首席财务官圆桌会议：AI 增长、定价与预测（2025 年 6 月金融科技简报）

Databricks 的显著差异在于，我们的定价和收入确认完全基于产出结果，这与传统的投入型用量模式截然不同。如果客户未能获得价值，就不会产生用量，我们的损益表上也就不会体现相应收入。

我们的定价机制设计为绝对利润增长但利润率百分比下降的模式——随着客户承诺用量的增加，我们会降低单价。通过定价计算器自动给予折扣，以激励客户做出更大承诺。锁定客户更高消费有助于我们降低收入风险。

我在产品上线后的40天内调整了超过7次定价方案。这极大地帮助我理解市场反应和客户付费意愿。目前定价方案只是我演示文档中的一页——我将持续迭代优化。

我们开始将基于使用量的收入进行年化计算，并纳入新指标——ARR 加年化使用量，因为企业客户超配额使用的情况极为普遍。若不这样做，我们就会低估实际收入。

在基于使用量的模式下，如何看待年度经常性收入（ARR）？可能存在合约关系，但实际使用量每月波动，这使得传统 ARR 定义面临挑战。

与 SaaS 模式下收入趋于线性的特点不同，按量付费模式本质上是非线性的——客户会先激增，随后进入优化阶段。我们通过高度分散客户群体来避免集中风险，从而应对这种波动性…我们密切跟踪合同价值，并运用人工智能技术来理解和预测基于实际使用量的年度经常性收入。

我们密切监控基础设施支出，一旦成本增速超过使用量增长，就会立即派出工程师进行优化——这是一个持续循环的成本效率管理过程。

我们通过客户价值定位、竞品对标分析以及成本收益测算来综合制定定价策略。鉴于 AI 基础设施和软件的快速迭代，我们会持续进行动态评估……只要确保单位经济效益，我们经常根据客户需求、合作周期和交易规模灵活调整定价方案。

必须严格控制成本——GPU 开支非常可观。我们将 GPU 闲置时间计入利用率损耗，这会直接影响利润率和运营效率。客户未使用的每一小时 GPU 资源都在侵蚀我们的利润空间。

我们拥有一支人机协同（HILT）团队，属于销售成本（COGS）的一部分。随着算法改进，单个人力完成的裁定效率提升，单位成本下降，但我们仍需偏向误报以控制风险。

研究项目或许无法直接转化为即时收益，但它们能创造显著的长期差异化优势、推动产品开发并增强用户黏性，这在竞争激烈的市场中至关重要。例如，我们在内核技术研究上的投入，如今使我们能为客户提供独特的差异化方案，帮助他们降低基础设施成本并提升性能。

纯文本转语音技术终将沦为大宗商品。要构建长期护城河，我们需要打造精密的附加产品层——包括工作流系统、数据密集型功能以及 API 接口——让客户深度融入生态体系，形成难以迁移的转换成本。

当前在人工智能领域，即便是规划12个月后的发展也充满挑战。创新持续涌现，新应用场景快速浮现。企业必须保持敏捷，将变化纳入风险管理策略的考量范畴……人工智能领域唯一不变的正是变化本身。模型迭代速度惊人，那些今天我们尚未设想的推理应用场景，一年后可能就会成为关键所在。

我们运用 Databricks 平台自身的人工智能、机器学习和高级分析功能，来预测客户、工作负载及产品层面的消费模式。这不仅对财务预测至关重要，更能为我们庞大的销售团队精准制定配额指标。…仅靠 Microsoft Excel 无法实现消费预测所需的精度——必须借助高级分析、机器学习和人工智能技术来构建这些预测模型。

我们开发了一款名为 Genie 的产品，其核心是自然语言查询功能。用户可以直接用自然语言在数据湖中输入问题，它就能提取答案。Genie 能理解您的数据结构，并且随着使用频率的增加，它会持续深化对您数据的认知和理解。

我认为目前还没有人完全攻克 AI 领域的收入预测难题。市场爆发式增长且瞬息万变，可靠的预测更像是合理性检验，而非精确的预判。