Comment les CFO naviguent entre croissance, tarification et prévisions à l’ère de l’IA

• Avec l’adoption de l’IA, le rôle du directeur financier (CFO) évolue rapidement, et tous les domaines sont en pleine transformation : tarification, prévisions, structure des revenus, gestion des coûts, etc.
• Le passage de l’abonnement à une tarification basée sur la performance ou la consommation s’accélère, avec l’adoption croissante de nouveaux indicateurs d’ARR (revenu récurrent annuel) et de modèles hybrides adaptés.
• Les services d’IA ont des coûts variables élevés, liés notamment aux tokens et aux appels API, et les structures d’usage et de coûts varient fortement selon les clients, ce qui accroît fortement la complexité de la tarification et des prévisions de revenus.
• La valeur stratégique de la R&D et des investissements d’avenir, ainsi que la nécessité d’investir dans les produits et les technologies pour se différencier et renforcer sa compétitivité à long terme, prennent de plus en plus d’importance.
• Il est désormais indispensable de s’appuyer sur des prévisions de la demande et des analyses financières avancées grâce à l’IA/au machine learning, même si l’incertitude des prévisions reste très élevée.

---

Adoption de l’IA et évolution du rôle du CFO

• L’adoption de l’IA transforme en profondeur les opérations des entreprises, et les CFO utilisent activement des outils d’automatisation comme les copilotes IA.
• Ils font face à de nombreux défis : croissance rapide, nouvelles structures de coûts, modèles tarifaires complexes, etc.

1. Évolution de la tarification : de l’abonnement à la performance et à la consommation

• Le marché passe rapidement de l’abonnement à une tarification centrée sur l’usage ou les résultats
  • Databricks : facture uniquement la valeur réellement obtenue par le client, avec un modèle de reconnaissance du revenu basé sur les résultats produits plutôt que sur les intrants

    "Le principal facteur de différenciation de Databricks est que la tarification et la reconnaissance du revenu reposent entièrement sur l’output, c’est-à-dire le résultat produit. Si le client n’obtient pas de valeur, il n’utilise pas le service, et dans ce cas le revenu n’apparaît pas dans le P&L."
    — Dave Conte, CFO, Databricks

  • ElevenLabs : met en place une structure de remises dynamique où le prix unitaire baisse automatiquement à mesure que l’engagement du client augmente, afin de renforcer la fidélité client

    "Notre politique tarifaire repose sur l’augmentation du profit absolu, mais le prix unitaire baisse automatiquement à mesure que l’engagement du client augmente. Grâce au calculateur de prix, les remises s’appliquent automatiquement, ce qui encourage des engagements plus importants et réduit le risque sur le chiffre d’affaires."
    — Maciej Mylik, Finance, ElevenLabs

  • Concourse : a expérimenté plus de 7 changements de prix en 40 jours après le lancement, en itérant rapidement selon la réaction du marché

    "Nous avons changé nos prix plus de sept fois durant les 40 jours qui ont suivi le lancement. Cela nous a beaucoup aidés à comprendre le marché et la disposition des clients à payer. Même aujourd’hui, nos prix ne sont encore qu’une slide de présentation, et nous comptons continuer à expérimenter et à les améliorer."
    — Matthieu Hafemeister, Cofounder, Concourse

2. Adoption de nouveaux indicateurs d’ARR (revenu récurrent annuel)

• Les indicateurs traditionnels d’ARR reflètent mal les revenus des modèles basés sur l’usage
  • ElevenLabs : mesure plus précisément ses revenus réels en additionnant l’ARR engagé + l’usage annualisé (Annualized Usage)

    "Les clients enterprise dépassent souvent leur quota, donc nous annualisons le chiffre d’affaires basé sur l’usage et l’ajoutons à un nouvel indicateur — l’ARR plus l’usage annualisé. Sinon, on sous-estime les revenus que l’on génère réellement."
    — Maciej Mylik, Finance, ElevenLabs

  • Ambient.ai : souligne qu’« avec un modèle basé sur l’usage, la définition même de l’ARR n’est plus vraiment claire »

    "Avec un modèle basé sur la consommation, il faut se demander comment définir l’ARR. Même lorsqu’il y a un engagement contractuel, l’usage réel varie chaque mois, ce qui rend la définition classique de l’ARR difficile à appliquer."
    — Noah Barr, CFO, Ambient.ai

  • Databricks : utilise activement l’IA pour répartir et prévoir la volatilité non linéaire de l’usage

    "Dans un modèle SaaS, les revenus sont linéaires, mais dans un modèle basé sur la consommation, ils sont fondamentalement non linéaires. Les clients connaissent des pics puis optimisent leur usage. Nous nous concentrons sur la diversification de l’exposition client et sur l’utilisation de l’IA pour prévoir un véritable ARR basé sur la consommation."
    — Dave Conte, CFO, Databricks

3. Évolution de la structure des coûts et pression sur les marges

• La plupart des startups IA dépendent de grands modèles externes comme OpenAI, Anthropic ou Mistral, ce qui augmente les coûts variables, notamment via les tokens et les appels API
  • ElevenLabs : lorsque les coûts d’infrastructure augmentent plus vite que l’usage, des ingénieurs sont immédiatement mobilisés pour optimiser

    "Si les coûts d’infrastructure augmentent plus vite que l’usage, les ingénieurs interviennent immédiatement pour optimiser. C’est un cycle continu de gestion de l’efficacité des coûts."
    — Maciej Mylik, Finance, ElevenLabs

  • Together AI : ajuste de manière flexible la tarification et le packaging en prenant en compte la structure des coûts, les prix unitaires, la concurrence et les besoins clients

    "La tarification est définie en prenant en compte à la fois la valeur pour le client, le benchmark concurrentiel, l’analyse des coûts et des revenus. Comme l’infrastructure IA évolue très vite, il faut la réévaluer en permanence. Nous adaptons de manière créative les prix et les packages selon les besoins du client, la durée du contrat et son ampleur."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Pour les entreprises qui entraînent leurs propres modèles, la gestion du coût fixe des GPU et des temps d’inactivité est aussi cruciale (les périodes de GPU inutilisés pèsent directement sur les marges)

    "Il faut surveiller de près les coûts GPU. Le temps GPU inutilisé représente une perte d’utilisation, avec un impact direct sur les marges et l’efficacité. Chaque période où le client n’utilise pas les ressources rogne la marge."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • De nouveaux types de coûts, comme le fine-tuning ou le HILT(Human-in-the-loop), s’ajoutent également, rendant l’optimisation de l’efficacité essentielle

    "Nous gérons l’équipe HILT(human-in-the-loop) comme faisant partie du COGS. À mesure que les algorithmes s’améliorent, le nombre de décisions valides par personne augmente, ce qui réduit le coût unitaire, mais il faut toujours ajuster le taux de faux positifs pour gérer le risque."
    — Noah Barr, CFO, Ambient.ai

4. Évaluation du ROI et investissements d’avenir

• À mesure que l’IA commoditise rapidement les fonctionnalités clés, les investissements tournés vers l’avenir et la différenciation de long terme deviennent indispensables
  • Databricks : insiste sur le fait que même une R&D qui ne génère pas de revenus immédiats peut fortement contribuer à l’adoption et à la croissance sur le long terme

    "Tous les projets de R&D ne se traduisent pas immédiatement par du chiffre d’affaires, mais grâce à l’analyse prédictive, nous mesurons comment certaines fonctionnalités — comme Unity Catalog — contribuent à l’adoption par les clients et à la croissance."
    — Dave Conte, CFO, Databricks

  • Together AI : explique que les investissements en recherche finissent par renforcer la compétitivité à long terme, via par exemple une baisse des coûts d’infrastructure ou une amélioration des performances

    "Les projets de recherche ne se traduisent pas immédiatement en revenus, mais ils jouent un rôle majeur dans la différenciation à long terme, le développement produit et l’ancrage des clients. Par exemple, nous avons investi dans la recherche liée aux kernels, ce qui nous a permis de nous différencier par une baisse des coûts d’infrastructure et une amélioration des performances."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • ElevenLabs : estime que des fonctionnalités isolées comme le text-to-speech vont rapidement devenir des commodités ; des couches produit plus avancées comme les workflows ou les API sont donc essentielles au lock-in client

    "Le text-to-speech finira par devenir une commodité. Pour préserver notre compétitivité à long terme, nous avons besoin de couches produit plus avancées — workflows, fonctionnalités basées sur les données, API — afin de faire en sorte que les clients ne puissent pas partir facilement."
    — Maciej Mylik, Finance, ElevenLabs

5. Prévisions financières avancées grâce à l’IA

• Dans un marché en mutation permanente, il est difficile de produire des prévisions financières précises, et les analyses fondées sur l’IA/ML deviennent indispensables
  • Together AI : explique que « dans le secteur de l’IA, il est déjà difficile de prévoir à 12 mois, et la gestion du changement et du risque est au cœur de la stratégie financière »

    "Dans l’industrie de l’IA, il est déjà difficile de prévoir ce qui se passera dans 12 mois. Les changements sont trop rapides et de nouveaux cas d’usage apparaissent en permanence. Il faut rester flexible et intégrer ces évolutions dans la gestion du risque. En IA, la seule certitude, c’est le changement."
    — Hanson Hermsmeier, VP of Corporate Finance, Together AI

  • Databricks : utilise sa propre plateforme IA/ML pour prévoir la consommation par client, workload et produit, ainsi que pour définir les quotas des équipes commerciales

    "Nous utilisons Databricks lui-même — IA, ML, analytics avancée — pour prévoir les schémas de consommation par client, workload et produit. Cela est important non seulement pour les prévisions financières, mais aussi pour définir les quotas d’une grande équipe commerciale. Ce niveau de précision est impossible avec Excel ; il n’est atteignable qu’avec l’IA/ML."
    — Dave Conte, CFO, Databricks

  • Le produit de requête en langage naturel (Genie) devient lui aussi de plus en plus intelligent grâce à l’usage de ses propres données et à l’apprentissage

    "Nous avons un produit appelé Genie : vous posez une question en langage naturel à un data lake, et il en extrait la réponse. Plus il est utilisé, mieux Genie comprend les données du client, et plus il devient intelligent."
    — Dave Conte, CFO, Databricks

  • ElevenLabs : souligne que « personne n’a encore complètement résolu la prévision des revenus de l’IA, et les prévisions servent davantage de sanity check que d’estimation parfaitement exacte »

    "Personne n’a encore complètement résolu la prévision des revenus dans l’IA. Le marché évolue trop vite, et les prévisions servent davantage de sanity check que de chiffre exact."
    — Maciej Mylik, Finance, ElevenLabs

Conclusion

• L’IA transforme rapidement la manière de définir et d’analyser la finance, la tarification et la structure des revenus dans leur ensemble
• Les cadres financiers traditionnels ne suffisant plus, les CFO doivent désormais maîtriser la prise de décision fondée sur les données et l’IA/ML, une gestion flexible des prix et des coûts, les investissements dans la compétitivité de long terme et des capacités avancées de gestion des risques