Cómo los CFO navegan crecimiento, precios y pronósticos en la era de la IA

• Con la adopción de la IA, el rol del director financiero (CFO) está cambiando drásticamente, y todas las áreas —como fijación de precios, pronósticos, estructura de ingresos y gestión de costos— se están transformando
• La transición de modelos por suscripción a precios basados en resultados o consumo avanza rápidamente, y se está expandiendo la adopción de nuevos indicadores de ARR (ingresos recurrentes anuales) y modelos híbridos acordes a este cambio
• Los servicios de IA tienen altos costos variables, como tokens y llamadas a API, y la estructura de uso y costos varía mucho entre clientes, lo que incrementa fuertemente la complejidad de los precios y de la proyección de ingresos
• Está creciendo la importancia del valor estratégico de I+D y de las inversiones a futuro, así como la necesidad de invertir en producto y tecnología para lograr diferenciación y competitividad de largo plazo
• Los pronósticos de demanda y el análisis financiero avanzados con IA/machine learning se volvieron indispensables, aunque la incertidumbre de las proyecciones sigue siendo muy alta

---

La adopción de IA y el cambio en el rol del CFO

• La adopción de IA está generando cambios fundamentales en la operación de las empresas, y los CFO están usando activamente herramientas de automatización como copilotos de IA
• Enfrentan múltiples desafíos, como crecimiento acelerado, nuevas estructuras de costos y modelos de precios complejos

1. Cambio en la fijación de precios: de suscripción a resultados y consumo

• Rápido cambio desde la suscripción hacia precios centrados en uso o resultados
  • Databricks: cobra solo en la medida en que el cliente obtiene valor real, aplicando un modelo de reconocimiento de ingresos basado en output, no en input

    "La mayor diferenciación de Databricks es que nuestra fijación de precios y reconocimiento de ingresos se basan completamente en el output. Si el cliente no obtiene valor, no usa el producto, y entonces los ingresos no aparecen en el P&L."
    — Dave Conte, CFO, Databricks

  • ElevenLabs: introdujo una estructura de descuentos dinámica que reduce automáticamente el precio unitario a medida que aumenta el compromiso del cliente, fomentando una alta fidelidad

    "Nuestra política de precios se basa en el aumento de la ganancia absoluta, pero a medida que crece el compromiso del cliente, el precio unitario baja automáticamente. El descuento se aplica de forma automática mediante la calculadora de precios, lo que incentiva compromisos mayores y reduce el riesgo de ingresos."
    — Maciej Mylik, Finance, ElevenLabs

  • Concourse: experimentó con cambios de precio más de 7 veces en 40 días tras el lanzamiento, iterando rápidamente según la reacción del mercado

    "Durante los 40 días posteriores al lanzamiento cambiamos los precios más de 7 veces. Eso nos ayudó mucho a entender el mercado y la disposición de pago de los clientes. Incluso ahora, el precio no es más que una diapositiva de presentación; pensamos seguir experimentando y mejorándolo."
    — Matthieu Hafemeister, Cofounder, Concourse

2. Introducción de nuevos indicadores de ARR (ingresos recurrentes anuales)

• Los indicadores tradicionales de ARR ya no reflejan bien los ingresos de modelos basados en uso
  • ElevenLabs: mide mejor los ingresos reales sumando ARR comprometido + uso anualizado (Annualized Usage)

    "Los clientes enterprise suelen superar con frecuencia sus cuotas, así que anualizamos los ingresos basados en uso y los sumamos a una nueva métrica: ARR más uso anualizado. De lo contrario, terminaríamos subestimando los ingresos que realmente obtenemos."
    — Maciej Mylik, Finance, ElevenLabs

  • Ambient.ai: señaló la realidad de que “en un modelo basado en uso, la propia definición de ARR ya no es clara”

    "En un modelo de consumo, hay que replantearse cómo definir ARR. Incluso si hay un compromiso contractual, el uso real cambia cada mes, así que la definición tradicional de ARR se vuelve difícil de aplicar."
    — Noah Barr, CFO, Ambient.ai

  • Databricks: usa activamente IA para distribuir y predecir la volatilidad no lineal del consumo

    "En el modelo SaaS, los ingresos son lineales, pero en un modelo basado en consumo son inherentemente no lineales. Los clientes se disparan y luego optimizan. Nosotros nos enfocamos en diversificar la concentración de clientes y usar IA para predecir el verdadero ARR basado en consumo."
    — Dave Conte, CFO, Databricks

3. Cambios en la estructura de costos y presión sobre los márgenes

• La mayoría de las startups de IA dependen de grandes modelos externos como OpenAI, Anthropic y Mistral, por lo que aumentan los costos variables como tokens y llamadas a API
  • ElevenLabs: si los costos de infraestructura crecen más rápido que el uso, los ingenieros entran de inmediato a optimizar

    "Si los costos de infraestructura aumentan más rápido que el uso, los ingenieros se involucran de inmediato en tareas de optimización. Es un ciclo continuo de gestión de eficiencia de costos."
    — Maciej Mylik, Finance, ElevenLabs

  • Together AI: ajusta precios y empaquetado con flexibilidad considerando de forma integral estructura de costos, precio unitario, competencia y necesidades del cliente

    "La fijación de precios se define considerando el valor para el cliente, benchmarking frente a competidores y análisis de costos e ingresos. Como la infraestructura de IA cambia muy rápido, siempre hay que volver a revisarla. Ajustamos creativamente precios y paquetes según las necesidades del cliente, la duración del contrato y la escala."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • En las empresas que entrenan modelos propios, también es clave gestionar el costo fijo de las GPU y el tiempo ocioso (el tiempo no utilizado de GPU afecta directamente el margen)

    "Hay que monitorear cuidadosamente los costos de GPU. El tiempo ocioso de GPU es pérdida de utilización y afecta directamente los márgenes y la eficiencia. Cada momento en que el cliente no usa la capacidad reduce el margen."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • También se incluyen nuevos tipos de costos como fine-tuning y HILT(Human-in-the-loop), por lo que optimizar la eficiencia es fundamental

    "Nosotros incluimos al equipo de HILT (human-in-the-loop) dentro de COGS. A medida que mejora el algoritmo, aumenta la cantidad de decisiones válidas por persona y baja el costo unitario, pero aun así hay que ajustar la tasa de false positives para gestionar el riesgo."
    — Noah Barr, CFO, Ambient.ai

4. Evaluación del ROI e inversión a futuro

• A medida que la IA convierte rápidamente funciones clave en commodities, se vuelven esenciales las inversiones orientadas al futuro y la diferenciación de largo plazo
  • Databricks: destacó que “incluso la I+D que no se traduce de inmediato en ingresos contribuye mucho a la adopción y al crecimiento en el largo plazo”

    "No todos los proyectos de I+D se convierten inmediatamente en ingresos, pero mediante análisis predictivo medimos cómo ciertas funciones (por ejemplo, Unity Catalog) contribuyen a la adopción por parte de los clientes y al crecimiento."
    — Dave Conte, CFO, Databricks

  • Together AI: mencionó que la inversión en investigación termina traduciéndose en competitividad de largo plazo, como reducción de costos de infraestructura y mejora de rendimiento

    "Los proyectos de investigación no se traducen directamente en ingresos de inmediato, pero cumplen un papel muy importante en la diferenciación de largo plazo, el desarrollo de producto y el lock-in de clientes. Por ejemplo, invertimos en investigación relacionada con kernels y logramos diferenciación mediante reducción de costos de infraestructura y mejora del rendimiento."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • ElevenLabs: como funciones individuales como text-to-speech pronto se volverán commodities, capas de producto más avanzadas como workflows y APIs son esenciales para el lock-in del cliente

    "Text-to-speech eventualmente se convertirá en un commodity. Para sostener la competitividad a largo plazo, hacen falta capas de producto más avanzadas como workflows, funciones basadas en datos y APIs, y eso permite que los clientes no puedan irse fácilmente."
    — Maciej Mylik, Finance, ElevenLabs

5. Pronósticos financieros avanzados basados en IA

• En un mercado que cambia constantemente, es difícil hacer pronósticos financieros precisos, y el análisis basado en IA/ML se volvió indispensable
  • Together AI: afirmó que “en la industria de IA es difícil incluso predecir 12 meses hacia adelante, y gestionar el cambio y el riesgo está en el centro de la estrategia financiera”

    "En la industria de IA es difícil incluso predecir lo que pasará dentro de 12 meses. Los cambios son demasiado rápidos y siguen apareciendo nuevos casos de uso. Hay que tener flexibilidad e incorporar el cambio en la gestión de riesgos. En IA, lo único seguro es el cambio mismo."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Databricks: usa su propia plataforma de IA/ML para realizar pronósticos avanzados como predicción de consumo por cliente, workload y producto, además de fijación de cuotas para el equipo de ventas

    "Usamos Databricks mismo (IA, ML y analítica avanzada) para predecir patrones de consumo por cliente, workload y producto. Eso no solo es importante para el pronóstico financiero, sino también para establecer cuotas para un gran equipo de ventas. Con Excel no se puede lograr este nivel de precisión; solo es posible con IA/ML."
    — Dave Conte, CFO, Databricks

  • El producto de consultas en lenguaje natural (Genie) también se vuelve más inteligente al aprovechar y aprender de sus propios datos

    "Tenemos un producto llamado Genie, que extrae respuestas cuando le haces preguntas en lenguaje natural al data lake. Cuanto más se usa, mejor entiende los datos del cliente y más inteligente se vuelve."
    — Dave Conte, CFO, Databricks

  • ElevenLabs: señaló que “ninguna empresa ha resuelto por completo el pronóstico de ingresos en IA, y se usa más como sanity check que como cifra exacta”

    "Todavía no hay ninguna empresa que haya resuelto por completo el pronóstico de ingresos en IA. El mercado cambia demasiado rápido, y los pronósticos se usan más como sanity check que como una cifra exacta."
    — Maciej Mylik, Finance, ElevenLabs

Conclusión

• La IA está cambiando rápidamente la definición y la forma de analizar toda la estructura financiera, de precios y de ingresos
• Como los marcos financieros tradicionales ya no funcionan igual, los CFO deben contar con toma de decisiones basada en datos e IA/ML, gestión flexible de precios y costos, inversión en competitividad de largo plazo y capacidades avanzadas de gestión de riesgos