Priya Saiprasad, Generel partner hos Touring Capital – Interviewserie

Når software kan udføre arbejde, ændrer det produktet, det adresserbare marked, prismodellen og økonomien i den virksomhed, der leverer det. Vi ønskede at bygge Touring omkring den mulighed fra starten.

Vores fokus er på virksomheder, der nærmer sig eller demonstrerer tidlig produkt‑marked‑fit, når det tekniske løfte begynder at omsættes til kundeadoption. Det er en særligt afgørende fase inden for AI: grundlæggere beslutter, hvilke arbejdsprocesser de vil eje, hvor meget autonomi kunder vil acceptere, og hvordan tidlig efterspørgsel kan omdannes til gentagelig vækst.

Vi ønskede også at bringe et virksomhed‑bygning perspektiv, informeret af vores erfaring inden for venture, M&A og store teknologiplatforme. Vores ambition er at hjælpe grundlæggere med at bygge virksomheder, hvis konkurrencefordele forstærkes, efterhånden som teknologien udvikler sig. Det kræver overbevisning om muligheden og vilje til løbende at genoverveje de underliggende antagelser.

Du har argumenteret for, at nogle af de største AI‑muligheder bevæger sig væk fra blot at bygge større grundlæggende modeller og i stedet mod virksomheder, der anvender AI i specifikke brancher. Hvad har ændret sig teknologisk eller økonomisk, så applikationslaget er så overbevisende nu?

Modellerne er blevet dramatisk mere kapable og tilgængelige, hvilket ændrer, hvor entreprenører kan skabe værdi. Du behøver ikke længere at bygge den underliggende intelligens fra bunden for at skabe noget kraftfuldt.

Det skifter spørgsmålet fra “Hvem har den bedste model?” til “Hvem kan anvende den intelligens til at løse et problem på en måde, der grundlæggende ændrer økonomien eller arbejdsprocessen?”

De mest overbevisende virksomheder placerer ikke blot en LLM foran et eksisterende softwareprodukt. De bruger AI til at gentænke, hvordan arbejde udføres. I nogle tilfælde betyder det at automatisere store dele af en arbejdsproces. I andre tilfælde betyder det, at et meget mindre team kan producere betydeligt mere output.

Det er, hvor jeg tror, at den næste bølge af værdiskabelse vil ske: virksomheder, der kan tage stadig mere kapabel intelligens og omdanne den til et produkt, som kunderne stoler på til at udføre meningsfuldt arbejde.

Når du ser på tværs af sektorer i dag, hvilke industrier mener du når et ægte AI‑inflektionspunkt, hvor AI kan fundamentalt omstrukturere arbejdsprocesser i stedet for blot at gøre eksisterende software mere effektivt?

Jeg er især interesseret i industrier, der kombinerer betydeligt vidensarbejde, komplekse eksisterende arbejdsprocesser og historisk lav softwarepenetration.

Finansielle tjenester, sundhedssektoren, juridisk, industri og bilindustrien er gode eksempler. Disse industrier har ofte enorme mængder værdifuld information og højt specialiserede arbejdsprocesser, men meget af arbejdet er stadig fragmenteret, manuelt eller afhænger af erfarne personer, der flytter information mellem systemer.

Muligheden er ikke blot at gøre de ansatte 10 % mere produktive. De mere interessante virksomheder redesignere arbejdsprocessen omkring, hvad AI nu kan gøre.

Det kan man se hos virksomheder som Numa, som bruger AI‑agenter til at automatisere kundesamtaler og forhandlerdrift, og Daloopa, som anvender AI på de stærkt tidsfølsomme data‑ og forskningsprocesser, som finansielle institutioner bruger. Den fælles tråd er en dyb forståelse af det underliggende arbejde. AI er kraftfuldt, men det fjerner ikke behovet for at forstå den branche, du bygger til.

Touring Capital lægger vægt på datamure, produkt‑flywheels og domænespecifik ekspertise, når de evaluerer AI‑virksomheder. Hvordan ser en virkelig defensibel vertikal AI‑virksomhed ud, og hvordan skelner man den fra en virksomhed, hvis hovedfordel blot er at pakke en tredjeparts stor sprogmodel ind?

En virkelig defensibel AI‑virksomhed bliver stærkere, efterhånden som den opererer.

Den underliggende model kan blive bedre over tid, og en virksomhed kan skifte model helt, men forretningsværdien bør ikke forsvinde, fordi modellen under ændres. Det, der betyder noget, er hvad virksomheden ejer omkring den model: kundeforholdet, arbejdsprocessen, de proprietære data, integrationerne og tilliden til at påtage sig stadig vigtigere arbejde.

En af de ting, vi holder nøje øje med, er om produktet bliver dybere indlejret over tid. Stoler kunderne på det med mere arbejde? Akkumuleres brug og resultater? Lærer virksomheden af sine implementeringer på måder, der forbedrer produktet?

Disse dynamikker skaber en meget stærkere forretning end blot at have en god brugerflade oven på en tredjepartsmodel. Funktioner kan konvergere meget hurtigt i AI. Vedvarende brug og dybere adoption af arbejdsprocessen er meget sværere at efterligne.

Efterhånden som grundmodeller bliver mere kapable og i stigende grad standardiserede, styrker det så vertikale AI‑virksomheder ved at give dem billigere intelligens at bygge på, eller skaber det en risiko for, at modeludbyderne selv absorberer mere af applikationslaget?

Begge dynamikker kan forekomme samtidigt. Bedre modeller udvider, hvad applikationsvirksomheder kan levere, samtidig med at modeludbydere kan bevæge sig længere ind i produkter og arbejdsprocesser.

Spørgsmålet i due diligence er, hvordan en virksomheds position ændrer sig, efterhånden som den underliggende intelligens forbedres. Vi stiller to spørgsmål sammen: hvad bliver muligt for denne forretning med næste generation af modeller, og hvilken del af dens nuværende værdiforslag kan blive en standardmodel‑funktion? Det hjælper med at skelne virksomheder, der drager fordel af fremskridt, fra dem, hvis differentiering afhænger af en midlertidig begrænsning.

Vertikale forretninger kan opbygge holdbare positioner gennem specialiserede arbejdsprocesser, kundetilgang, integrationer, evalueringssystemer og det operationelle ansvar, de påtager sig. Disse fordele kræver løbende investering; domæneekspertise alene er ikke en permanent beskyttelse.

De virksomheder, jeg finder mest overbevisende, har en klar vej til at påtage sig mere værdifuldt arbejde, efterhånden som modellerne forbedres. Deres kunder får bedre resultater, deres leveringsøkonomi styrkes, og deres akkumulerede viden bliver mere nyttig. Det er det forhold til modelfremskridt, vi ønsker at understøtte.

Traditionelle software‑as‑a‑service‑virksomheder er historisk blevet evalueret ud fra metrics som årlig tilbagevendende omsætning, bruttoavance, fastholdelse og udvidelse af licenser. Hvordan ændrer AI de metrics, du baserer dig på, især efterhånden som inferenskostnader, forbrugsbaseret prisfastsættelse og resultatbaserede forretningsmodeller bliver vigtigere?

ARR, fastholdelse og bruttoavance betyder stadig noget. Problemet er, at de alene ikke længere giver os nok information.

En AI‑virksomhed kan vokse til titusinder af millioner i ARR utroligt hurtigt, mens den underliggende brug i kundebasen allerede falder. Kunden kan stadig være under kontrakt, men når fornyelsen kommer, er produktet i praksis blevet erstattet. Det beskriver vi som latent churn.

Derfor ser vi i stigende grad under prisfastsættelsesmodellen og spørger, hvilket arbejde der faktisk udføres. Stiger antallet af arbejdsprocesser og resultater over tid? Stoler kunden på, at produktet udfører mere arbejde? Fortsætter brugen efter den indledende begejstring ved implementeringen?

Vi ser også meget tættere på økonomien bag væksten. AI‑virksomheder kan erstatte menneskelig arbejdskraft med automatisering, men beregning bliver en reel del af arbejdsstyrken og omkostningsstrukturen. Derfor ser vi på begreber som arbejdsprocesintensitet, effektivitetsmultiplikatorer, omsætning pr. justeret medarbejder og omkostningsleverage.

Det større spørgsmål er, om væksten bliver mere holdbar og effektiv over tid. Spektakulær vækst og holdbar vækst er ikke nødvendigvis det samme.

Mange AI‑agenter designes ikke kun til at assistere medarbejdere, men til at fuldføre hele arbejdsprocesser autonomt. Hvordan ændrer det markedsmuligheden for enterprise‑software, og kan AI‑virksomheder i sidste ende indfange en del af de lønbudgetter, der historisk har ligget uden for softwareudgifter?

Jeg mener, at dette er en af de vigtigste skift i enterprise‑software.

Historisk set blev software i høj grad solgt som et værktøj, der hjalp en medarbejder med at udføre sit arbejde. Medarbejderen forblev ansvarlig for at producere arbejdet, og softwarebudgettet var adskilt fra lønbudgettet.

Denne ligning ændres af AI, fordi software i stigende grad kan udføre dele af jobbet selv.

Dette udvider markedsmuligheden betydeligt. Du sælger ikke længere blot et produktivitetsværktøj fra et IT- eller softwarebudget. Hvis et produkt pålideligt kan overtage meningsfuldt arbejde og levere et målbare resultat, kan det også potentielt indfange værdi fra lønbudgetterne.

Den vigtige sondring er mellem en AI-assistent og et AI-system, som kunderne har tillid til at udføre opgaven. Sidstnævnte har potentialet til at blive langt mere værdifuldt, men det skal også demonstrere reel pålidelighed, ansvarlighed og økonomi. Kunderne vil i sidste ende ikke bekymre sig om, hvor sofistikeret AI’en er, hvis produktet ikke konsekvent kan levere det lovede resultat.

Du sidder i øjeblikket i bestyrelserne for virksomheder som Numa og Daloopa, som anvender teknologi i meget forskellige brancher såsom biloperationer og finansielle data. Hvad har disse virksomheder lært dig om, hvad der kræves for at indføre AI med succes i industrier med dybt etablerede arbejdsprocesser og domæneekspertise?

Den største lektie er, at AI ikke fjerner vigtigheden af domæneekspertise. På mange måder gør det den endnu vigtigere.

For at indføre AI med succes i en etableret branche skal du forstå arbejdsprocessen dybt nok til at vide, hvor automatisering faktisk skaber værdi, og hvor menneskelig dømmekraft stadig er vigtig. Du skal også forstå, hvordan kunderne vil adoptere produktet, hvordan det passer ind i deres eksisterende systemer og AI‑adoptionscyklus, samt hvad der kræves for at opnå deres tillid.

Numa og Daloopa opererer i meget forskellige markeder, men begge er dybt forbundet med det specifikke arbejde, deres kunder skal udføre. De mest succesfulde vertikale AI-virksomheder starter ikke med: “Hvor kan vi placere AI?” De starter med et meningsfuldt problem eller en arbejdsproces og redesignere den ud fra, hvad AI nu kan gøre.

Det er også grunden til, at jeg mener, at domæneekspertise kan blive en betydelig fordel over tid. Jo dybere du forstår arbejdet, desto mere effektivt kan du bygge et produkt, som kunderne er villige til at stole på.

Tourings seneste investeringer spænder både over domænespecifikke applikationer og muliggørende AI-infrastruktur. Hvordan tænker du på balancen mellem at investere i applikationslaget versus den infrastruktur, der kræves for at drive det, og hvor mener du, den største mulighed for venture‑skala afkast findes i dag?

Vi ser ikke muligheden som udelukkende eksisterende i ét lag af stacken. Vi fokuserer på, hvor vigtige flaskehalse opstår, og hvor en virksomhed kan opbygge en meningsfuld position, efterhånden som AI‑adoptionen skalerer.

På applikationssiden er vi begejstrede for virksomheder, der kan omsætte AI til målbar økonomisk værdi ved at eje vigtige arbejdsprocesser og levere reelle resultater. På infrastruktur‑siden er vi interesserede i de virksomheder, der løser de begrænsninger, der afgør, om AI faktisk kan implementeres effektivt i stor skala.

Vores investeringer i virksomheder som Infinity og Parasail afspejler dette. Den ene tackler softwareudfordringen med at gøre forskellige AI‑chips klar til at køre moderne modeller, mens den anden hjælper udviklere med at implementere og skalere AI‑arbejdsbelastninger uden selv at skulle administrere den underliggende infrastruktur.

Den bedre mulighed er ikke nødvendigvis bestemt af, om en virksomhed befinder sig i applikationer eller infrastruktur. Det centrale spørgsmål er, om virksomheden løser et vigtigt og holdbart problem med potentiale til at blive stadig mere værdifuldt, efterhånden som AI‑markedet udvikler sig.

Med enorme mængder kapital nu koncentreret omkring et relativt lille antal frontløber‑AI‑virksomheder, hvor mener du, at investorer stadig undervurderer muligheden, og hvilke AI‑native kategorier eller forretningsmodeller får langt mindre opmærksomhed, end de fortjener?

Et område, jeg finder særligt interessant, er midten af markedet.

Lige nu er venture blevet stadig mere barbell‑orienteret. Der er enorm appetit på lovende virksomheder i de tidligste faser, især dem med exceptionelle teams og overbevisende teknologi. Der er også betydelig kapital tilgængelig for de allerstørste, mest dokumenterede virksomheder.

Men midten, især de traditionelle Serie B‑ og C‑faser, er blevet meget sværere.

AI har komprimeret forventningerne. Virksomheder kan nu gå fra nul til meningsfuld omsætning hurtigere end nogensinde før, hvilket har hævet barren dramatisk, når en virksomhed begynder at generere omsætning. Vækst, der for et par år siden ville have været betragtet som ekstraordinær, skiller sig måske ikke længere ud på nutidens marked.

Det skaber både risiko og mulighed.

Nogle virksomheder bliver presset til at optimere efter, hvad fundraising‑markedet ønsker på et givet tidspunkt: 5‑gange vækst, 10‑gange vækst, en bestemt omsætningsmilepæl, uanset om den bane skaber en holdbar forretning. Markedet kan ændre sig dramatisk inden for seks til ni måneder, så grundlæggerne skal være forsigtige med ikke kun at bygge til forventningerne i den næste finansieringsrunde.

Denne mulighed ser jeg for investorer i at identificere virksomheder med stærke underliggende fundamentals, som ikke passer ind i dagens ekstreme markedsbillede. Udfordringen er at være disciplineret nok til at skelne holdbar vækst fra en virksomhed, der blot bliver trukket frem af den nuværende AI‑finansieringscyklus.

Tak for det gode interview, læsere der ønsker at lære mere om dette VC‑firma, bør besøge Touring Capital.