Como CFOs navegam crescimento, precificação e previsões na era da IA

• Com a adoção de IA, o papel do diretor financeiro (CFO) está mudando rapidamente, e todas as áreas — como precificação, previsões, estrutura de receita e gestão de custos — estão sendo transformadas
• A transição de assinatura para precificação baseada em desempenho e consumo está acelerando, e a adoção de novas métricas de ARR (receita recorrente anual) e de modelos híbridos compatíveis com isso está se espalhando
• Serviços de IA têm custos variáveis elevados, como tokens e chamadas de API, e a estrutura de uso e custos varia muito entre clientes, aumentando bastante a complexidade da precificação e da previsão de receita
• O valor estratégico de P&D e dos investimentos no futuro, bem como a necessidade de investir em produto e tecnologia para garantir diferenciação e competitividade de longo prazo, estão crescendo
• Previsões de demanda e análises financeiras mais sofisticadas com IA/machine learning tornaram-se essenciais, mas a incerteza das previsões ainda é muito alta

---

A adoção de IA e a mudança no papel do CFO

• A adoção de IA está provocando mudanças fundamentais na operação das empresas, e os CFOs estão usando ativamente ferramentas de automação, como copilotos de IA
• Eles enfrentam diversos desafios, como crescimento acelerado, novas estruturas de custo e modelos de precificação complexos

1. Mudança na precificação: de assinatura para desempenho e consumo

• A migração do modelo de assinatura para preços centrados em uso ou desempenho está acontecendo rapidamente
  • Databricks: cobra apenas pelo valor que o cliente realmente obtém, adotando um modelo de reconhecimento de receita baseado em output, e não em input

    "O maior diferencial da Databricks é que a precificação e o reconhecimento de receita são totalmente baseados no output. Se o cliente não obtiver valor, ele não usa, e então a receita não aparece no P&L."
    — Dave Conte, CFO, Databricks

  • ElevenLabs: introduziu uma estrutura de desconto dinâmico em que o preço unitário cai automaticamente à medida que aumenta o comprometimento do cliente, incentivando alta fidelidade

    "Nossa política de preços é baseada no aumento do lucro absoluto, mas, à medida que o comprometimento do cliente cresce, o preço unitário cai automaticamente. Com a calculadora de preços, o desconto é aplicado automaticamente, o que incentiva compromissos maiores e reduz o risco de receita."
    — Maciej Mylik, Finance, ElevenLabs

  • Concourse: testou mudanças de preço mais de 7 vezes em 40 dias após o lançamento, iterando rapidamente a precificação de acordo com a resposta do mercado

    "Nos 40 dias após o lançamento, mudamos os preços mais de sete vezes. Isso ajudou muito a entender o mercado e a disposição dos clientes para pagar. Mesmo agora, o preço ainda é só um slide de apresentação, e pretendemos continuar testando e melhorando."
    — Matthieu Hafemeister, Cofounder, Concourse

2. Adoção de novas métricas de ARR (receita recorrente anual)

• As métricas tradicionais de ARR têm dificuldade para refletir a receita de modelos baseados em uso
  • ElevenLabs: mede a receita real com mais precisão ao somar ARR comprometido + uso anualizado (Annualized Usage)

    "Clientes enterprise frequentemente excedem a cota, então anualizamos a receita baseada em uso e a somamos a uma nova métrica — ARR mais uso anualizado. Caso contrário, acabamos subestimando a receita que realmente geramos."
    — Maciej Mylik, Finance, ElevenLabs

  • Ambient.ai: apontou a realidade de que, em modelos baseados em uso, a própria definição de ARR já não é mais clara

    "Em um modelo baseado em consumo, é preciso pensar em como definir ARR. Mesmo havendo compromisso contratual, o uso real varia mês a mês, o que torna difícil manter a definição tradicional de ARR."
    — Noah Barr, CFO, Ambient.ai

  • Databricks: usa IA ativamente para distribuir e prever a volatilidade não linear do uso

    "No modelo SaaS, a receita é linear, mas, no modelo baseado em consumo, ela é inerentemente não linear. Os clientes disparam o uso e depois otimizam. Nós nos concentramos em diversificar a concentração de clientes e em usar IA para prever o verdadeiro ARR baseado em consumo."
    — Dave Conte, CFO, Databricks

3. Mudanças na estrutura de custos e pressão sobre margens

• A maioria das startups de IA depende de grandes modelos externos, como OpenAI, Anthropic e Mistral, e isso aumenta custos variáveis como tokens e chamadas de API
  • ElevenLabs: quando os custos de infraestrutura crescem mais rápido que o uso, engenheiros entram imediatamente para otimizar

    "Se os custos de infraestrutura crescem mais rápido do que o uso, os engenheiros entram imediatamente em trabalho de otimização. O ciclo de gestão da eficiência de custos continua o tempo todo."
    — Maciej Mylik, Finance, ElevenLabs

  • Together AI: ajusta com flexibilidade preços e empacotamento considerando de forma integrada estrutura de custos, preço unitário, concorrência e exigências dos clientes

    "A definição de preços considera o valor para o cliente, benchmarking com concorrentes e análise de custos e receita. Como a infraestrutura de IA muda rapidamente, isso sempre precisa ser revisto. Ajustamos preços e pacotes de forma criativa conforme a demanda do cliente, a duração do contrato e a escala."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Empresas que treinam seus próprios modelos também precisam gerenciar custos fixos de GPU e tempo ocioso, já que tempo de GPU não utilizado afeta diretamente as margens

    "É preciso monitorar cuidadosamente os custos de GPU. Tempo ocioso de GPU representa perda de utilização e afeta diretamente margens e eficiência. Cada momento em que o cliente não usa reduz a margem."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Novos tipos de custo, como fine-tuning e HILT(Human-in-the-loop), também entram na conta, tornando a otimização de eficiência ainda mais importante

    "Nós incluímos a equipe de HILT(human-in-the-loop) no COGS. À medida que o algoritmo melhora, o número de decisões válidas por pessoa aumenta e o custo unitário cai, mas ainda é preciso ajustar a taxa de false positives para gerenciar o risco."
    — Noah Barr, CFO, Ambient.ai

4. Avaliação de ROI e investimentos no futuro

• À medida que a IA comoditiza rapidamente funcionalidades principais, investimentos voltados ao futuro e diferenciação de longo prazo tornam-se indispensáveis
  • Databricks: destacou que até P&D que não se converte imediatamente em receita pode contribuir fortemente para adoção e crescimento no longo prazo

    "Nem todo projeto de P&D se transforma imediatamente em receita, mas usamos análise preditiva para medir como determinadas funcionalidades, como o Unity Catalog, contribuem para a adoção e o crescimento dos clientes."
    — Dave Conte, CFO, Databricks

  • Together AI: afirmou que investimentos em pesquisa acabam se conectando à competitividade de longo prazo, como redução de custos de infraestrutura e melhora de desempenho

    "Projetos de pesquisa não se conectam diretamente à receita de imediato, mas desempenham um papel importante na diferenciação de longo prazo, no desenvolvimento de produto e no lock-in de clientes. Por exemplo, investimos em pesquisa relacionada a kernels e conseguimos diferenciação por meio de redução de custos de infraestrutura e melhoria de desempenho."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • ElevenLabs: como funções isoladas, como text-to-speech, em breve serão comoditizadas, camadas de produto mais avançadas — como workflows e APIs — serão essenciais para o lock-in do cliente

    "Text-to-speech acabará virando commodity. Para manter competitividade no longo prazo, são necessárias camadas de produto mais avançadas, como workflows, recursos baseados em dados e APIs, para dificultar a saída dos clientes."
    — Maciej Mylik, Finance, ElevenLabs

5. Previsões financeiras avançadas com base em IA

• Em um mercado em constante mudança, previsões financeiras precisas são difíceis, e análises baseadas em IA/ML tornaram-se indispensáveis
  • Together AI: afirmou que no setor de IA é difícil prever até mesmo os próximos 12 meses, e que gestão de mudança e risco está no centro da estratégia financeira

    "No setor de IA, é difícil até prever 12 meses à frente. As mudanças são rápidas demais e novos casos de uso surgem continuamente. É preciso ter flexibilidade e refletir essas mudanças na gestão de risco. Em IA, a única certeza é a própria mudança."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Databricks: usa sua própria plataforma de IA/ML para executar previsões sofisticadas, como previsão de consumo por cliente, workload e produto, além de definir cotas da equipe de vendas

    "Usamos a própria Databricks (IA, ML e analytics avançado) para prever padrões de consumo por cliente, workload e produto. Isso é importante não só para previsões financeiras, mas também para definir cotas de uma grande equipe de vendas. Esse nível de precisão é impossível no Excel; só é viável com IA/ML."
    — Dave Conte, CFO, Databricks

  • O produto de consulta em linguagem natural (Genie) também fica cada vez mais inteligente ao usar e aprender com os próprios dados

    "Temos um produto chamado Genie, que extrai respostas quando você faz perguntas em linguagem natural ao data lake. Quanto mais ele é usado, melhor o Genie entende os dados do cliente e mais inteligente ele fica."
    — Dave Conte, CFO, Databricks

  • ElevenLabs: mencionou que nenhuma empresa resolveu completamente a previsão de receita em IA, e que ela é usada mais como sanity check do que como número exato

    "Ainda não existe empresa que tenha resolvido completamente a previsão de receita em IA. O mercado muda rápido demais, e as previsões são usadas mais como sanity check do que como número exato."
    — Maciej Mylik, Finance, ElevenLabs

Conclusão

• A IA está mudando rapidamente as definições e as formas de análise de toda a estrutura financeira, de precificação e de receita
• Como os frameworks financeiros tradicionais já não bastam, os CFOs precisam de tomada de decisão orientada por dados e por IA/ML, gestão flexível de preços e custos, investimento em competitividade de longo prazo e capacidade avançada de gestão de risco