Wie CFOs im Zeitalter der AI mit Wachstum, Preisgestaltung und Prognosen umgehen

• Durch die Einführung von AI verändert sich die Rolle des Chief Financial Officer (CFO) rasant, und alle Bereiche wie Preisgestaltung, Prognosen, Umsatzstruktur und Kostenmanagement werden neu gedacht
• Der Wechsel von Abonnementmodellen hin zu erfolgs- und verbrauchsbasierter Preisgestaltung schreitet schnell voran; entsprechend verbreiten sich neue ARR-Kennzahlen (Annual Recurring Revenue) und hybride Modelle
• AI-Services haben hohe variable Kosten wie Tokens und API-Aufrufe, und Nutzung sowie Kostenstruktur variieren stark je nach Kunde, was die Komplexität von Preis- und Umsatzprognosen deutlich erhöht
• Der strategische Wert von F&E und Zukunftsinvestitionen sowie der Bedarf an Produkt- und Technologieinvestitionen für Differenzierung und langfristige Wettbewerbsfähigkeit nehmen zu
• Fortgeschrittene Nachfrageprognosen und Finanzanalysen mit AI/Machine Learning sind unverzichtbar geworden, zugleich bleibt die Unsicherheit in Prognosen sehr hoch

---

Die Einführung von AI und der Wandel der CFO-Rolle

• Die Einführung von AI führt zu grundlegenden Veränderungen im Unternehmensbetrieb, und CFOs nutzen aktiv Automatisierungstools wie AI-Copilots
• Sie stehen vor zahlreichen Herausforderungen wie schnellem Wachstum, neuen Kostenstrukturen und komplexen Preismodellen

1. Wandel der Preisgestaltung: vom Abo- zum erfolgs- und verbrauchsbasierten Modell

• Schneller Wechsel von Abonnementmodellen zu nutzungs- oder erfolgsorientierter Preisgestaltung
  • Databricks: Berechnet Kunden nur in dem Maß, in dem sie tatsächlich Wert erhalten, und nutzt ein outputbasiertes Umsatzrealisierungsmodell statt eines inputbasierten

    "Der größte Unterschied bei Databricks ist, dass Preisgestaltung und Umsatzrealisierung vollständig auf dem Output basieren. Wenn Kunden keinen Wert erhalten, nutzen sie es nicht, und dann erscheint der Umsatz auch nicht in der P&L."
    — Dave Conte, CFO, Databricks

  • ElevenLabs: Führt eine dynamische Rabattstruktur ein, bei der der Stückpreis automatisch sinkt, je höher das Kunden-Commitment ist, um starke Kundenbindung zu fördern

    "Unsere Preisstrategie basiert auf absolutem Gewinnwachstum, aber je größer das Kunden-Commitment, desto niedriger wird automatisch der Stückpreis. Über einen Preiskalkulator werden Rabatte automatisch angewendet, was größere Zusagen fördert und das Umsatzrisiko senkt."
    — Maciej Mylik, Finance, ElevenLabs

  • Concourse: Experimentierte in den 40 Tagen nach dem Launch mehr als siebenmal mit Preisänderungen und verbesserte die Preise schnell iterativ anhand der Marktreaktion

    "In den 40 Tagen nach dem Launch haben wir die Preise mehr als siebenmal geändert. Das hat enorm geholfen, den Markt und die Zahlungsbereitschaft der Kunden zu verstehen. Selbst jetzt sind unsere Preise nur eine Präsentationsfolie — wir wollen weiter experimentieren und verbessern."
    — Matthieu Hafemeister, Cofounder, Concourse

2. Einführung neuer ARR-Kennzahlen (Annual Recurring Revenue)

• Mit traditionellen ARR-Kennzahlen lassen sich Umsätze aus nutzungsbasierten Modellen nur schwer abbilden
  • ElevenLabs: Misst den tatsächlichen Umsatz genauer, indem Commit ARR + Annualized Usage addiert werden

    "Enterprise-Kunden überschreiten ihre Quoten häufig, deshalb annualisieren wir den nutzungsbasierten Umsatz und addieren ihn zu einer neuen Kennzahl — ARR plus annualisierte Nutzung. Andernfalls würden wir den tatsächlich erzielten Umsatz unterschätzen."
    — Maciej Mylik, Finance, ElevenLabs

  • Ambient.ai: Weist auf die Realität hin, dass „schon die Definition von ARR in einem nutzungsbasierten Modell nicht mehr eindeutig ist“

    "Bei verbrauchsbasierten Modellen muss man sich fragen, wie ARR überhaupt definiert werden soll. Selbst wenn es Commitments gibt, variiert die tatsächliche Nutzung von Monat zu Monat, wodurch die klassische ARR-Definition schwierig wird."
    — Noah Barr, CFO, Ambient.ai

  • Databricks: Nutzt AI aktiv, um nichtlineare Nutzungsschwankungen zu verteilen und zu prognostizieren

    "Im SaaS-Modell sind Umsätze linear, aber verbrauchsbasierte Modelle sind von Natur aus nichtlinear. Kunden schießen zunächst hoch und optimieren dann. Wir konzentrieren uns darauf, Kundenkonzentrationen zu streuen und mit AI echtes verbrauchsbasiertes ARR zu prognostizieren."
    — Dave Conte, CFO, Databricks

3. Veränderungen der Kostenstruktur und Margendruck

• Die meisten AI-Startups sind auf externe große Modelle wie OpenAI, Anthropic und Mistral angewiesen, wodurch variable Kosten wie Tokens und API-Aufrufe steigen
  • ElevenLabs: Wenn die Infrastrukturkosten schneller wachsen als die Nutzung, werden sofort Engineers zur Optimierung eingesetzt

    "Wenn die Infrastrukturkosten schneller steigen als die Nutzung, werden Engineers sofort für Optimierungsarbeit eingesetzt. Dieser Kreislauf des Kostenmanagements läuft kontinuierlich weiter."
    — Maciej Mylik, Finance, ElevenLabs

  • Together AI: Passt Preisgestaltung und Packaging flexibel an, unter Berücksichtigung von Kostenstruktur, Stückpreisen, Wettbewerb und Kundenanforderungen

    "Preisentscheidungen werden unter Berücksichtigung des Kundennutzens, des Wettbewerbs-Benchmarkings sowie von Kosten- und Umsatzanalysen getroffen. Weil sich AI-Infrastruktur schnell verändert, ist eine ständige Neubewertung nötig. Je nach Kundenanforderungen, Vertragslaufzeit und Umfang passen wir Preise und Packaging kreativ an."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Bei Unternehmen, die eigene Modelle trainieren, ist auch das Management fixer GPU-Kosten und ungenutzter Zeit entscheidend (ungenutzte GPU-Zeit wirkt sich direkt negativ auf die Marge aus)

    "GPU-Kosten müssen sorgfältig überwacht werden. Ungenutzte GPU-Zeit ist verlorene Auslastung und hat direkte Auswirkungen auf Marge und Effizienz. Jede Zeit, in der Kunden sie nicht nutzen, schmälert die Marge."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Auch neue Kostenarten wie Fine-tuning und HILT(Human-in-the-loop) kommen hinzu, weshalb die Optimierung der Effizienz wichtig ist

    "Wir führen unser HILT(human-in-the-loop)-Team innerhalb der COGS. Wenn sich der Algorithmus verbessert, steigt die Zahl gültiger Bewertungen pro Person und die Stückkosten sinken, aber zur Risikosteuerung müssen wir weiterhin die False-Positive-Rate anpassen."
    — Noah Barr, CFO, Ambient.ai

4. ROI-Bewertung und Zukunftsinvestitionen

• Da AI zentrale Funktionen schnell zur Commodity macht, sind zukunftsgerichtete Investitionen und langfristige Differenzierung unverzichtbar
  • Databricks: Betont, dass „auch F&E, die nicht sofort zu Umsatz führt, langfristig stark zu Adoption und Wachstum beiträgt“

    "Nicht jedes F&E-Projekt führt unmittelbar zu Umsatz, aber mithilfe von Predictive Analytics messen wir, wie bestimmte Funktionen (z. B. Unity Catalog) zur Kundenadoption und zum Wachstum beitragen."
    — Dave Conte, CFO, Databricks

  • Together AI: Erwähnt, dass Forschungsinvestitionen letztlich zu langfristiger Wettbewerbsfähigkeit führen, etwa durch geringere Infrastrukturkosten und bessere Performance

    "Forschungsprojekte führen nicht sofort zu Umsatz, spielen aber eine große Rolle für langfristige Differenzierung, Produktentwicklung und Kundenbindung. So haben wir etwa durch Investitionen in kernelbezogene Forschung Differenzierung durch geringere Infrastrukturkosten und bessere Performance erreicht."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • ElevenLabs: Da einzelne Funktionen wie Text-to-Speech bald zur Commodity werden, sind weiterentwickelte Produktebenen wie Workflows und APIs für Customer Lock-in essenziell

    "Text-to-Speech wird am Ende zur Commodity werden. Um langfristige Wettbewerbsfähigkeit zu sichern, brauchen wir weiterentwickelte Produktebenen wie Workflows, datenbasierte Funktionen und APIs, damit Kunden nicht einfach abwandern können."
    — Maciej Mylik, Finance, ElevenLabs

5. Fortgeschrittene AI-basierte Finanzprognosen

• In einem sich ständig wandelnden Markt sind präzise Finanzprognosen schwierig, und AI/ML-basierte Analysen werden unverzichtbar
  • Together AI: Erklärt, dass „in der AI-Branche selbst 12 Monate im Voraus schwer vorherzusagen sind und das Management von Wandel und Risiken im Zentrum der Finanzstrategie steht“

    "In der AI-Branche ist es schon schwer, 12 Monate im Voraus zu prognostizieren. Der Wandel ist zu schnell, und ständig entstehen neue Use Cases. Man muss flexibel bleiben und Veränderungen in das Risikomanagement einbeziehen. Das Einzige, was in AI sicher ist, ist der Wandel selbst."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Databricks: Nutzt die eigene AI/ML-Plattform für fortgeschrittene Prognosen zu Verbrauch nach Kunde, Workload und Produkt sowie für die Quotensetzung im Sales-Team

    "Wir nutzen Databricks selbst (AI, ML, Advanced Analytics), um Verbrauchsmuster nach Kunde, Workload und Produkt zu prognostizieren. Das ist nicht nur für Finanzprognosen wichtig, sondern auch für die Quotenfestlegung in großen Sales-Teams. Mit Excel sind solche präzisen Prognosen unmöglich — sie funktionieren nur mit AI/ML."
    — Dave Conte, CFO, Databricks

  • Auch das Natural-Language-Query-Produkt (Genie) wird durch die Nutzung eigener Daten und Lernen immer intelligenter

    "Wir haben ein Produkt namens Genie: Wenn man dem Data Lake in natürlicher Sprache eine Frage stellt, extrahiert es die Antwort. Je mehr es genutzt wird, desto besser versteht Genie die Kundendaten und desto intelligenter wird es."
    — Dave Conte, CFO, Databricks

  • ElevenLabs: Erwähnt, dass „noch kein Unternehmen AI-Umsatzprognosen vollständig gelöst hat und Prognosen eher als Sanity Check denn als exakte Zahl genutzt werden“

    "Bislang hat noch niemand AI-Umsatzprognosen vollständig gelöst. Der Markt verändert sich zu schnell, und Prognosen werden eher als Sanity Check denn als exakte Zahl verwendet."
    — Maciej Mylik, Finance, ElevenLabs

Fazit

• Durch AI verändern sich Definition und Analyse von Finanz-, Preis- und Umsatzstrukturen grundlegend und in hohem Tempo
• Da klassische Finanz-Frameworks nicht mehr ausreichen, müssen CFOs AI/ML- und datenbasierte Entscheidungsfindung, flexible Preis- und Kostensteuerung, Investitionen in langfristige Wettbewerbsfähigkeit sowie fortgeschrittene Fähigkeiten im Risikomanagement beherrschen