamnar på samma plats för AI i finansiella operationer. Att ha rätt 99,5 % av tiden låter bra i en demo, men det är fortfarande ett misslyckande. Vi hanterar fakturering för företag med miljontals prenumeranter. På den skalan innebär en felmarginal på en halvt procent tiotusentals felaktiga fakturor under en månad, tiotusentals kundsamtal som ingen planerat för, och en kreditprocess som överväldigar teamet. Kunden förväntade sig att alla skulle vara korrekta, så 99,5 % levererade inte det resultat de köpte.

Det är därför vi är konservativa när AI berör pengar och aggressiva när AI berör arbete. AI utför konfiguration, analys och undersökning. Beräkningen förblir deterministisk. Testet jag använder för varje AI-funktion är om en kontrollant kan förklara resultatet för en revisor utan att säga att modellen bestämde det åt honom eller henne.

Många leverantörer av företagsprogramvara lägger till AI-assistenter i befintliga produkter. BillingPlatform beskriver sin AI som inbyggd i intäktslivscykeln och byggd på en enhetlig, självbeskrivande metadatamodell. Vad kan denna arkitektur åstadkomma som ett konventionellt AI-lager tillagt legacy‑faktureringsprogramvara inte kan?

Vår plattform beskriver sig själv. Entiteter, fält, prismodeller, arbetsflöden och godkännanden är all metadata som systemet kan läsa vid körning. Det innebär att vår AI läser din faktiska konfiguration, inte ett generiskt produktschema, och den kan föreslå ändringar i den konfigurationen eftersom konfiguration är data snarare än kod.

En assistent som fästs på legacy‑faktureringsprogramvara har ett annat problem. Den kundspecifika logiken i dessa system finns i anpassad kod, lagrade procedurer och integrations‑mellanprogram. Assistenten kan svara på frågor om dokumentationen. Allt som är specifikt för hur din instans faktiskt beter sig måste läsas ur den koden, och att ändra den innebär en utvecklingscykel snarare än en konversation.

Det andra problemet är att mätning, fakturering och intäktsredovisning vanligtvis sitter i separata system med separata databaser. Alla AI‑funktioner ovanpå dessa funktioner resonnerar över en avstämning, så deras svar är bara lika bra som gårdagens batch‑jobb. Vi kör alla tre områden på en modell, så det finns en enda kedja från användningstillfälle till bokföringspost. AI svarar från samma post som fakturan byggdes från, vilket är enormt viktigt.

När företag antar användningsbaserade, resultatbaserade och hybrida affärsmodeller, hur förändrar AI sättet som produkter och tjänster paketeras, prissätts och intjänas?

Två saker förändras. Den första är att värdeenheten flyttar sig från licenser till utfört arbete, så företag prissätter lösningar, bearbetade dokument, slutförda uppgifter eller levererade resultat. Den andra är att prissättningen blir något du återbesöker kvartalsvis istället för årligen, eftersom kostnadskurvan under en AI‑produkt rör sig så snabbt.

Enligt vår erfarenhet hjälper AI mer på analysdelen än på den kreativa delen. Om din transaktionshistorik finns på ett ställe kan du modellera ett föreslaget prisändring mot verkligt kundbeteende innan du lanserar den på några minuter, och exempelvis prognostisera hur det kan påverka marginal eller churn. Det var tidigare en flerveckors finansiell övning.

Jag skulle också lägga till en varning. De flesta företag som går över till konsumtions‑ eller resultatbaserad prissättning kan ännu inte svara på vad en enskild enhet kostar att leverera. Utan den siffran gissar företaget på lägsta prisnivåer och rabattbehörighet. Det är därför de flesta företag väljer en hybridstrategi: en fast plattformsavgift för förutsägbarhet, konsumtion för anpassning och en resultatkomponent där värdet verkligen kan mätas.

AI‑produkter kan generera mycket varierande kostnader baserat på token, modeller, infrastruktur och komplexiteten i varje begäran. Vilka nya mät‑ och faktureringsfunktioner behöver företag för att exakt tjäna pengar på AI‑tjänster utan att utsätta sig för oförutsägbara marginaler?

Jag föreslår att börja med mätning på kostnadsdrivarens detaljnivå och behålla händelserna. Om du föraggregaterar till en daglig totalsumma per kund har du förlorat möjligheten att se att ett arbetsflöde körs på en dyr modell.

Därifrån utför fyra funktioner det egentliga arbetet:

1. Koppla varukostnaden till samma händelse som bär intäkten, så marginal per kund, funktion och modell är synlig under perioden istället för vid avslut.
2. Stöd prisstrukturer som ändras mitt i perioden, eftersom modellbyte och leverantörsprissänkningar inte väntar på företagets förnyelsekalender.
3. Ge kunder åtaganden, förbetalda saldon, tak och uttag, eftersom förutsägbarhet är en produktfunktion och också skyddar företaget mot en oväntad faktura.
4. Och slutligen, möjliggör omprissättning av historik när ett pris ändras eller medling var felaktig, utan en manuell kreditprocess.

Marginskydd för AI‑produkter är ett problem med mät‑ och prisdesign. Om du behandlar det som ett finansiellt rapporteringsproblem får du reda på det 40 dagar för sent.

BillingPlatform låter team konfigurera produkter, prisregler och faktureringsarbetsflöden konversativt. Vilka beslut kan säkert delegeras till AI, och var bör mänsklig granskning och godkännande förbli obligatoriskt?

Jag skulle säga att delegera arbetet men låta människorna fatta besluten.

AI kan säkert läsa och förklara befintlig konfiguration, utarbeta ny konfiguration i en sandlåda, generera testdata och testfall, upptäcka avvikelser i användning eller faktureringskörningar, undersöka en prissättningsdispyt tillbaka till källhändelsen och skapa en första kartläggning för en migrering. Det utgör en stor del av timmarna i ett faktureringsteam varje vecka och bär nästan ingen risk.

Mänskligt godkännande är obligatoriskt för allt som förändrar vad en kund faktureras för eller vilken intäkt som erkänns i produktion. Detta inkluderar pris- och taxaändringar, avtalsvillkor, krediter och justeringar, intäktsredovisningspolicy och bedömningar av fristående försäljningspris, GL‑mappning, skattepositioner och periodavslut. Dessutom måste människor vara involverade i allt som är kundsynligt för första gången.

Driftsregeln är att AI föreslår, en person med faktisk befogenhet godkänner, och godkännandet registreras mot förändringen. Godkännanden och rollbaserade behörigheter fanns redan i plattformen, så agenter ärver dem istället för att kringgå dem.

Finansiella system lämnar lite utrymme för hallucinationer eller oförklarliga beslut. Hur kombinerar BillingPlatform AI‑resonemang med deterministisk exekvering för att säkerställa att fakturor, intäktsberäkningar och bokföringsåtgärder förblir korrekta och reproducerbara?

Vi separerar tolkning från exekvering. Modellen tolkar avsikt och producerar en konfiguration, en fråga eller ett föreslaget ändring. Prissättnings‑ och bokföringsmotorn kör sedan. Den motorn är samma kodväg oavsett om en person konfigurerade den i UI‑tjänsten eller en agent gjorde det via vår AI, så samma indata ger samma faktura varje gång, och du kan köra om en avslutad period och få exakt samma svar.

Inget belopp på en faktura genereras av en språkmodell vid faktureringstillfället. Det AI producerar är en konfigurationsändring, och den ändringen har en version, en författare och en tidsstämpel precis som alla andra förändringar i systemet. Om en revisor frågar varför en avgift är som den är, spåras svaret tillbaka genom prisregistret till användningstillfället, inte till en prompt.

Den sista delen är att förslag kan granskas innan de tillämpas. Du ser den specifika konfiguration som AI vill skapa, i enkla termer, och du kan godkänna eller avvisa den.

BillingPlatform stöder Model Context Protocol, Agent-to-Agent-protokollet och anslutningar till externa företags‑AI‑verktyg. Hur kan företag ge autonoma agenter åtkomst till faktureringsprocesser samtidigt som de förhindrar obehöriga åtgärder, dataläckage eller ospårbara förändringar?

MCP och A2A är transport, och får en agent till dörren. Kontrollplanet är din behörighetsmodell, och där ligger det faktiska arbetet.

I vårt fall autentiserar en agent sig som en användare och ärver samma roll samt fält‑ och postnivåbehörigheter som vilken anställd som helst får. Det finns ingen agent‑bypass. Utöver det finns några praxis som håller. Ge varje agent ett eget avgränsat servicekonto med minsta möjliga privilegier, skrivskyddat tills annat bevisas, så att audit‑loggen visar vilken agent som gjorde vad. Styr skrivoperationer genom ett godkännandeflöde med dollar‑ och volymtrösklar. Du bör också begränsa deras hastighet, eftersom en agent i en slinga är ett annat fel än en person som gör ett misstag. Det är också kritiskt att logga varje anrop, inte bara de som förändrade något. Och returnera endast de fält som uppgiften behöver, eftersom det snabbaste sättet att läcka kunddata är en alltför bred läsning.

Det misstag jag förväntar mig att se på marknaden i år är att företag ger en agent en mänsklig administratörsbehörighet eftersom det var enklare än att korrekt avgränsa en sådan.

BillingPlatform säger att AI kan minska implementeringar från kvartal till veckor. Vilka delar av kravinsamling, konfiguration, testning och migrering kan AI automatisera idag, och vilka delar som fortfarande kräver erfarna fakturerings‑ och finansproffs?

AI är faktiskt bra på att översätta dokumenterad prissättning till konfiguration, utföra gap‑analys mot ett bibliotek av kända mönster, generera testfall och köra regression, kartlägga och rensa äldre data för migrering samt producera dokumentation. Det är de områden där arbetet minskar från kvartal till veckor.

Beslutsfattande kräver dock fortfarande erfarna fakturerings‑ och finansproffs. Exempel som fortfarande kräver erfarna personer inkluderar att få en kund att godkänna sina egna prisregler och intäktspolicy, återskapa villkor från avtal, integrera till ett system med odokumenterat beteende och bedöma intäktsbehandling i en flerelementarrangemang. Kort sagt svarar förändringshantering inte på mjukvara.

Hur kan en enhetlig modell som omfattar mätning, fakturering och intäktsredovisning förbättra efterlevnad, spårbarhet och finansiell rapportering, särskilt för organisationer verksamunder komplexa krav på intäktsredovisning?

Revisorer frågar alltid om två saker: Visa hur du kom fram till detta tal och visa att du tillämpade samma behandling konsekvent. Om dina mät‑, fakturerings‑ och intäktsredovisningssystem lever separat innebär svaret att gräva igenom tre databaser plus ett manuellt byggt kalkylblad för att stämma av dem alla.

När allt är en modell försvinner hela övningen. Användningstillfället, avgiften, fakturaraden och bokföringsposten är alla samma post, bara vidarebefordrad till nästa steg. Du kan spåra den framåt eller bakåt utan ett avstämningssteg däremellan eftersom det inte finns något att avstämma. När ett avtal ändras utvärderar du samma transaktionsdata som genererade fakturan från början. Ditt fristående försäljningspris och allokering kommer från vad som inträffade.

Detta är särskilt viktigt för företag som hanterar variabel ersättning enligt ASC 606 eller IFRS 15, där du måste visa ditt arbete och kunna visa det igen ett år senare.

BillingPlatform har nyligen meddelat att de tillsätter en ny Chief Financial Officer, Chief Product Officer och Chief Customer Officer i takt med att de skalar sin AI‑inhemska strategi. Hur kommer dessa ledare att samarbeta för att omvandla teknisk innovation till finansiellt hållbar tillväxt och mätbara resultat för företagskunder?

Som Chief Product Officer säkerställer Rob Zwiebach att vår produkt är differentierad och levererad. Han ledde produktplanen för finansiella lösningar på Workday och tillbringade 17 år på Oracle, så han känner till de system våra köpare redan använder och vad som krävs för att konkurrera med dem. Som Chief Customer Officer ansvarar Chris King för om kunderna upplever värdet, vilket innebär tid till värde, leveranskonsekvens, retention och expansion. Han ledde tjänster och framgång på Medidata och Salesforce och började i branschen på Zuora, så han har sett både god och dålig företagsleverans i stor skala. Steven Springsteel, vår Chief Financial Officer, ansvarar för ekonomin och kommer till oss från CFO‑rollen på Recurly, så han har förstahandskunskap om att driva finansfunktionen i ett faktureringsföretag.

Där de verkligen måste samarbeta som en grupp är på den siffra jag bryr mig mest om. Det vill säga vad det kostar och hur lång tid det tar att få en företagskund i drift och produktiv, samt marginalen på det arbetet. Det är ett produktbeslut, ett leveransbeslut och ett mätbeslut, och det har historiskt varit den plats där företagsfaktureringsprojekt går fel. Att säga att du är AI‑inhemsk är ett påstående om din arkitektur. Det blir bara affärsmässigt när det visar sig i implementeringskostnad, expansionshastighet och bruttomarginal. Det är de tre siffrorna som Rob, Chris och Steven var och en äger en del av.

Tack för det fantastiska intervjun, läsare som vill lära sig mer bör besöka BillingPlatform.