- Việc áp dụng AI đang khiến vai trò của Giám đốc tài chính (CFO) thay đổi nhanh chóng, đồng thời thúc đẩy đổi mới trên mọi mặt trận như định giá, dự báo, cấu trúc doanh thu và quản lý chi phí
- Sự chuyển dịch từ mô hình thuê bao sang định giá theo kết quả và theo mức tiêu thụ đang diễn ra rất nhanh, kéo theo việc phổ biến các chỉ số ARR (doanh thu định kỳ hằng năm) mới và các mô hình lai phù hợp hơn
- Dịch vụ AI có chi phí biến đổi lớn như token, lượt gọi API, đồng thời mức sử dụng và cấu trúc chi phí theo từng khách hàng rất đa dạng, làm độ phức tạp của việc định giá và dự báo doanh thu tăng mạnh
- Giá trị chiến lược của R&D và đầu tư cho tương lai, cũng như nhu cầu đầu tư vào sản phẩm và công nghệ để tạo khác biệt và duy trì năng lực cạnh tranh dài hạn, đang ngày càng lớn
- Dự báo nhu cầu và phân tích tài chính nâng cao bằng AI/machine learning đã trở thành điều bắt buộc, nhưng mức độ bất định trong dự báo vẫn còn rất cao
AI được áp dụng và sự thay đổi trong vai trò của CFO
- Việc áp dụng AI đang tạo ra những thay đổi mang tính bản chất trong vận hành doanh nghiệp, và CFO đang tích cực sử dụng các công cụ tự động hóa như AI copilot
- Họ phải đối mặt với nhiều thách thức như tăng trưởng quá nhanh, cấu trúc chi phí mới và các mô hình định giá phức tạp
1. Thay đổi trong định giá: từ thuê bao sang theo kết quả và mức tiêu thụ
- Đang có sự dịch chuyển nhanh từ mô hình thuê bao sang định giá dựa trên mức sử dụng hoặc kết quả
- Databricks: chỉ tính phí theo giá trị thực tế mà khách hàng nhận được, áp dụng mô hình ghi nhận doanh thu dựa trên đầu ra thay vì đầu vào
> "Điểm khác biệt lớn nhất của Databricks là định giá và ghi nhận doanh thu hoàn toàn dựa trên đầu ra. Nếu khách hàng không nhận được giá trị thì họ sẽ không sử dụng, và khi đó doanh thu sẽ không xuất hiện trên P&L."
> — Dave Conte, CFO, Databricks
- ElevenLabs: tự động giảm đơn giá khi mức cam kết của khách hàng tăng, triển khai cấu trúc chiết khấu động để thúc đẩy mức độ trung thành cao hơn
> "Chính sách giá của chúng tôi dựa trên việc tăng lợi nhuận tuyệt đối, nhưng khi mức cam kết của khách hàng tăng thì đơn giá sẽ tự động giảm. Công cụ tính giá sẽ tự áp dụng chiết khấu, từ đó khuyến khích các cam kết lớn hơn và giảm rủi ro doanh thu."
> — Maciej Mylik, Finance, ElevenLabs
- Concourse: thử nghiệm thay đổi giá hơn 7 lần trong 40 ngày sau khi ra mắt, nhanh chóng lặp lại và cải thiện giá theo phản ứng thị trường
> "Trong 40 ngày sau khi ra mắt, chúng tôi đã thay đổi giá hơn 7 lần. Điều đó giúp ích rất nhiều trong việc hiểu thị trường và mức sẵn sàng chi trả của khách hàng. Ngay cả bây giờ, giá vẫn chỉ là một slide thuyết trình, và chúng tôi sẽ tiếp tục thử nghiệm cũng như cải thiện."
> — Matthieu Hafemeister, Cofounder, Concourse
2. Áp dụng các chỉ số ARR mới
- Chỉ với ARR truyền thống thì khó phản ánh doanh thu của mô hình dựa trên mức sử dụng
- ElevenLabs: cộng ARR cam kết + mức sử dụng quy đổi theo năm (Annualized Usage) để đo chính xác doanh thu thực tế
> "Khách hàng enterprise thường xuyên vượt quota, vì vậy chúng tôi quy đổi doanh thu theo mức sử dụng ra hằng năm và cộng vào một chỉ số mới — ARR cộng mức sử dụng hằng năm. Nếu không làm vậy, bạn sẽ đánh giá thấp doanh thu thực sự kiếm được."
> — Maciej Mylik, Finance, ElevenLabs
- Ambient.ai: đề cập thực tế rằng “trong mô hình dựa trên mức sử dụng, ngay cả định nghĩa của ARR cũng không còn rõ ràng nữa”
> "Trong mô hình dựa trên tiêu thụ, chúng ta phải suy nghĩ lại về cách định nghĩa ARR. Dù có cam kết đi nữa, mức sử dụng thực tế vẫn thay đổi theo từng tháng, nên định nghĩa ARR truyền thống trở nên khó áp dụng."
> — Noah Barr, CFO, Ambient.ai
- Databricks: tích cực sử dụng AI để phân tán và dự báo biến động mức sử dụng phi tuyến
> "Mô hình SaaS có doanh thu tuyến tính, nhưng mô hình dựa trên tiêu thụ thì về bản chất là phi tuyến. Khách hàng có thể tăng vọt rồi lại tối ưu hóa. Chúng tôi tập trung vào việc phân tán mức độ tập trung khách hàng và dùng AI để dự báo ARR thực sự của mô hình tiêu thụ."
> — Dave Conte, CFO, Databricks
3. Thay đổi cấu trúc chi phí và áp lực lên biên lợi nhuận
- Phần lớn startup AI phụ thuộc vào các mô hình lớn bên ngoài như OpenAI, Anthropic, Mistral, khiến chi phí biến đổi như token và lượt gọi API tăng lên
- ElevenLabs: nếu chi phí hạ tầng tăng nhanh hơn mức sử dụng, kỹ sư sẽ lập tức tham gia tối ưu hóa
> "Nếu chi phí hạ tầng tăng nhanh hơn mức sử dụng, kỹ sư sẽ ngay lập tức tham gia tối ưu hóa. Chu trình quản lý hiệu quả chi phí này diễn ra liên tục."
> — Maciej Mylik, Finance, ElevenLabs
- Together AI: linh hoạt điều chỉnh giá và đóng gói dựa trên tổng hợp cấu trúc chi phí, đơn giá, cạnh tranh và nhu cầu khách hàng
> "Việc định giá được thực hiện bằng cách cân nhắc đồng thời giá trị với khách hàng, benchmark đối thủ, phân tích chi phí và doanh thu. Vì hạ tầng AI thay đổi rất nhanh nên luôn cần xem xét lại. Tùy theo nhu cầu khách hàng, thời hạn hợp đồng và quy mô, chúng tôi điều chỉnh giá và gói dịch vụ một cách linh hoạt và sáng tạo."
> — Hanson Hermsmeier, VP of Corporate Finance, Together AI
- Với các công ty tự huấn luyện mô hình, quản lý chi phí cố định của GPU và thời gian nhàn rỗi cũng là yếu tố cốt lõi (thời gian GPU không được sử dụng sẽ tác động trực tiếp đến biên lợi nhuận)
> "Bạn phải theo dõi chi phí GPU rất cẩn thận. Thời gian GPU không được sử dụng là phần công suất bị lãng phí, tác động trực tiếp đến biên lợi nhuận và hiệu quả. Mỗi khoảng thời gian khách hàng không dùng đến là mỗi lần biên lợi nhuận bị bào mòn."
> — Hanson Hermsmeier, VP of Corporate Finance, Together AI
- Các loại chi phí mới như fine-tuning, HILT (Human-in-the-loop) cũng được bổ sung, khiến việc tối ưu hiệu quả trở nên quan trọng hơn
> "Chúng tôi đưa đội HILT (human-in-the-loop) vào COGS để quản lý. Khi thuật toán được cải thiện, số lượng phán định hiệu quả trên mỗi người tăng lên và đơn giá giảm xuống, nhưng vẫn cần điều chỉnh tỷ lệ false positive để quản trị rủi ro."
> — Noah Barr, CFO, Ambient.ai
4. Đánh giá ROI và đầu tư cho tương lai
- Khi AI nhanh chóng biến các tính năng chủ chốt thành hàng hóa phổ thông (commoditize), đầu tư hướng tới tương lai và tạo khác biệt dài hạn trở thành điều bắt buộc
- Databricks: nhấn mạnh rằng “ngay cả R&D chưa tạo ra doanh thu tức thì cũng có thể đóng góp lớn cho mức độ chấp nhận và tăng trưởng trong dài hạn”
> "Không phải mọi dự án R&D đều ngay lập tức chuyển thành doanh thu, nhưng thông qua phân tích dự báo, chúng tôi đo lường cách một tính năng cụ thể (ví dụ: Unity Catalog) đóng góp vào mức độ chấp nhận của khách hàng và tăng trưởng."
> — Dave Conte, CFO, Databricks
- Together AI: đề cập rằng đầu tư nghiên cứu cuối cùng sẽ dẫn đến việc giảm chi phí hạ tầng, cải thiện hiệu năng và củng cố năng lực cạnh tranh dài hạn
> "Các dự án nghiên cứu không tạo doanh thu ngay lập tức, nhưng đóng vai trò lớn trong khác biệt hóa dài hạn, phát triển sản phẩm và tăng độ gắn chặt của khách hàng. Ví dụ, chúng tôi đầu tư vào nghiên cứu liên quan đến kernel để tạo ra khác biệt thông qua việc giảm chi phí hạ tầng và cải thiện hiệu năng."
> — Hanson Hermsmeier, VP of Corporate Finance, Together AI
- ElevenLabs: các tính năng đơn lẻ như text-to-speech sẽ sớm bị hàng hóa hóa, vì vậy các lớp sản phẩm nâng cao như workflow và API là thiết yếu để tạo lock-in khách hàng
> "Text-to-speech cuối cùng sẽ trở thành hàng hóa phổ thông. Để duy trì năng lực cạnh tranh dài hạn, cần có các lớp sản phẩm nâng cao như workflow, tính năng dựa trên dữ liệu và API; nhờ đó khách hàng sẽ không dễ rời bỏ."
> — Maciej Mylik, Finance, ElevenLabs
5. Dự báo tài chính nâng cao dựa trên AI
- Trong một thị trường thay đổi liên tục, việc dự báo tài chính chính xác là rất khó, và phân tích dựa trên AI/ML đã trở thành bắt buộc
- Together AI: cho biết “ngay cả 12 tháng sau trong ngành AI cũng khó dự báo, và quản lý thay đổi cùng rủi ro là trung tâm của chiến lược tài chính”
> "Trong ngành AI, ngay cả việc dự báo 12 tháng sau cũng rất khó. Mọi thứ thay đổi quá nhanh, và các use case mới liên tục xuất hiện. Bạn phải giữ sự linh hoạt và phản ánh thay đổi đó vào quản trị rủi ro. Điều duy nhất chắc chắn trong AI chính là sự thay đổi."
> — Hanson Hermsmeier, VP of Corporate Finance, Together AI
- Databricks: sử dụng chính nền tảng AI/ML của mình để thực hiện dự báo mức tiêu thụ theo từng khách hàng, workload, sản phẩm và thiết lập quota cho đội ngũ sales
> "Chúng tôi sử dụng chính Databricks (AI, ML, phân tích nâng cao) để dự báo mô hình tiêu thụ theo khách hàng, workload và sản phẩm. Điều này quan trọng không chỉ với dự báo tài chính mà còn với việc thiết lập quota cho đội ngũ sales lớn. Excel không thể tạo ra kiểu dự báo chính xác như vậy; chỉ AI/ML mới làm được."
> — Dave Conte, CFO, Databricks
- Sản phẩm truy vấn ngôn ngữ tự nhiên (Genie) cũng ngày càng thông minh hơn nhờ khai thác và học từ dữ liệu nội bộ
> "Chúng tôi có một sản phẩm tên là Genie; khi bạn đặt câu hỏi bằng ngôn ngữ tự nhiên với data lake, nó sẽ trích xuất câu trả lời. Càng được sử dụng nhiều, Genie càng hiểu dữ liệu của khách hàng tốt hơn và ngày càng thông minh hơn."
> — Dave Conte, CFO, Databricks
- ElevenLabs: cho biết “chưa có công ty nào giải quyết hoàn toàn bài toán dự báo doanh thu AI, và nó được dùng như một sanity check hơn là con số chính xác tuyệt đối”
> "Cho đến nay vẫn chưa có nơi nào giải quyết trọn vẹn việc dự báo doanh thu AI. Thị trường thay đổi quá nhanh, nên dự báo được dùng nhiều hơn như một sanity check (kiểm tra tính hợp lý) thay vì một con số chính xác tuyệt đối."
> — Maciej Mylik, Finance, ElevenLabs
Kết luận
- AI đang khiến định nghĩa và cách phân tích toàn bộ cấu trúc tài chính, định giá và doanh thu thay đổi nhanh chóng
- Khi các khung tài chính truyền thống không còn hiệu quả, CFO cần có năng lực ra quyết định dựa trên AI/ML và dữ liệu, quản lý giá và chi phí linh hoạt, đầu tư cho năng lực cạnh tranh dài hạn, cùng khả năng quản trị rủi ro nâng cao
Chưa có bình luận nào.