RAPPORT DE RECHERCHE SUR LA MONÉTISATION DE L'IA GÉNÉRATIVE
Perspectives d'avenir sur les métriques et modèles tarifaires de l'IA générative Analyse data-driven de plus de 70 offres d'entreprises
Analyse data-driven de plus de 70 offres d’entreprises
Auteur : Michael Mansard, Président EMEA de l'Institut Subscribed
Méthodologie : Cette analyse évolutive, basée sur les données, examine les stratégies de monétisation de plus de 70 entreprises proposant des solutions d’IA générative. La recherche, l’analyse et les recommandations s’appuient sur des informations publiques issues de communiqués de presse, d’articles et de sites web de fournisseurs, en date d’avril 2024.
Explorez les insights clés
Cliquez sur les liens ci-dessous pour approfondir les sujets qui vous intéressent :
Alors que l’intelligence artificielle (IA) et l’IA générative bouleversent de multiples secteurs, des stratégies de monétisation efficaces sont cruciales pour que les entreprises pérennisent l’adoption et stimulent la croissance. Trouver l’équilibre entre innovation et modèles de revenus durables, tout en garantissant la satisfaction client et la compétitivité, est désormais incontournable.
Dans cette série, nous avons analysé plus de 70 offres d’IA générative pour identifier les stratégies clés permettant d’équilibrer les facteurs essentiels au lancement d’une offre : surmonter les coûts monumentaux, favoriser l’adoption et capturer la valeur.
Nous avons également examiné les tendances majeures dans le positionnement et packaging
de ces offres d’IA générative, mettant en lumière les avantages et les défis des différentes décisions stratégiques de monétisation auxquelles les entreprises font face.
Dans cet article, nous explorons l’éventail des métriques et modèles tarifaires de l’IA générative, soulignant l’accélération vers des métriques basées sur l’usage et la consommation, ainsi que des stratégies axées sur la valeur, telles que les modèles hybrides. L’objectif est de mieux aligner les prix sur la valeur réelle délivrée aux clients, tout en se prémunissant contre les coûts.
Nous constatons que la tarification traditionnelle par siège ou par utilisateur, bien que répandue, ne suffit plus à capturer la valeur unique et dynamique de l’IA générative. En réalité, la solution ne réside probablement pas dans un modèle tarifaire unique. Au contraire, comme l’ont déjà découvert certains visionnaires du domaine, adopter une approche de Monétisation Totale pour l’IA générative nécessite une démarche continue de collecte de données et d’expérimentation, afin d’aboutir à une stratégie holistique (Exhibit 1).
Exhibit 1 : Apprendre et itérer pour atteindre la monétisation globale de l’IA générative
« Nous sommes résolument engagés dans la course à l’adoption, mais à mesure que les habitudes de consommation et les modèles de valeur se dessinent, nous anticipons une évolution continue des modèles tarifaires.»
– Colin Carroll, Responsable Tarification et Excellence Commerciale chez PwC
Section 1 : Tirer les enseignements des tendances des métriques de tarification de l’IA générative
Une métrique de tarification ou de valeur est un indicateur quantifiable servant de base à la tarification d’un produit ou service. Le choix de la métrique appropriée est crucial car elle doit idéalement aligner le prix du service avec la valeur qu’il apporte. Cela assure équité et transparence dans la tarification, impactant significativement la satisfaction et la fidélisation des clients.
Comme illustré ci-dessous, ces unités ou indicateurs vont des métriques déclaratives et d’engagement, telles que le « nombre d’utilisateurs », aux métriques basées sur l’utilisation, comme le « nombre de réponses de chat » (Exhibit 2).
Exhibit 2 : Les métriques de tarification de l’IA générative couvrent un large spectre
Éventail des options de métriques de tarification :
- Forfaitaire (sans métrique) : Modèles d’abonnement ne facturant pas selon une métrique spécifique. Cette approche est pertinente pour les produits destinés aux consommateurs et aux PME plutôt qu’aux grandes entreprises.
- Intrants : Focalisés sur les ressources nécessaires pour exécuter les processus d’IA générative, comme le nombre d’utilisateurs ou de sièges. Par exemple, GitHub facture par utilisateur pour son outil Copilot.
- Activités : Basées sur des actions spécifiques contribuant à un résultat, telles que le nombre de requêtes d’IA générative ou les heures GPU utilisées. Des entreprises comme C3.AI, par exemple, facturent par heure de processeur virtuel (vCPU). Le Copilot pour la Sécurité de Microsoft est facturé par heure d’unité de calcul de sécurité.
- Extrants : Liés aux résultats tangibles générés par les activités d’IA générative, tels que le nombre d’e-mails ou d’images créés. Adobe Firefly, un générateur d’images propulsé par l’IA, mesure l’utilisation en fonction du nombre d’images créées.
- Résultats : Mesurent l’impact commercial obtenu grâce à l’IA générative, tel que le pourcentage d’interactions clients réussies. Chargeback.com facture par rétrofacturation réussie et réglée en faveur du client.
Comme le montre l’Exhibit 2, une faible proportion des offres de notre étude repose sur un tarif forfaitaire, sans utiliser de métrique. Cependant, la majorité des entreprises semblent reconnaître que l’absence de métrique de tarification freine la croissance. Des études montrent que les entreprises utilisant une métrique croissent 30 % plus vite que celles qui n’en utilisent pas. Choisir la bonne métrique de tarification est crucial pour garantir l’équité, la transparence, une bonne capture de la valeur, ainsi que la satisfaction et la fidélisation des clients.
Bien que près de 50 % des offres se situent actuellement dans la catégorie basée sur les intrants (Exhibit 2), la situation est plus complexe. Comme nous le verrons dans la Section 2, certaines de ces offres basées sur le nombre de sièges intègrent déjà un certain niveau de mesure et de seuillage basés sur l’usage, en complément de la tarification par utilisateur.
Examinons d’abord de plus près ce que notre recherche révèle sur la manière dont les entreprises utilisent actuellement chacun de ces 4 types de métriques pour suivre et monétiser leurs offres d’IA générative.
Intrants
Notre étude a révélé que les métriques basées sur les intrants, telles que par utilisateur ou par siège, sont les plus répandues pour l’IA générative. En effet, ces métriques de tarification SaaS bien établies offrent une méthode familière et simple pour commercialiser rapidement de nouvelles offres, comme l’IA générative. En conséquence, les métriques basées sur les intrants sont utilisées par plus de la moitié des 70+ offres que nous avons analysées, en particulier pour les applications d’IA générative (Exhibit 3). Des exemples notables incluent le module complémentaire Salesforce Einstein , facturé 70 $/mois par utilisateur, et ChatGPT Team à 25 $/mois par utilisateur.
Exhibit 3 : Répartition des métriques de tarification pour les applications et modèles d’IA générative*
Pour plus d’informations sur la chaîne de valeur GenAI, consultez nos précédentes publications : Monétiser GenAI : Pourquoi la plupart des entreprises SaaS passent à côté et Stratégies de packaging gagnantes pour l’IA générative.
Si les méthodes traditionnelles de tarification fonctionnent initialement, l’innovation disruptive de l’IA générative exige une réévaluation stratégique des pratiques tarifaires. Les données préliminaires révèlent que l’utilisation exclusive de métriques basées sur les sièges peut s’avérer contre-productive pour les offres d’IA générative.
Cette approche rappelle le paradoxe classique de l’abonnement aux salles de sport ou le controversé Delta Unlimited Flight Pass : un utilisateur intensif, générant plus de valeur, est facturé au même tarif qu’un utilisateur occasionnel. Cette dynamique conduit à une érosion des marges sur les utilisateurs les plus engagés, sans que les métriques par utilisateur ne puissent s’adapter à ces disparités de valeur et de coûts. Paradoxalement, les fournisseurs se retrouvent démotivés à servir leurs clients les plus précieux.
Les conséquences de ce désalignement peuvent être sévères. GitHub Copilot de Microsoft en fait déjà les frais, avec des pertes moyennes de 20$ par utilisateur mensuel, atteignant jusqu’à 80$ pour les utilisateurs les plus actifs. Cet exemple souligne l’inopportunité actuelle d’une tarification par siège pour les solutions de chatbot ou de copilote en entreprise.
À terme, les fournisseurs s’en tenant aux métriques d’intrants verront leur agilité et leur rentabilité compromises, une tarification rigide limitant la capture de valeur et entravant la croissance des revenus. Nous anticipons donc que la tarification par utilisateur ne sera qu’une phase transitoire pour la majorité des offres d’IA générative. De fait, un nombre croissant d’entreprises adoptent déjà des modèles axés sur la valeur, combinant métriques d’utilisation et métriques utilisateurs.
Examinons ces approches plus sophistiquées basées sur la valeur.
La transition vers des métriques d’utilisation
La Tarification basée sur l’utilisation, ou tarification à la consommation, facture les clients selon leur usage effectif du service. Cette approche gagne en popularité dans divers secteurs, des télécommunications aux services publics, en passant par le SaaS et désormais l’IA.
Reconnaissant les limites des modèles forfaitaires ou par utilisateur pour l’IA générative, de nombreuses entreprises intègrent des métriques d’utilisation – activités, extrants, résultats – pour mesurer et encadrer l’usage de leurs solutions.
Avantages des métriques basées sur l’utilisation :
- Accélération de l’adoption : Des coûts d’entrée réduits favorisent une adoption plus large.
- Flexibilité accrue : Les clients peuvent évoluer progressivement, minimisant les risques initiaux.
- Fidélisation renforcée : L’alignement prix-valeur améliore la satisfaction et la loyauté client.
- Transparence optimisée : Le suivi en temps réel offre un meilleur contrôle aux clients.
- Qualité stimulée : Les fournisseurs sont incités à optimiser leurs solutions pour maximiser les résultats.
- Innovation catalysée : Les fournisseurs peuvent expérimenter diverses structures tarifaires pour optimiser satisfaction client et revenus.
- Différenciation concurrentielle : Une tarification basée sur les résultats peut attirer des clients en quête de garanties de performance.
- Maîtrise des coûts : Ces métriques peuvent aider à gérer les coûts élevés associés à l’IA générative.
Défis des métriques basées sur l’utilisation :
- Complexité potentielle : Sans engagement minimal, la gestion et la prévision des coûts et revenus peuvent se complexifier.
- Enjeux de facturation : Des processus plus sophistiqués peuvent engendrer des litiges, nécessitant une transparence accrue.
- Risques pour les fournisseurs : Les métriques de résultats impliquent des risques si les objectifs ne sont pas atteints ou sont difficiles à mesurer.
- Surengagement client : Un risque existe que les clients s’engagent au-delà de leurs capacités, particulièrement pour des technologies émergentes comme l’IA générative.
Activités et extrants
Les métriques d’activité et d’extrants prédominent déjà dans la couche modèle de l’IA générative (Exhibit 3)souvent dans une logique de « coût majoré » ette approche, typique des fournisseurs IaaS et PaaS (Azure, Google Cloud Platform, AWS), s’explique par des similitudes dans les modèles de vente et les cibles clients. Notons que les utilisateurs finaux n’interagissent pas directement avec ces modèles, la consommation étant médiatisée par les applications.
Cependant, la valeur de chaque « jeton » d’activité ou d’extrant varie considérablement selon le contexte d’utilisation au niveau applicatif (Exhibit 4).
Exhibit 4 : Exemples de métriques basées sur l’activité et les extrants
Résultats
Les métriques de résultats, idéales pour les solutions d’IA générative à fort impact business, lient directement le prix aux résultats commerciaux générés. Particulièrement pertinentes dans les secteurs axés sur la performance (automatisation commerciale, prévisions financières), ces métriques optimisent la capture de valeur en s’alignant sur les objectifs stratégiques des clients (Exhibit 5).
Leur mise en œuvre requiert une compréhension approfondie et partagée de la valeur entre fournisseur et client, nécessitant une analyse détaillée des facteurs de coût et de valeur sous-jacents.
Les pionniers de ces modèles se trouvent souvent dans le domaine du service client, où les coûts de résolution sont déjà bien établis. Intercom, avec sa solution de service client basée sur l’IA, en est un parfait exemple (Exhibit 5).
Exhibit 5 : Exemples de métriques basées sur les résultats
Bien que seulement 6% des offres étudiées utilisent actuellement des métriques de résultats (Exhibit 3), dans cette série de publications, nous anticipons une augmentation significative de leur adoption, les entreprises affinant leurs stratégies pour optimiser la création de valeur.
Même si des solutions sectorielles comme Harvey.ai et Hippocratic.ain’ont pas encore adopté ces métriques, le potentiel de croissance de cette approche est indéniable.
Dans notre analyse précédente, nous avions prédit une évolution vers un packaging basé sur les personas ou les fonctions, visant également à aligner prix et packaging sur la valeur effective pour le client.
Facteurs de succès pour la transition vers des modèles axés sur la valeur :
| Unicité des données | Exclusivité et pertinence des données d’entraînement. |
| Spécialisation | Expertise dans des domaines ou cas d’usage spécifiques. |
| Attributabilité de la valeur | Capacité à démontrer un impact quantifiable sur le ROI. |
| Rapidité de mise en valeur | Déploiement et bénéfices rapides pour les clients. |
| Scalabilité | Adaptabilité à la croissance des données, utilisateurs ou complexité. |
| Conformité | Respect des réglementations et protection des données. |
| Position Stratégique | Rôle critique dans l’écosystème IA générative. |
L’adoption de métriques basées sur les résultats nécessitera une compréhension approfondie des « jobs-to-be-done », conduisant à une hypersegmentation des offres avec des métriques client-centriques soigneusement sélectionnées.
Les données actuelles valident le potentiel de cette approche. Les recherches de l’Institut Subscribed démontrent que les entreprises utilisant 3 à 5 modèles de tarification, chacun contribuant à au moins 10% du revenu total, surperforment en termes de croissance annuelle des revenus, de revenu moyen par compte (ARPA) et de taux de désabonnement mensuel (Exhibit 6).
Exhibit 6 : Supériorité des entreprises à modèles de tarification multiples
Dans la section suivante, nous explorerons les modèles de tarification éprouvés pour capitaliser sur cette croissance potentielle.
Section 2 : Combinaison des métriques tarifaires dans les modèles d’IA générative
Après avoir examiné les métriques tarifaires, analysons les types de leviers commerciaux et les modèles de tarification – ou leurs combinaisons – que les entreprises emploient pour commercialiser leurs offres d’IA générative.
Près de la moitié des offres d’IA générative étudiées utilisent un modèle récurrent avec engagement, souvent basé sur une métrique d’intrant (Exhibit 7). Ces offres incluent généralement une utilisation illimitée de l’IA générative, fréquemment assortie d’une politique d’utilisation équitable. (comme Notion AI). Alternativement, le forfait récurrent avec engagement peut inclure un nombre défini d’interactions ou de crédits d’IA générative, extensibles via une montée en gamme. HeyGen and Assistant Anaconda semblent adopter cette approche.
Une analyse plus approfondie révèle que les fournisseurs exploitent déjà un éventail de modèles tarifaires.
Conjuguer le meilleur des deux mondes avec des modèles hybrides
Bien que la plupart des applications d’IA générative adoptent initialement des tarifs fixes ou basés sur l’utilisateur pour leur simplicité et leur familiarité, un nombre croissant de visionnaires optent pour des modèles tarifaires hybrides. Pour l’IA générative, où la croissance des revenus est actuellement un défi, c’est une stratégie judicieuse. Les recherches démontrent que les entreprises SaaS utilisant ces modèles connaissent une croissance plus rapide que leurs pairs.
Cependant, comme évoqué dans le premier volet de cette série, Ll’objectif ultime de la monétisation de l’IA générative n’est pas uniquement une tarification compétitive, mais la création d’une véritable valeur. Malgré les pressions pour réduire les coûts et automatiser, la voie à suivre consiste à aligner étroitement les coûts sur la création de valeur.
Les modèles tarifaires hybrides peuvent faciliter cet alignement en intégrant diverses métriques tarifaires, telles que les modèles basés sur les intrants et les résultats, optimisant ainsi la capture de valeur et stimulant la croissance des revenus (Exhibit 7).
Alors que la tarification par siège seule ne peut s’adapter aux demandes et capacités évolutives de l’IA générative, l’ajout d’une couche basée sur l’usage peut améliorer la scalabilité. En fait, plus de 50% des offres de notre étude emploient déjà un modèle hybride, combinant souvent des engagements préalables ou récurrents avec une tarification basée sur l’usage à un certain niveau (Exhibit 7).
Exhibit 7 : Métriques et modèles tarifaires de l’IA générative
Contrairement aux frais récurrents simples généralement facturés d’avance, ces modèles hybrides sont plus sophistiqués. Ils s’étendent de la consommation principalement à l’usage, au prépaiement avec remise, ou au prépaiement d’un engagement minimum avec facturation des dépassements.
Les modèles hybrides basés sur l’usage ou la consommation sont déjà courants dans la couche de modèles d’IA générative. Ces offres, comme MistralIA, utilisent souvent des métriques axées sur les résultats telles que le paiement par jeton. Parallèlement, Chargeflow et quelques autres pionniers emploient déjà des métriques orientées résultats, comme le pourcentage de la valeur des rétrofacturations réglées en votre faveur.
Les modèles récurrents engagés avec dépassement prennent généralement la forme d’une tarification basée sur l’entrée combinée avec un nombre défini de crédits génératifs, une forme de seuil d’utilisation et l’option d’acheter plus en cas de dépassement.
Les modèles récurrents avec engagement et dépassement prennent généralement la forme d’une tarification basée sur les intrants combinée à un nombre défini de crédits génératifs, un seuil d’utilisation et l’option d’acheter des crédits supplémentaires en cas de dépassement.
La limitation d’utilisation peut aider les entreprises à gérer les coûts considérables de l’IA générative. Actuellement, nous observons trois variations :
- Seuil quantitatif : limitation du nombre d’interactions par période.
- Seuil de vitesse : limitation de la vitesse de traitement.
- Seuil qualitatif : qualité inférieure du modèle utilisé ou du résultat généré.
combine habilement ces seuils : les utilisateurs peuvent continuer à utiliser le service après épuisement de leurs crédits alloués, mais avec un temps de traitement potentiellement plus long, des tâches limitées, ou une qualité d’image réduite.
Exhibit 8 : Un éventail de métriques pour construire divers modèles hybrides
Enfin, il existe de nombreuses options de mixité métrique pour les modèles hybrides, allant d’un modèle par paliers (similaire aux tranches d’imposition) à un modèle de niveau maximal, où les frais sont basés sur le pic d’utilisation ou de consommation de services sur une période donnée. L’Exhibit 8 fournit une liste visuelle non exhaustive de ces options, ajoutant une dimension supplémentaire à l’immense gamme de possibilités de tarification et de packaging.
Les modèles hybrides exigent une discipline rigoureuse en matière de mesure de l’usage client pour garantir l’assurance des revenus, compte tenu des risques de fuite de revenus inhérents à la gestion de modèles complexes. Néanmoins, avec les stratégies et outils appropriés, ces modèles peuvent offrir la croissance, l’évolutivité et la flexibilité dont les startups d’IA générative et les entreprises SaaS ont besoin.
Raisons de choisir des modèles hybrides pour l’IA générative :
- Croissance accélérée des revenus annuels récurrents (ARR) : Les recherches montrent que les entreprises SaaS utilisant des modèles hybrides connaissent une croissance plus rapide que celles reposant uniquement sur des tarifs fixes ou basés sur l’utilisateur. En intégrant des éléments d’abonnement et de consommation, les entreprises peuvent optimiser la capture de valeur et stimuler une croissance significative des revenus.
- Scalabilité et flexibilité : Les modèles hybrides offrent la souplesse nécessaire pour s’adapter aux exigences et capacités évolutives de l’IA générative. Alors que la tarification traditionnelle par siège peine à s’accommoder des schémas d’utilisation changeants, l’ajout d’une composante basée sur l’usage permet de répondre aux besoins variés des clients.
- Meilleure rétention des clients et revenu moyen par compte (ARPA) : En combinant des paiements récurrents engagés avec avec un niveau adéquat de frais basés sur l’usage, les modèles hybrides trouvent un équilibre qui conduit à des taux d’ARPA plus élevés et à une meilleure rétention.
- Préférence croissante pour la tarification à l’usage: Les consommateurs et acheteurs tech manifestent une forte préférence pour la tarification à l’usage, particulièrement dans les secteurs de l’IA et de l’IA générative.
- Capture optimale de la valeur En utilisant un mix de métriques tarifaires, telles que des unités basées sur les utilisateurs et sur les résultats, les modèles hybrides garantissent un alignement plus étroit des prix avec la valeur réelle délivrée aux clients, crucial pour le succès à long terme des offres d’IA générative.
- Amélioration de l’assurance des revenus. Les modèles hybrides nécessitent une mesure robuste de l’usage client, ce qui aide à minimiser les risques de fuite de revenus. Ce suivi et cette facturation précis de l’usage favorisent une approche disciplinée de la gestion des revenus.
- Prédictibilité améliorée :Les clients bénéficient de la prévisibilité des paiements récurrents engagés et de la flexibilité des frais basés sur l’usage pour les dépassements. Cette double approche s’adapte aux diverses préférences budgétaires, facilitant la gestion des coûts et l’ajustement de l’utilisation selon les besoins.
- Encouragement des engagements progressifs.Les modèles hybrides permettent aux clients de débuter avec des engagements minimaux et d’accroître progressivement leur investissement à mesure qu’ils perçoivent davantage de valeur. Cette approche par phases favorise la découverte mutuelle de valeur et des engagements à long terme plus solides.
- Support pour divers cas d’utilisation : Support pour divers cas d’utilisation : Ces modèles répondent à un large éventail de métriques, des métriques axées sur la production (ex. paiement par jeton) aux métriques axées sur les résultats (ex. pourcentage de rétrofacturations réglées). Cette polyvalence rend la tarification hybride adaptée à diverses applications d’IA générative.
Adopter des stratégies flexibles et centrées sur le client pour une monétisation durable de l’IA générative
La transition vers des métriques basées sur l’usage et des modèles tarifaires hybrides marque une rupture cruciale avec les prix traditionnels basés sur le siège ou l’utilisateur, qui ne capturent plus adéquatement la valeur unique de l’IA générative. En adoptant une approche de monétisation globale, les entreprises doivent continuellement recueillir des données et expérimenter diverses métriques tarifaires pour aligner les coûts sur la valeur client et garantir compétitivité et satisfaction.
L’avenir de la monétisation de l’IA générative réside dans une approche flexible et axée sur les données, équilibrant l’efficacité des coûts avec la création de valeur, assurant ainsi un succès et une croissance durables sur le marché dominé par l’IA générative.
Points clés
- Le paradigme basé sur l’utilisateur deviendra insoutenable pour la plupart des offres d’IA générative ; il est donc crucial de se familiariser et d’expérimenter avec le spectre des métriques de valeur.
- Bien que les indicateurs basés sur les résultats puissent être l’objectif final pour certaines entreprises, y parvenir nécessitera un parcours, et toutes les offres ne sont pas des candidates idéales pour cette approche.
- À mesure que les entreprises affinent leur approche pour aligner plus étroitement les prix avec la valeur, cela exigera une collecte accrue de données, une plus grande centration sur le client, des expérimentations et une hyper-segmentation.
Cet article contient des déclarations prospectives qui impliquent un certain nombre de risques, d’incertitudes et d’hypothèses, y compris, mais sans s’y limiter, des déclarations concernant les avantages et les inconvénients attendus des versions des solutions GenAI avec différents indicateurs et modèles de tarification. Toute déclaration qui n’est pas une déclaration de fait historique peut être considérée comme une déclaration prospective. Les résultats réels pourraient différer sensiblement de ceux énoncés ou implicites dans les déclarations prospectives en raison d’un certain nombre de facteurs. Les déclarations prospectives de cet article sont basées sur les attentes actuelles à la date de cet article et Zuora n’assume aucune obligation de mettre à jour ou de réviser les déclarations prospectives, que ce soit à la suite de nouvelles informations, d’événements futurs ou autrement. Dans la mesure où ce communiqué de presse inclut également des données de marché et certaines autres informations statistiques, ces informations sont basées sur des estimations, des prévisions, des projections ou des méthodologies similaires, et sont intrinsèquement sujettes à des incertitudes, et les événements ou circonstances réels peuvent différer sensiblement des événements et circonstances reflétés dans ces informations. Comme indiqué dans l’article, les recommandations sont un guide fondamental, mais ne sont pas destinées à être des prédictions de l’avenir ou des conseils précis.
Principales stratégies de monétisation de l'IA Générative
Découvrez les tendances émergentes de l’IA générative et comprenez pourquoi de nombreuses entreprises SaaS pourraient passer à côté d’opportunités cruciales.
Les 4 voies de monétisation de l'IA générative
Explorez les principales stratégies de positionnement des pionniers à l’avant-garde de la monétisation de l’IA générative — ainsi que les avantages et les inconvénients de chacune.
Modèles de packaging pour l'IA générative
Découvrez comment les entreprises packagent leurs offres d’IA générative aujourd’hui et apprenez les stratégies qui assureront le succès de votre entreprise.
En savoir plus sur l'auteur
Michael Mansard
Président EMEA, l’Institut Subscribed
Directeur principal de la stratégie d’abonnement, Zuora
L'Institut Subscribed
L’Institut Subscribed est le think tank d’avant-garde de Zuora, dédié à l’innovation dans l’économie de l’abonnement. Notre mission est de cultiver et d’accompagner une communauté de leaders visionnaires à travers une recherche de pointe, un contenu stratégique, des événements exclusifs et des services de conseil personnalisés. Notre expertise unique permet aux entreprises de concevoir des feuilles de route stratégiques adaptées à leur contexte spécifique, de développer des compétences internes cruciales et d’accélérer leur transformation vers des modèles basés sur l’utilisation et la valeur. En tant que ressource privilégiée pour les clients de Zuora, nous jouons un rôle catalyseur dans l’évolution des entreprises vers des modèles économiques innovants et pérennes. Que vous soyez en phase de transition ou que vous cherchiez à optimiser votre stratégie d’abonnement existante, nos experts vous guideront à chaque étape de votre parcours vers l’excellence opérationnelle et la croissance durable. Rejoignez notre communauté d’innovateurs et façonnez l’avenir de la Subscription Economy avec l’Institut Subscribed de Zuora.
Envie d'en savoir plus?
Parlez à l’un de nos experts aujourd’hui ou discutez avec votre responsable commercial Zuora pour planifier une conversation.