Jonathan Horn, administrerende direktør og medstifter af Treefera – Interviewserie

Jonathan Horn, administrerende direktør og medstifter af Treefera, er en teknologi-iværksætter og tidligere investeringsbankdirektør med dyb ekspertise i risikostyring, kunstig intelligens og storstiledataanalyse. Før han stiftede Treefera i 2022, havde han seniorlederstillinger i både J.P. Morgan og Citigroup, hvor han fokuserede på risiko, data og komplekse finansielle systemer. Med baggrund i finansielt niveau risikomodellering lancerede Horn Treefera for at løse en af de mest vedvarende blinde pletter i globale forsyningskæder: “første mile”, hvor råvarer opstår. Under hans ledelse er virksomheden vokset hurtigt til at blive en førende leverandør af AI-drevet forsyningskædeintelligens, der hjælper virksomheder med at få realtids indsigt i indkøb, miljørisici, overholdelse af krav og operationel robusthed.

Stiftet i London i 2022 er Treefera en AI-aktiveret forsyningskædeintelligensvirksomhed, der fokuserer på at bringe gennemsigtighed til den første mile af globale vareforsyningskæder. Deres proprietære datastruktur kombinerer satellitbilleder, rumlige og tidsmæssige data, AI-modeller og risikoanalyse for at give organisationer realtids indsigt i indkøb, overholdelse af krav, bæredygtighed og forsyningskæderisici. Platformen hjælper virksomheder med at overvåge alt fra afskovningseksponering og kulstofindvirkninger til vareindkøbsrisici, hvilket muliggør mere informerede beslutninger på tværs af indkøb, finans og drift. Ved at omdanne fragmenterede miljø- og forsyningskædedata til handlebare oplysninger sigter Treefera mod at styrke forsyningskæderobustheden i en stadig mere volatil og reguleret global økonomi

I stiftede Treefera efter seniorrisiko-, AI- og dataanalysestillinger hos J.P. Morgan og Citi. Hvad var det specifikke hul, du så i, hvordan virksomheder forstod landbrugs- og bløde vare-risici, der overbeviste dig om, at Treefera skulle eksistere?

Naturbaserede varer repræsenterer 2,1 billioner dollars af verdenshandel, men dataene, der understøtter risikovurdering for disse aktiver, var manuelle, forsinkede og strukturelt uakkurate. Da jeg arbejdede med risikomodeller hos J.P. Morgan og Citi, så jeg pris- og eksponeringsbeslutninger, der afhang af data, der oprindeligt stammede fra den første mile af landbrugsforsyningskæder: indsamlet af hånden, tilbøjelig til udeladelse og ofte uger eller måneder bag reality. Sekstio procent af forsyningsrisiko opstår ved den første mile, før varer når en havn eller en børs, men det var præcis, hvor synligheden var tyndest.

Det, der overbeviste mig om at bygge Treefera, var konvergen af to ting: omfanget af problemet og ankomsten af værktøjer, der kan løse det. Satellitopløsning og dækning havde nået et punkt, hvor man kunne observere afgrødeforhold på felt niveau over store produktionsområder til minimal omkostning. AI havde modnet til et punkt, hvor den kunne omdanne det rå signal til noget økonomisk fortolkeligt. Ingen forbinder disse punkter på en rigorøs, videnskabsbaseret måde. Virksomheder var stadig baseret på regeringsrapporter, der lå måneder bag jordforholdene, nationale gennemsnit, der maskerede lokale variationer, og lineære modeller, der ikke kunne håndtere klimavolatilitet. Gapet mellem, hvad der var vidende, og hvad der var kendt, var enormt. Det er, hvor Treefera sidder.

Treefera beskrives ofte som en AI-drevet intelligensplatform, men jeres tilgang er eksplicit ikke centreret om LLM’er. Hvordan forklarer du forskellen mellem prædictiv AI til forsyningskæder og de generative AI-systemer, der i øjeblikket dominerer samtalen?

Generativ AI og store sprogmodeller løser et fundamentalt anderledes problem. De er produktivitetsværktøjer: ekstraordinært nyttige til at forenkle gentagne opgaver, som f.eks. udarbejdning og sammenfatning. Den kommercielle udfordring for disse systemer er adoption, at få folk til at ændre, hvordan de arbejder. Det er et markedsuddannelsesproblem, ikke et videnskabeligt problem.

Treefera bruger AI til at løse videnskabelige problemer med finansielt niveau præcisionkrav. Vores dybe læringmodeller er trænet til at fortolke satellitbilleder, klimasignaler og afgrødebiologi for at producere afgrøde- og produktionsarealforudsigelser, der er præcise nok til at informere kapitalallokeringbeslutninger. Spørgsmålet, vi besvarer, er ikke “hvad siger denne dokument?” Det er “hvad vil denne region give i tre måneder, og hvor sikker skal du være?” Disse er ikke den samme klasse af problemer og kræver ikke den samme klasse af modeller. LLM’er er optimeret til sprog; vores modeller er optimeret til fysisk verdenstolkning. At forvirre de to fører til at anvende det forkerte værktøj til et problem, det ikke er bygget til.

Mange AI-virksomheder hævder, at bedre præstation kræver mere beregning, større modeller og større adgang til GPU’er. Treefera synes at udfordre den antagelse. Hvad betyder “beskeden beregning” i praksis, og hvorfor er det vigtigt for anvendt AI?

Den herskende antagelse i AI er, at skala lig med præstation: flere parametre, flere GPU’er, mere cloud-infrastruktur. For anvendt AI i domænespecifikke sammenhænge er den antagelse forkert, og den producerer unødvendig omkostning og energispild.

Beskeden beregning, i praksis, betyder tre ting for os. Først frakobler vi beregning fra tid. De fleste af vores behandlingsopgaver behøver ikke at ske på et bestemt sekund. I stedet for at køre altid-åben infrastruktur identificerer vi perioder med overskydende netværkskapacitet og låner beregningskraft under disse vinduer.

Anden, vi decentraliserer arbejdsbyrden. I stedet for at routere alt gennem en enkelt cloud-hub distribuerer vi over et netværk af tilgængelige noder, herunder blockchain-infrastruktur, som har betydelig ledig kapacitet på bestemte tidspunkter. Hvis en node bliver ineffektiv, omrouterer opgaverne dynamisk.

Tredje, vi retter størrelsen på hardwaren. Vi bruger NVIDIA AG6 i stedet for top-niveau-chips, hvor præstationen er ækvivalent for vores arbejdsbyrde til en brøkdel af energien og omkostningerne. Grunden til, at det betyder noget ud over effektivitet, er præcision. Beskeden beregning tvinger disciplin om, hvilken beregning du faktisk behøver. Det producerer slanke, mere fortolkelige modeller – den type, som finansielle og operationelle beslutningstagerne faktisk kan bruge. De behøver ikke en større model; de behøver et mere præcist svar.

Jeres platform leverer ifølge rapporten prædictive output på afgrødeudbytte, jordbrug og forsyningsrisiko uden at afhænge af altid-åben cloud-infrastruktur. Hvordan frakobler I beregning fra tid, mens I stadig leverer kommercielt nyttig, næsten realtids intelligens?

Næsten realtids intelligens og kontinuert beregning er ikke det samme. Vore kunder behøver ugentlige opdaterede forudsigelser; de behøver ikke, at beregningen, der genererer disse forudsigelser, kører kontinuerligt.

Vi kortlægger vores behandlingscykler til dataens naturlige rytme. Satellitbilleder ankommer på en kadence. Vejrinddata opdateres på en kadence. De analytiske spørgsmål, vores modeller besvarer, er også kadence-drevne: hvad er udbyttekurven for denne region, hvad er ændret denne uge i plantet areal. Så vi forudplanlægger beregningsopgaver til at køre mod disse data-vinduer, låner kapacitet fra distribueret infrastruktur under lav-efterspørgselsperioder. Outputtet til kunden er en ugentlig datafeed, der er aktuel, handlebar og modelklar. Infrastrukturen bagved kører kun, når der er noget meningsfuldt at behandle. Denne arkitektur er også mere robust. En distribueret arbejdsbyrde, der omrouterer rundt om fejlede noder, er mere pålidelig end en enkelt altid-åben server med en enkelt fejlpoint.

Landbrugs- og bløde vare-markeder afhænger stadig i høj grad af forsinkede, survey-baserede eller fragmenterede data. Hvordan ændrer AI måden, virksomheder, banker, forsikringsselskaber og handlende kan vurdere risiko, før det bliver synligt i officielle rapporter?

Det strukturelle problem med survey-baseret rapportering er, at det er bagudrettede af design. Når en regeringsagentur offentliggør en forsyningsestimat, er de fysiske forhold, der ligger til grund for det, uger eller måneder gamle. Markeder, der bevæger sig på grundlag af disse data, reagerer på historien.

AI ændrer det ved at skifte informationskilden fra undersøgelser til direkte observation. Satellitbilleder, klimasignaler og afgrødeudviklingsdata er tilgængelige nu, ikke om seks uger, når en rapport er samlet og offentliggjort. Det, vores modeller gør, er at oversætte disse fysiske data til det finansielle sprog, som handlende, underwriters og analytikere faktisk bruger: afgrødeforudsigelser med angivet usikkerhedsinterval, produktionsareal-estimater med ugentlige opdateringer, stress-score, der kvantificerer risiko ved oprindelse, før det kommer til syne i priser.

I 2022 flaggede vores US-majsmodeller en nedadgående revision fem uger, før USDA offentliggjorde deres. I januar 2025 surfacede vores modeller en stress-score på 0,76 på Ghanas kakaobælte; COCOBOD ændrede ikke deres sæsonforudsigelse, før i juni. Informationsfordelen er ikke marginal; den er strukturel. Virksomheder, der stadig venter på officielle rapporter for at træffe forsynings- og prisbeslutninger, opererer med en forsinkelse, som deres modparter måske ikke deler.

“Første mile” af forsyningskæder har historisk set været et af de mindst gennemsigtige områder for globale virksomheder. Hvordan bliver første-mile-synlighed så kritisk nu, især som klimavolatilitet, regulering og geopolitisk usikkerhed øges?

Tre kræfter konvergerer, og hver er individuelt betydelig.

Klimavolatilitet øger hyppigheden og alvoren af produktionschok ved oprindelse. Det samme vejrforhold har nu en større forsyningsvirkning, fordi afgrødesystemer er mere stressede, og ekstreme begivenheder er mindre forudsigelige fra historiske gennemsnit. Lineære risikomodeller bygget på historiske normer er strukturelt ude af stand til at håndtere det. Du behøver realtids fysisk observation for at se, hvad der faktisk sker i marken.

Regulering skaber en direkte ansvarsligkabsforbindelse mellem, hvad der sker ved den første mile, og hvad en virksomhed kan sælge eller finansiere. EUDR, CSRD, TCFD: disse rammer kræver, at virksomheder ved, med bevis, hvor deres varer kommer fra og under hvilke betingelser oprindelsen var. “Vi stolede på leverandøren” er ikke længere en forsvarlig position. Denne ansvarsligkab presser sporbarhed og oprindelse fra en indkøbspræference til en lovkrav.

Geopolitisk forstyrrelse har gjort enkelt-oprindelses-afhængighed til en bestyrelsesrisiko. Når en region står for en dominerende andel af en vares globale forsyning og denne region bliver upålidelig, har virksomheder uden første-mile-synlighed ingen tidlig advarselmekanisme. De opdager det, når markedet allerede har ompriset.

Der sker også en bredere ændring i data-økosystemet selv. Google Earth AI’s nylige lancering af pan-tropiske varekort – årlige 10-meter afgrødefodtryk for kakao, kaffe, oliepalme og gummi, udgivet som åbne data – er et nyttigt tegn på, hvor tingene er på vej. Den fysiske verden er stadig mere læselig fra rummet, og efterspørgslen efter forsyningskæde-gennemsigtighed er nu mainstream nok til at tiltrække big-tech-investeringer i stor skala. Treefera ønsker det velkommen. En rigere grundlæggende data-lag øger gulvet for hele markedet og skaber fælles bevidsthed om, at bedre information ikke bare er mulig, men tilgængelig.

Hvad åbne opdagelseskort ikke kan gøre, er at lukke intelligens-gapet. At vide, hvor afgrøder er plantet, er ikke det samme som at vide, hvordan denne sæson udvikler sig, hvad betingelserne ved oprindelse betyder for jeres forsyningsudsættelse eller hvor jeres portefølje er i fare. Oversættelsen fra observation til finansielt niveau indsigt er, hvad Treefera er bygget til.

Første-mile-ignorance var tidligere kommercielt acceptabel, når verden var mere forudsigelig. Det er det ikke længere.

Jeres kundebase omfatter store virksomheder som JP Morgan, Microsoft, Bayer og Anew. Hvad er de mest almindelige problemer, virksomheder forsøger at løse med Treefera: overholdelse, forsyningsrisiko, forudsigelse, bæredygtighed, indkøb eller noget andet?

Det centrale problem, virksomheder bringer til os, er en version af det samme: de har betydelig finansielt udsatte for, hvad der sker ved den første mile af landbrugsforsyningskæder, og ingen pålidelig mekanisme til at se det, før det koster dem. Den specifikke ramme afviger efter sektor.

For handlende og varer-eksponerede finansielle institutioner er spørgsmålet informationsfordel: at se forsyningsændringer, før de dukker op i priser eller officielle data. For landbrugs-lån og forsikringsselskaber er det risikovurdering; de underwriter eller finansierer operationer, hvis præstation er direkte styret af betingelser, de ikke kan observere. For virksomheder med bæredygtigheds- eller overholdelsesforpligtelser er spørgsmålet bevis: at bevise, med forsvarlige data, at deres forsyningskæder opfylder standarderne, som regulatorer og modparter nu kræver.

Den traditionelle løsning – stole på leverandøren, vente på regeringsrapporten, købe konsensus-estimatet – er ikke længere tilstrækkeligt. Præcisionen og hastigheden, de behøver, findes ikke i det offentlige data-økosystem. Den findes ved den første mile.

Treefera har rapporteret 6x år-til-år-vækst, nul udskiftning og en overskrevet Serie B på to år. Hvad antyder dette niveau af adoption om virksomheds-efterspørgsel efter AI-systemer, der er præcise, effektive og operationelt grundede snarere end blot storstile?

Nul udskiftning er det mest talende signal. Omsætningsvækst kan reflektere kommerciel udførelse; nul udskiftning reflekterer marked-til-produkt-tilpasning. Kunder, der har brugt data i en fuld sæson, back-testet det mod deres egne modeller og truffet beslutninger på baggrund af det, og derefter fornyet, fortæller os, at signalerne er ægte og ændrer, hvordan de opererer.

Det peger også på betydelig uopfyldt virksomheds-efterspørgsel efter AI, der er præcis, gennemskuelig og operationelt integrerbar – efterspørgsel, der ikke er tilfredsstillet af et landskab, der er tungt vægtet mod generative værktøjer og storstile-modeller. Forsyningskæde- og risikoprofessionelle behøver en forudsigelse med en angivet usikkerhedsinterval, som de kan stå bag i en risikoudvalg. Når denne bar er opfyldt – domænespecifik data, finansielt niveau præcision, gennemskuelig metode – prioriterer virksomheder det. Den overskrevne kapitalindsamling reflekterer investor-genkendelse af den samme dynamik: markedet er stort, problemet er strukturelt, og den eksisterende data-infrastruktur var ikke bygget til at løse det.

Ser du fremad, tror du, at den næste fase af anvendt AI vil blive defineret mindre af model-størrelse og mere af operationel effektivitet, domænespecifik data og målbare forretnings-resultater?

Ja, og beviset for det er allerede synligt.

Storstile-AI er begyndt at ramme grænserne for, hvad rå skala kan løse. At tilføje parametre forbedrer ikke en afgrødeforudsigelse, hvis de underliggende data er grove, forsinkede eller geografisk misalignerede. Den marginale værdi af beregning er aftagende, når flasken er datakvalitet og domæne-præcision, ikke model-størrelse.

Den næste fase vil blive defineret af domænespecifik træningsdata, ret-størrelse-modeller og verificerbare output. I sektorer som landbrug, finans og forsyningskæde, hvor beslutninger har finansielle og operationelle konsekvenser, har spørgsmålet aldrig været “hvordan stor er modellen?” Det har været “hvordan pålidelig er svaret, og hvor hurtigt kan jeg handle på det?” Skala alene kan ikke besvare det. Virksomhederne, der vil føre i anvendt AI over de næste fem år, vil have bygget proprietære data-pipelines ind i den fysiske verden, trænet modeller på den data med passende videnskabelig rigor og demonstreret målbare præcision i live-forhold. Teknologien er stadig mere en vare; data og domæne-ekspertise er ikke.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Treefera.