Recenze knihy: Investování do AI: Šest mentálních modelů, které pomohou rozlišit konkurenční výhody od pastí, od Roba Maye

Na knihu Investing in AI: Šest mentálních modelů, které pomohou rozlišit konkurenční výhody od pastí jsem se těšil především proto, že Roba Maye už léta sleduji díky jeho newsletteru Investing in AI. Podle mě se Rob May od mnoha investorů odlišuje ochotou nepodléhat skupinovému myšlení a vycházet z prvních principů. Nespokojuje se s převládajícím narativem a ptá se, jak podnik skutečně funguje, odkud pramení jeho výhody a zda obstojí i při další technologické změně.

Právě v tom tato kniha vyniká. Je to první kniha, se kterou jsem se setkal a která se investování do AI věnuje právě tímto způsobem. Místo pouhého vyhledávání zajímavých technologií nebo rostoucích trhů vybízí čtenáře, aby od základů přehodnotili způsob, jakým analyzují podniky budované kolem těchto technologií. Příležitost je obrovská, ale rozpoznat slibné možnosti AI a najít společnost, do které se vyplatí investovat, jsou dvě velmi odlišné dovednosti.

Když se narativ o AI střetne s realitou

Rob May opírá svou argumentaci o příběhy, které budou povědomé každému, kdo sledoval ekosystém AI. Jasper se stal miláčkem médií a získal 125 milionů dolarů při ocenění na 1,5 miliardy dolarů. Poté ChatGPT zpřístupnil spotřebitelům výkonné generování textu a zpochybnil hodnotu produktu postaveného na přístupu k podobným základním schopnostem. Rob May na tomto obratu ukazuje, jak rychle se může zdánlivá výhoda stát zranitelnou.

Na tomto příkladu mě zajímá otázka, před kterou staví investora či zakladatele: co zákazník od vaší společnosti stále potřebuje, když se základní technologie stane široce dostupnou? Čím se podnik s obhajitelnou konkurenční výhodou liší od další nadstavby AI? Náskok může koupit čas, ale na tuto otázku neodpovídá. Jakmile se přístup k modelu stane běžně dostupnou komoditou, nabývají na významu vlastnictví pracovních postupů, distribuce, specializované znalosti a vztahy se zákazníky.

DeepSeek představuje druhou stranu této nejistoty. Kniha popisuje šok, který vyvolal model na úrovni GPT-4, jehož deklarované náklady na trénování činily 5,576 milionu dolarů. Ponaučení pro investory je zásadní: předpoklady o nákladech na konkurenci se mohou změnit mnohem rychleji, než dokáže zohlednit oceňovací model.

Proč je třeba přehodnotit zavedený postup SaaS

Rob May se vrací k někdejším zimám AI a tvrdí, že dnešní široké nasazení prolomilo starý vzorec, kdy po slibných ukázkách následovalo všeobecné zklamání. Podle něj je dnes užitečná AI zabudována do příliš mnoha reálných pracovních postupů na to, aby se jednoduše stáhla zpět do laboratoře. Přesto může být i při pokračujícím zavádění AI obtížné najít další jednorožčí společnost, která z něj dokáže těžit.

Rob May uvádí čtyři zásadní rozdíly, které tento posun pomáhají vysvětlit: AI dokáže vykonávat kognitivní práci, učit se z dat, měnit očekávání lidí, kteří ji používají, a stát se běžnou součástí života generace, která s ní vyrůstá. Třetí bod, reflexivita, je obzvlášť zajímavý. Jakmile zákazníci nějakou schopnost vyzkoušejí, začnou ji očekávat i jinde. S rozšiřováním této technologie se mění i trh, na kterém společnost působí.

Největší změnou je rychlost růstu. Podniky zaměřené na AI mohou dosáhnout značné velikosti v časech, které dříve byly vyhrazeny výjimečným případům. K jejich hodnocení je však stále nutné rozumět obchodnímu modelu. Účtování za úkol nebo za výsledek vytváří jiný vztah mezi hodnotou, výnosy a náklady než prodej pevně stanoveného počtu softwarových licencí.

Některé poznatky ze světa SaaS zůstávají velmi relevantní. Odborná znalost oboru je stále důležitá. Nástroje určené pro konkrétní odvětví, které rozumějí jeho skutečným problémům, mohou získat významné výhody. Vlastní datové smyčky mohou postupně nabývat na hodnotě a hluboké integrace mohou zvyšovat náklady na změnu dodavatele. Výzvou je odlišit tyto trvalé přednosti od funkcí, které mohou zákazníci získat od desítek jiných dodavatelů.

Šest mentálních modelů, které pomáhají klást lepší otázky

Kniha staví svou hlavní argumentaci na šesti mentálních modelech: chápat AI jako soubor technologií; zpochybňovat tradiční předpoklady o SaaS; počítat s výraznými otřesy na trzích; rozpoznat změny na trzích a ve firemní strategii; porozumět rychlejšímu růstu; a pečlivě vyhodnocovat náklady na prodané zboží a služby u AI.

Tyto modely dobře fungují společně, protože každý odhaluje jinou slabinu povrchní investiční teze. Označení společnosti za „podnik zaměřený na AI“ říká jen málo o její ekonomice. Prudký růst tržeb vypovídá jen málo o jejich udržitelnosti. Ani vysoká hrubá marže dnes mnoho neříká o tom, co se stane, až zákazníci začnou od produktu očekávat náročnější práci.

Nejvíc oceňuji návyk klást si druhou otázku. Když se zeptáte, zda technologie funguje, ptejte se také, zda funguje dostatečně spolehlivě pro skutečný pracovní postup zákazníka. Když se zeptáte, zda zákazníci platí, zjišťujte, za co platí a zda lze očekávat, že v tom budou pokračovat. Díky tomu je kniha užitečná i nad rámec okamžiku, v němž vznikly její příklady.

Botkeeper a význam vývoje nákladů

Jednou z nejužitečnějších případových studií je Botkeeper, společnost zaměřená na automatizaci účetnictví, do níž Rob May investoval. Popisuje firmu, která se zpočátku výrazně opírala o lidské účetní a dosahovala hrubé marže přibližně 20 až 25 procent. To nebylo příliš lákavé pro investory, kteří očekávali marže obvyklé u softwarových společností. Práce těchto lidí však zároveň vytvářela data, která mohla pomoci proces automatizovat. Rob May uvádí, že hrubá marže později překročila 70 procent, když se stále větší část práce přesouvala na software.

Ponaučení, které si z toho odnáším, je zkoumat, co lidská práce pomáhá budovat. Pokud každý dokončený úkol umožní systému zvládnout ten další efektivněji, mohou počáteční náklady na služby financovat škálovatelnější podnikání. Jestliže každý nový zákazník vyžaduje trvale úměrné navýšení manuální práce, ekonomika podnikání ukazuje jiný příběh.

Rob May se zabývá také opačným vývojem: náklady na inferenci, které s rostoucím využíváním systému stále více rostou. Systém AI může k dokončení náročnějších úkolů potřebovat více výpočetního výkonu, opakované pokusy nebo kontrolu člověkem. Produkt, který vypadá slibně při malém pilotním projektu, se může prodražit, když se na něj zákazníci spoléhají při složitých úkolech. Proto je vývoj nákladů stejně důležitý jako jejich současná výše.

Efektivita sama o sobě konkurenční výhodu nezaručuje

Užitečný mi připadal také rámec, který Rob May nazývá trojicí podob hodnoty AI: komoditní AI, klíčová AI a AI pro expanzi. Obecně jde o schopnosti, které mohou konkurenti snadno převzít, schopnosti posilující stávající konkurenční výhodu firmy a schopnosti otevírající nové obchodní příležitosti.

Jeho hypotetický příklad letecké společnosti pomáhá první kategorii snadno pochopit. Letecká společnost zavede agenta zákaznické podpory s AI a začne pracovat efektivněji. Podobné nástroje pak převezmou i konkurenti. To, co krátce působilo jako konkurenční odlišení, se stane očekávaným standardem v odvětví a část ekonomického přínosu může konkurence odčerpat.

Je to užitečný protilék na představu, že každé oznámení o AI dokládá sílu firmy. Chci vědět, čím se firma odlišuje poté, co její konkurenti získají přístup k podobným nástrojům. Firma, která propojí AI s vlastními zpětnovazebními daty, hlubokou znalostí provozu nebo zákaznickým pracovním postupem, který lze jen obtížně napodobit, nabízí přesvědčivější odpověď než firma, jež oznámí stejnou automatizaci, jakou si mohou pořídit všichni ostatní.

Hledejte vedení, které dokáže AI zapojit do praxe

Kniha je plná praktických postřehů, mimo jiné i toho, jak důležité je podporovat vedení firem, které dokáže AI skutečně začlenit do jejich fungování. Konkrétní plán změn pracovních postupů a odpovědností je mnohem přesvědčivější než prezentace slibující zavedení AI v celé organizaci.

Rob Mayovo pojednání o kvalitě tržeb tento pohled potvrzuje. Placené pilotní projekty a ověřování konceptu mohou přinést působivá počáteční čísla, je však třeba je oddělit od příjmů plynoucích z průběžného využívání produktu v běžném provozu. Užitečná otázka zní, jak velká část podnikání by zůstala, kdyby zákazníci zítra přestali experimentovat.

To považuji za obzvlášť cenné pro zakladatele. Získat pilotní projekt je pokrok, ale vybudovat produkt, který se stane součástí každodenního provozu zákazníka, je něco jiného. Když tomuto rozdílu porozumíte včas, může to ovlivnit priority při vývoji produktu, nábor zaměstnanců i způsob, jakým firma měří úspěch.

Závěrečný verdikt

Nejdůležitější poznatek, který si z knihy odnáším, je, že by neměla být určena výhradně investorům. Podnikatelé mohou stejně mnoho získat tím, že porozumějí tomu, co dělá firmu zaměřenou na AI investovatelnou, jak vznikají trvalé konkurenční výhody a kterým úskalím startupů se lze vyhnout dříve, než začnou být nákladná.

Nejlepší je přistupovat k ní jako k rámci pro rozhodování, nikoli jako k seznamu akcií, které si koupit. Jejím největším přínosem je, že čtenářům pomáhá přesněji formulovat, proč určitému podnikání věří. Příklady budou nevyhnutelně stárnout s tím, jak se odvětví vyvíjí; kniha však zůstává užitečná díky důslednému zpochybňování vlastních předpokladů.

Investování do AI: Šest mentálních modelů, jak odlišit konkurenční výhody od pastí nabízí uvažování od základních principů, díky němuž jsem začal číst newsletter Roba Maye. Pro investory, kteří se snaží rozlišit mezi obhajitelným podnikáním a působivým příběhem, i pro podnikatele, kteří chtějí vybudovat to první, jde o promyšlenou a hodnotnou četbu.