Shomik Ghosh, Partner i Sierra Ventures – Interviewserie

Shomik Ghosh er partner i Sierra Ventures. Tidligere var han partner i Boldstart Ventures, hvor han fokuserede på at investere i tekniske grundlæggere, der byggede produkter til at løse enterprise-udfordringer, såsom Cloudquery, Kiln AI og Noded AI. Før det var han en vækstinvestor i Top Tier Capital, hvor han investerede fra serie B til før børsnotering, såsom CircleCI, Anaplan og Shape Security.

Sierra Ventures er en venturekapitalfond, der fokuserer på at støtte innovative enterprise- og dybteknologivirksomheder. Fondens investeringer sker primært i seed- og serie A-faser på områder som kunstig intelligens, cybersikkerhed, enterprise-infrastruktur og cloud-teknologier. I de seneste år har Sierra Ventures lagt særlig vægt på tidlige AI-investeringer, hvor de støtter virksomheder, der bygger grundlæggende AI-platforme, maskinlæringsinfrastruktur, autonome systemer og enterprise-AI-applikationer. Gennem deres investeringsstrategi og netværk af erfarne brancherådgivere hjælper fonden med at udvikle fremvoksende teknologivirksomheder med at forfine produktstrategi, skalerer drift og accelererer adoption af avancerede AI-løsninger på tværs af brancher.

De har skiftet fra vækstinvesteringer hos Top Tier Capital Partners til at lede tidlige AI-investeringer hos Sierra Ventures, efter år med at støtte gennembrudsivirksomheder hos Boldstart Ventures. Hvordan har denne rejse formet deres måde at skelne mellem frontier AI og applied AI i dag?

Meget er ændret i den periode. AI er en massiv enablement-skift, der har trængt ind i brancher hurtigere end tidligere teknologipardigmer, da AI bygger på skuldrene af tidligere skift. Cloud-computing, PC/mobilenheder og hver bølge af tidligere AI-fremgang har leveret byggestenene til moderne AI til at sprede sig hurtigt. Dette er også årsagen til, at effekten føles så hurtig og pludselig, med dramatiske bevægelser på aktiemarkedet og endda påvirkning af moderne krigsførelse. Det, vi søger efter, er grundlæggere, der tager et skridt ind i fremtiden. De omfavner alle risikoen for at bygge funktionalitet og kapaciteter til en verden, der endnu ikke eksisterer, men som kan imponere kunder med resultater, der ikke tidligere har været set, og som kan muliggøre hurtigere skalerbarhed. I både Frontier og Applied AI findes dette fra robotter til vertikale AI-applikationer.

På hvilken måde definerer de “frontier AI” versus “applied AI”, når de vurderer tidlige startups, og hvor ser de de største misforståelser i, hvordan disse kategorier diskuteres i den bredere AI-narrativ?

Frontier AI betyder at udnytte teknologi til at tackle problemer på kanten af, hvad der er muligt. Indtil nu har vi ikke haft robotter, der betydeligt har aktiveret industrier uden for lagerhuse, vi har ikke haft nye halvlederchips eller briller designet med ny laser-teknologi og råmaterialer. Applied AI betyder at udnytte teknologi til at tackle problemer, der er kendte i dag, men som tidligere ikke kunne løses i samme omfang. Et godt eksempel er taleagenter, hvor virksomheder som Smallest AI hjælper kunder med at levere menneske-lignende chat-oplevelser og resultater til kunder i stedet for et produkt, der hjælper med at opnå resultater. Denne aspekt af at levere resultater i stedet for at forbedre processen er en vigtig skift, som Applied AI bringer til brancher.

Set fra deres synspunkt på at arbejde tæt med grundlæggere på tværs af model-innovation, robotter og vertikale AI, hvor sker de mest betydningsfulde gennembrud lige nu?

Gennembrud sker overalt! AI-kodegenerering muliggør hurtigere produktcyklusser end før. Modeller leverer nye kapaciteter med hukommelsesstyring og RL-miljøer tilpasset forskellige brugsområder, sådan at hallucinationer reduceres hurtigt, mens nøjagtigheden for videnarbejde forbedres eksponentielt. Dette føder sig selv. I robotter ser vi tidlige tegn på, at skaleringslove fungerer ligesom i LLM’er. Dette er et stort gennembrud, da LLM’er tidligere primært var baseret på tekst eller billeder, men nu viser modeller, der er trænet på den fysiske verden, der skal forstå fysik, lignende skaleringslove. Nye artikler som den rekursive LLM-artikel viser, hvordan modeller kan forbedre sig selv ved at arbejde sammen. Vi ser System 1 og 2 modelstrukturer begynde at opstå, der ligner dynamikken i hjernen. Domænespecifikke modeller bliver lettere at træne og destillere fra frontier OSS-ræsonneringsmodeller til at hjælpe vertikale AI-byggere med at levere bedre resultater til kunder.

Når de vurderer en tidlig AI-virksomhed, hvordan balancerer de teknisk nytænkning mod marked-tilpasning og reel kunde-tiltrækning?

Til sidst er teknisk nytænkning i sig selv typisk mere nyttig for forskningsfeltet. I grundmodellerne for eksempel kunne teknisk nytænkning føre til et gennembrud, der så præsenterer en ny skaleringsvertikal. Men for de fleste startups er teknisk nytænkning et middel til at levere et bedre resultat for kunder. Startup-grundlæggere bør ikke bygge noget kun, fordi det er teknisk svært at bygge, men snarere som en følge af, at det fører til bedre kunde-resultater og også en bedre grav til virksomheden, der gør det sværere for andre at kopiere. I AI-kodegenereringsalderen kan meget af den tekniske nytænkning hurtigt blive brudt, så mere og mere handler det om at forstå resultatdrevet ingeniørarbejde versus blot teknisk ingeniørarbejde.

Ud over teknologien selv, hvad søger de specifikt efter i en grundlægger, der bygger en AI-virksomhed i de tidligste faser?

Vi ønsker at se grundlæggere, der bygger for fremtiden, der endnu ikke er sket. De tager kalkulerede chancer på agenter, modeller og hardware-forbedringer, der sandsynligvis vil ske i nærheden, og bygger produkter, der kan udnytte det. Så ønsker vi, at grundlæggeren forklarer, hvorfor den fremtid vil ske, og hvorfor bygning til den fremtid nu vil forbedre kundernes liv 10 gange i fremtiden ved at forberede sig på det nu. Vi ønsker også grundlæggere, der fuldt ud omfavner AI. Hvis du ikke bruger Cursor, Codex, Claude Code til at eksperimentere og lære, er det svært at forestille sig fremtiden, given den hastighed, hvormed disse produkter forbedrer software-universet. Disse ændringer har en nedadgående effekt på hardware-universet, da software og hardware stadig mere er tæt integreret for at muliggøre autonome beslutninger af hardware for at levere bedre kunde-resultater.

Hvilke signaler antyder, at en teknisk ambitiøs AI-virksomhed har potentialet til at udvikle sig til en skalerbar, enterprise-klar forretning snarere end at forblive en forskningsdrevet indsats?

Typisk har grundlæggere, der er startet i en forskningsdrevet indsats, et slutmål i sigte. De måske ønsker at fortsætte med at udføre forskning for at fremme feltet, men de forstår også, at monetering af den anvendte forskning hjælper med at give brændstof til disse fremgang. Så vi prøver blot at forstå, hvordan en grundlægger, der i øjeblikket er i forskningsmode, tænker omkring anvendelserne af denne forskning og hvilke hypoteser de har til at teste fremgangen af forskningen i verden undervejs for at mindske risikoen for forskningsfasen.

For grundlæggere, der bygger højt tekniske platforme uden umiddelbar indtægtsvisibility, hvordan bør de strukturere milepæle og investor-samtaler forskelligt fra startups med mere klare nærmere-indtægtsveje?

Meget svært at sige. Hver startup har unikke aspekter. En robot-virksomhed måske ikke har indtægtsvisibility i lang tid, men milepæle undervejs kunne være opdukke kapaciteter, skaleringslove i modeller, handlinger, der tidligere ikke kunne ske. I AI-infrastruktur kan det være at levere til 2-3 designpartnere et produkt, der giver resultater, som holdene er begejstrede for og villige til at tage chancen for at bruge produktet i produktion, selvom det er tidligt. I vertikal AI har du typisk en mere klar nærmere-indtægtsvej, fordi hvis du leverer en kunde-resultat i en vertikal, der løser et stort smertepunkt, er kunderne villige til at betale for det typisk med det samme.

Der har været betydelig momentum omkring startups, der bygger AI-agenter – hvad er deres perspektiv på det lange sigt-potentiale for virksomheder, der primært fokuserer på autonome agenter i enterprise-miljøer?

Jensen Huang fra Nvidia (NVDA ) sagde, at Openclaw var det ChatGPT-øjeblik for den agente-æra. Jeg tror, det siger alt. Tidsrammen for agenter i enterprise er ikke længere en langsigtede væddemål, men en, der hurtigt kommer til at ske, uanset om virksomheder ønsker det eller ej, da computerbrug, browser og personlige agenter spreder sig gennem organisationer fra bunden og op. Æraen er her, virksomheder vil adoptere agenter i alle aspekter af organisationen, og de vil have brug for styring, sikkerhed, overvågning, infrastruktur, beregnings- og data-rails til at betjene alt dette.

Hvilke mønstre ser de i de typer af AI-grundlæggere eller domæner, der tiltrækker vedvarende investor-tillid versus dem, der måske over-indexer på narrativ?

Jeg tror, der er for mange mulighedsområder for grundlæggere at bygge i de samme områder. Legal-tech som Harvey, Legora, Eudia har alle gjort det godt, men der er stadig nye virksomheder, der kommer ud hver dag i dette område. Min besked til grundlæggere ville være, at AI er en massiv enablement-skift. Det påvirker hver eneste del af verden. Givet det er overfladen af produkter at bygge og problemer at løse ubegrænset. Tænk større end bare at gå efter en succesfuld virksomhed, du har set samle meget kapital. Vi kan bruge AI til at levere liv-forandrende resultater, og jeg ville opfordre grundlæggere til at bruge mere tid på at tænke over problemer, de ville elske at løse, og derefter arbejde baglæns på, hvordan AI kunne hjælpe med at løse dem.

Set fremad, hvordan forventer de, at tidlige AI-virksomhedsbygning vil udvikle sig over de næste fem år, mens kapaciteter modnes og markeder stabiliseres?

Jeg er ikke sikker på, om “marked-stabilisering” er en term, jeg ville bruge. Jeg tror, AI forbedres eksponentielt, og som følge af det vil der være mange forstyrrelser. Men forstyrrelser skaber endeløse muligheder, og tidlige virksomhedsbygning er ved at indtræde i en af de mest dynamiske æraer, vi har set i de seneste år. Vi glemmer, men virksomheder som OpenAI og Anthropic er mindre end et årti gamle og er allerede betragtet som mega-cap-teknologivirksomheder. Der er et vindue af tid, mens kapaciteter udvides hurtigt, hvor mange massive virksomheder kan bygges. Det er en af de mest spændende tider i tech, jeg har oplevet i mit liv.

Tak for det store interview, iværksættere, der ønsker at lære mere, skal besøge Sierra Ventures.