Jonathan Horn, CEO a spoluzakladatel Treefera – rozhovor

Jonathan Horn, CEO a spoluzakladatel Treefera, je technologický podnikatel a bývalý výkonný ředitel investičního bankovnictví s hlubokými znalostmi v oblasti řízení rizik, umělé inteligence a velkých datových analýz. Před založením Treefera v roce 2022 zastával seniorní vedoucí pozice ve firmách J.P. Morgan a Citigroup, kde se zaměřil na rizika, data a komplexní finanční systémy. S využitím svých znalostí z finančních modelů rizik založil Treefera, aby řešil jednu z největším slepých míst v globálních dodavatelských řetězcích: “první míli”, kde pocházejí suroviny. Pod jeho vedením se společnost rychle rozrostla v předního poskytovatele AI poháněné inteligence dodavatelského řetězce, který pomáhá podnikům získat přehled o zdrojích, environmentálních rizicích, požadavcích na dodržování předpisů a provozní odolnosti v reálném čase.

Treefera, založená v Londýně v roce 2022, je společnost pro inteligenci dodavatelského řetězce s využitím umělé inteligence, která se zaměřuje na transparentnost první míle globálních komoditních dodavatelských řetězců. Jejich proprietární datová tkanina kombinuje satelitní snímky, prostorová a časová data, modely AI a analýzu rizik, aby poskytla organizacím přehled o zdrojích, dodržování předpisů, udržitelnosti a rizicích dodavatelského řetězce v reálném čase. Platforma pomáhá podnikům monitorovat vše od expozice odlesňování a uhlíkových dopadů až po rizika spojená se zdroji komodit, což umožňuje informovanější rozhodování v oblasti nákupu, financí a operací. Transformací fragmentovaných environmentálních a dat dodavatelského řetězce na akční inteligenci si Treefera klade za cíl posílit odolnost dodavatelského řetězce v stále více nestabilní a regulované globální ekonomice.

Vy jste založili Treeferu po seniorních rolích v řízení rizik, AI a datové analýze ve firmách J.P. Morgan a Citi. Jakou konkrétní mezeru jste viděli v tom, jak podniky chápou rizika v zemědělských a měkkých komoditách, která vás přesvědčila, že Treefera musí existovat?

Přírodní komodity představují 2,1 bilionu dolarů světového obchodu, ale data, která podkládají hodnocení rizik pro tyto aktiva, byla manuální, zpožděná a strukturálně nepřesná. Při práci s modely rizik ve firmách J.P. Morgan a Citi jsem viděl rozhodnutí o cenách a expozicích, která závisela na datech pocházejících z první míle zemědělských dodavatelských řetězců: sbíraných ručně, náchylných k vynechání a často týdny nebo měsíce pozadu za realitou. Šedesát procent rizik dodavatelského řetězce pochází z první míle, předtím, než komodity vůbec dosáhnou přístavu nebo burzy, a přesně tam, kde byla viditelnost nejtenčí.

To, co mě přesvědčilo, abych založil Treeferu, byla konvergence dvou věcí: rozsah problému a příchod nástrojů, které jsou schopny ho řešit. Rozlišení satelitních snímků a jejich pokrytí dosáhly bodu, kdy můžete pozorovat podmínky plodin na úrovni pole v hlavních produkčních regionech za minimální náklady. Umělá inteligence dospěla do bodu, kdy může z této surové signály vytvořit něco finančně interpretovatelného. Nikdo nedělal tyto spojení rigidním, vědeckým způsobem. Podniky stále ještě určovaly rizika na základě vládních zpráv, které měly zpoždění několika měsíců za skutečností, národních průměrů, které maskovaly lokální variace, a lineárních modelů, které nebyly schopny zvládnout klimatickou nestabilitu. Mezera mezi tím, co bylo známo, a tím, co bylo možné znát, byla enormní. Touto mezerou se Treefera zabývá.

Treefera je často popisována jako platforma inteligence poháněné umělou inteligencí, ale váš přístup je explicitně neorientován na LLM. Jak vysvětlíte rozdíl mezi prediktivní AI pro dodavatelské řetězce a generativními systémy AI, které目前 dominují konverzaci?

Generativní AI a velké jazykové modely řeší fundamentálně odlišný problém. Jsou to nástroje produktivity: mimořádně užitečné pro zjednodušení opakujících se úkolů, jako je vytváření a souhrny. Komerční výzva pro tyto systémy je adopce, dostat lidi, aby změnili způsob, jakým pracují. To je problém trhu, ne vědecký.

Treefera používá AI k řešení vědeckých problémů s finančně-gradovanými požadavky na přesnost. Naše hluboké učící modely jsou trénovány k interpretaci satelitních snímků, klimatických signálů a biologie plodin, aby produkovaly předpovědi výnosů a produkčních oblastí, které jsou dostatečně přesné, aby informovaly rozhodnutí o alokaci kapitálu. Otázka, na kterou odpovídáme, není “co tento dokument říká?”, ale “co bude tento region produkovat za tři měsíce a jak jistý byste měli být?” To nejsou stejné třídy problémů a nevyžadují stejné třídy modelů. LLM jsou optimalizovány pro jazyk; naše modely jsou optimalizovány pro interpretaci fyzického světa. Zmatení těchto dvou vede k použití nesprávné třídy nástrojů pro problém, na který nebyly postaveny.

Mnohé AI společnosti argumentují, že lepší výkon vyžaduje více výpočetního výkonu, větší modely a větší přístup k GPU. Treefera zdá se, že zpochybňuje tuto domněnku. Co znamená “šetřivý výpočet” v praxi a proč je důležitý pro aplikovanou AI?

Převládající domněnka v AI je, že škála znamená výkon: více parametrů, více GPU, více cloudové infrastruktury. Pro aplikovanou AI v doméně-specifických kontextech je tato domněnka chybná a produkuje zbytečné náklady a energetické plýtvání.

Šetřivý výpočet, v praxi, znamená pro nás tři věci. První, oddělujeme výpočet od času. Většina našich úloh zpracování nemusí probíhat v konkrétní sekundě. Místo toho, aby běžel neustále infrastruktura, identifikujeme období nadbytečné sítě a půjčujeme výpočetní výkon během těchto oken.

Druhé, decentralizujeme úlohy. Místo toho, aby vše směrovali přes jediné cloudové centrum, distribuujeme je napříč sítí dostupných uzlů, včetně blockchainové infrastruktury, která má významnou nevyužitou kapacitu v určitých obdobích. Pokud jeden uzel se stane neefektivním, úkoly se dynamicky přesměrují.

Třetí, správně dimenzujeme hardwarové prostředky. Používáme NVIDIA AG6 místo top-tier čipů, kde je výkon ekvivalentní pro naše úlohy za zlomek energie a nákladů. Důvod, proč to záleží, je přesnost. Šetřivý výpočet nás nutí k disciplíně ohledně toho, jaký výpočet skutečně potřebujeme. To produkuje štíhlejší, interpretabilnější modely – ty, které finanční a provozní rozhodovatelé mohou skutečně použít. Nepotřebují větší model; potřebují přesnější odpověď.

Vaše platforma údajně dodává prediktivní výstupy o výnosech plodin, využívání půdy a rizicích dodavatelského řetězce bez závislosti na neustále běžící cloudové infrastruktuře. Jak oddělujete výpočet od času a zároveň dodáváte komerčně užitečnou, téměř v reálném čase inteligenci?

Inteligence v reálném čase a nepřetržitý výpočet nejsou stejné. Naši zákazníci potřebují týdenní aktualizované předpovědi; nepotřebují, aby výpočet, který generuje tyto předpovědi, běžel neustále.

Mapujeme naše procesní cykly na přirozený rytmus dat. Satelitní snímky přicházejí v určitém rytmu. Vstupní údaje o počasí se aktualizují v určitém rytmu. Analytické otázky, které naše modely zodpovídají, jsou také rytmicky podmíněné: co je výnosová trajektorie pro tento region, co se změnilo tento týden v zasazené oblasti. Takže předem naplánujeme úkoly výpočtu, aby běžely proti těmto datovým oknům, a půjčujeme kapacitu z distribuované infrastruktury během období nízké poptávky. Výstup pro zákazníka je týdenní datový feed, který je aktuální, akční a modelově připravený. Infrastruktura za ním běží pouze tehdy, když je něco významného k zpracování. Tato architektura je také více odolná. Distribuovaný pracovní náklad, který se-route kolem selhaných uzlů, je spolehlivější než jeden neustále běžící server s jediným bodem selhání.

Zemědělské a měkké komoditní trhy stále silně závisí na zpožděných, založených na dotaznících nebo fragmentovaných datech. Jak AI mění způsob, jakým společnosti, banky, pojišťovny a obchodníci mohou vyhodnotit rizika, než se stanou viditelnými v oficiálních zprávách?

Strukturální problém s dotazníky je, že jsou zpětně orientované podle designu. Do doby, než vládní agentura publikuje odhad zásob, fyzické podmínky, které jej podkládají, jsou týdny nebo měsíce staré. Trhy, které se pohybují na základě těchto dat, reagují na historii.

AI mění to tak, že mění zdroj informací z dotazníků na přímou observaci. Satelitní snímky, klimatické signály a data o vývoji plodin jsou dostupné nyní, ne za šest týdnů, kdy je zpráva sestavena a publikována. Co naše modely dělají, je překlad této fyzické data do finančního jazyka, který obchodníci, pojišťovatelé a analytici skutečně používají: předpovědi výnosů s uvedenými intervaly nejistoty, odhady produkčních oblastí s týdenními aktualizacemi, skóre stresu, které kvantifikuje riziko na počátku, než se projeví v cenách.

V roce 2022 naše modely pro US Corn označily poklesnou revizi pět týdnů předtím, než USDA publikovala svou. V lednu 2025 naše modely odhalily skóre stresu 0,76 v ghanském kokosovém pásu; COCOBOD nezměnila svou sezónní předpověď, dokud v červnu. Informační výhoda není marginální; je strukturální. Podniky, které stále čekají na oficiální zprávy, aby učily rozhodnutí o zásobování a cenách, operují s prodlevou, kterou jejich protistrany nemusí sdílet.

“První míle” dodavatelského řetězce historicky byla jednou z nejméně transparentních oblastí pro globální podniky. Proč je viditelnost první míle nyní tak kritická, zejména s ohledem na klimatickou nestabilitu, regulaci a geopolitickou nejistotu?

Tři síly se sbíhají a každá z nich je sama o sobě významná.

Klimatická nestabilita zvyšuje frekvenci a závažnost produkčních šoků na počátku. Stejná povětrnostní událost nyní má větší dopad na zásobování, protože systémy plodin jsou více stresované a extrémní události jsou méně předvídatelné z historických průměrů. Lineární modely rizik postavené na historických normách jsou strukturálně nevhodné pro řešení toho. Potřebujete reálnou fyzickou observaci, abyste viděli, co se skutečně děje v poli.

Regulace vytváří přímé vazby mezi tím, co se děje na první míli, a tím, co podnik může prodat nebo financovat. EUDR, CSRD, TCFD: tyto rámce vyžadují, aby podniky věděly, s důkazy, odkud pocházejí jejich komodity a jaké podmínky na počátku byly. “Důvěřujeme dodavateli” již není obhajitelná pozice. Tato odpovědnost tlačí trasovatelnost a původ z preference nákupu na právní požadavek.

Geopolitická nestabilita učinila závislost na jediné oblasti rizikem pro podnikové rozhodování. Když jedna oblast představuje dominantní podíl globálního zásobování komodity a tato oblast se stane politicky nebo fyzicky nespolehlivou, podniky bez viditelnosti první míle nemají žádné mechanismy pro včasné varování. Dozvědí se, až trh již repricuje.

Existuje také širší posun v datovém ekosystému. Nedávné spuštění pan-tropických komoditních map Google Earth AI – ročních 10metrových stop plodin pro kakao, kávu, olejové palmy a gumu, vydávaných jako otevřená data – je užitečným ukazatelem toho, kam se věci ubírají. Fyzický svět je stále více čitelný z vesmíru, a poptávka po transparentnosti dodavatelského řetězce je nyní dostatečně mainstreamová, aby přilákala investice velkých technologií v měřítku. Treefera vítá to. Bohatší základ datového vrstvy zvyšuje podlahu pro celý trh a vytváří sdílené povědomí, že lepší informace nejsou jen možné, ale dostupné.

Co otevřené objevitelské mapy nemohou udělat, je uzavřít inteligentní mezeru. Vědět, kde jsou plodiny zasazeny, není totéž, jako vědět, jak se tato sezóna vyvíjí, co podmínky na počátku znamenají pro vaši expozici zásobování, nebo kde je vaše portfolio ohroženo. Překládání z pozorování na finančně-gradované přehledy je to, pro co je Treefera postavena.

Neznalost první míle dříve byla komerčně tolerovatelná, když byl svět předvídatelnější. Nyní již není.

Vaše zákaznická základna zahrnuje velké organizace, jako je JP Morgan, Microsoft, Bayer a Anew. Jaké jsou nejčastější problémy, které podniky řeší s Treeferou: dodržování předpisů, rizika dodavatelského řetězce, předpovědi, udržitelnost, nákup, nebo něco jiného?

Ústřední problém, který podniky přinášejí k nám, je verze stejné věci: mají významnou finanční expozici vůči tomu, co se děje na první míli zemědělských dodavatelských řetězců, a nemají spolehlivý mechanismus, aby to viděli, než jim to bude stát. Konkrétní formulace se liší podle sektoru.

Pro obchodníky a instituce, které jsou vystaveny komoditám, je otázkou informační výhoda: vidět změny zásob v reálném čase, než se objeví v cenách nebo oficiálních datech. Pro zemědělské věřitele a pojišťovny je to hodnocení rizik; jsou ručeny nebo financovány operacemi, jejichž výkon je přímo ovlivněn podmínkami, které nelze pozorovat. Pro korporace s udržitelnými nebo dodržovacími závazky je otázkou důkaz: prokázat, s obhajitelnými daty, že jejich dodavatelské řetězce splňují standardy, které regulátoři a protistrany nyní vyžadují.

Tradiční odpověď – důvěřovat dodavateli, čekat na vládní zprávu, koupit konsensuální odhad – již není dostatečná. Přesnost a rychlost, které potřebují, neexistují v veřejném datovém ekosystému. Existuje na první míli.

Treefera hlásí 6násobný růst roku od roku, nulovou fluktuaci a předplacenou sérii B do dvou let. Co naznačuje tato úroveň přijetí o podnikové poptávce po AI systémech, které jsou přesné, efektivní a provozně zakotvené, spíše než jednoduše rozsáhlé?

Nulová fluktuace je nejvíce výmluvným signálem. Růst výnosů může odrážet komerční provedení; nulová fluktuace odráží shodu produktu a trhu. Zákazníci, kteří použili data po celou sezónu, otestovali je proti svým vlastním modelům a učinili rozhodnutí na jejich základě, a poté obnovili, nám říkají, že signál je reálný a že mění způsob, jakým operují.

Také to poukazuje na významnou neuspokojenou podnikovou poptávku po AI, která je přesná, auditovatelná a provozně integrovatelná – poptávku, která je nedostatečně pokryta krajinou, která je silně vázaná na generativní nástroje a velké obecné modely. Odborníci na dodavatelské řetězce a rizika potřebují předpověď s uvedeným intervalem nejistoty, který mohou hájit v komisi pro rizika. Když je tato laťka splněna – doménově specifická data, finančně-gradovaná přesnost, transparentní metodologie – podniky ji upřednostňují. Předplacená fundraisová kampaň odráží uznání investorů stejné dynamiky: trh je velký, problém je strukturální a stávající datová infrastruktura nebyla postavena k jeho řešení.

Předpokládáte, že další fáze aplikované AI bude definována méně měrou modelu a více provozní efektivitou, doménově specifickými daty a měřitelnými obchodními výsledky?

Ano, a důkazy pro to jsou již viditelné.

Velká AI začíná narazit na limity toho, co surová škála může vyřešit. Přidání parametrů nezlepšuje předpověď výnosu plodin, pokud podkladová data jsou hrubá, zpožděná nebo geograficky nesprávná. Okrajová hodnota výpočtu se snižuje, když je úzkým místem kvalita dat a doménová přesnost, ne velikost modelu.

Další fáze bude definována doménově specifickými trénovacími daty, správně dimenzovanými modely a verifikovatelnými výstupy. V sektorech, jako je zemědělství, finance a dodavatelský řetězec, kde rozhodnutí mají finanční a provozní důsledky, nebyla otázka “jak velký je model?” ale “jak spolehlivá je odpověď a jak rychle můžete na ni jednat?” Škála sama o sobě nemůže odpovědět na to. Společnosti, které povedou v aplikované AI v příštích pěti letech, budou mít postavené proprietární datové potrubí do fyzického světa, trénované modely na těchto datech s odpovídající vědeckou přísností a prokázaly měřitelnou přesnost v živých podmínkách. Technologie je stále více komoditou; data a doménová odbornost nejsou.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Treeferu.