Thomas Cuvelier, Partner, US & Europa, RTP Global – Intervieuserie

Thomas Cuvelier, Partner, US & Europa, RTP Global er en New York-baseret investor, der fokuserer på at støtte grundere på tværs af USA og Europa, der bygger kategori-definerende virksomheder. Han er især tiltrukket af iværksættere, der er drevet af første-hånds-erfaring med at løse virkelige problemer, snarere end dem, der blot søger at starte en forretning. Med en baggrund i datalogi og statistik investerer han i teknisk stærke hold fra Pre-Seed til Series A, typisk med en investering på 1 million til 10 millioner dollars. Hans investerings-erfaring omfatter hele virksomhedens livscyklus, fra tidlige venture til vækst og senere køb, formet af tiden tilbragt i større globale tech-hubs, herunder San Francisco, New York, London, Berlin og Paris, og han bringer en stærk tvær-atlantisk perspektiv på teknologi, talent og markeder. Han taler også flydende fransk, mandarin og japansk.

RTP Global er en global venture kapital-firma, der investerer i teknologi-drevne virksomheder på tværs af Nordamerika, Europa og Asien. Firmaet blev grundlagt i 2000 og fokuserer på at støtte ambitiøse grundere på Seed- og Series A-niveau, med en track record, der inkluderer virksomheder som Datadog (DDOG ), Delivery Hero og Cred. RTP Global opererer med en langsigtede investeringsfilosofi, ofte støttende virksomheder i mange år, og geninvestere kapital fra tidligere succeser i nye virksomheder. Firmaets globale tilstedeværelse og netværk giver grundere mulighed for at skale internationalt, mens deres sektor-fokus omfatter områder som AI, fintech, SaaS og data-infrastruktur.

Du har støttet en bred vifte af AI-native startups, herunder workflow-orchestration-platforme som Kestra, robot-data-platforme som Mecka AI og vertikale SaaS-virksomheder som Archy og DualEntry. Fra din erfaring med at investere på tværs af disse forskellige sektorer, hvilke mønstre ser du i de typer af AI-startups, der får reel traction i dag?

Et interessant mønster kan ses i profilen af grundere bag succesfulde AI-startups. Jeg ser stadig mere ofte iværksættere, der er motiveret af og bygger AI-native løsninger til problemer, de selv har oplevet i legacy-industrier (det kan være ERP-systemer eller klodsede software i industrier som sundhedssektoren). Der er en separat gruppe af grundere, der har set en mulighed for at disruptere en legacy-aspekt af en global forretning og bygger rundt om det. Tendensen er, at generationen af AI-native grundere kommer sammen.

Det er også værd at bemærke, at traction skabes på tværs af et bredt landskab. Tunge industrier, der tidligere var “uovervindelige” for disruption fra startups, som robotteknologi og regerings-tjenester, kan nu disrupteres og er mulige for VC-investering.

Seneste lanceringer fra store model-leverandører som Anthropic har udløst debat om, hvorvidt vertikale AI-startups stadig har defensible moater. Hvordan ser du forholdet udvikle sig mellem grundlæggende modeller og applikations-lag-virksomheder?

Anthropics lanceringer udgør en trussel mod startup-økosystemet, men vi skal være præcise. Virksomheder, der tilbyder SaaS til SMB’er og uregulerede industrier, er sårbare. De har ikke en moat, som grundlæggende model-virksomheder ikke kan bryde med effektiv overflade-niveau-værktøj.

Men tiltrækningen af overflade-niveau-værktøj strækker sig kun så langt. Komplekse workflows i regulerede industrier er bedst betjent af AI-applikationer med dyb integration med industrien-specifikke værktøj, der er designet af hold med dyb viden om deres industri. De vertikale AI-startups bag disse applikationer har defensible moater og kan overleve stormen.

Du har foreslået, at nogle Series B- og C-AI-startups måske nu står over for strukturelle udfordringer på grund af hurtige fremskridt i grundlæggende modeller. Hvilke arkitektoniske fejl har disse virksomheder begået, og hvilke lærepenge skal yngre startups tage fra det?

Problemet, som mange AI-startups på Series B- og C-niveau står over for, er, at deres produkter i deres kerne er dashboards til at interface med LLM’er, der kun har en håndfuld underliggende integrationer. Disse virksomheder fik hurtig traction med hobbyist- og enterprise-adopterende over de seneste par år og rejste store beløb. Men hvis vi springer frem til i dag, er de grundlæggende model-virksomhederne godt placeret til at udfordre deres forretningsmodel.

For nye grundere er lærepenge, at man ikke skal tage for megen comfort fra nogen opfattet teknologi-moat eller historisk kunde-låsning. AI-assisteret software-udvikling og forretnings-skala gør, at i dagens gennembrud kan blive til morgendagens kommodité-tilbud. At bygge moater rundt om egenskaber, der stadig er svære at replikere – dybde af integration, dybde af industrien-specifik viden og trivende bruger-samfund – er en bedre strategi.

Når du vurderer AI-startups i dag, hvad udgør egentlig defensibilitet? Er det proprietær data, workflow-integration, regulatorisk kompleksitet, distribution eller noget helt andet?

Jeg ville sige, at alle disse er vigtige. Jeg kan ikke understrege dybden af integration nok. Vi taler om integration med over 100 industrien-specifikke værktøj og applikationer for at være et niveau af dybde, der er svært at erstatte.

Som nævnt ovenfor, tror jeg, at grundlæggende model-virksomhedernes push ind i vertikale industrier kun kan strække sig så langt. Regulerede industrier og deres kritiske workflows er for komplekse for grundlæggende modeller, og her ligger den bedste chance for AI-startups til at udfylde og bygge defensible forretninger.

Ud over det, jeg nævnte ovenfor, ville jeg også tilføje, at bruger-tilfredshed og fællesskabs-bygning stadig er vigtige byggesten for defensibilitet. Ægte bruger-loyalitet, fordi et produkt er fantastisk og en fornøjelse at bruge, er svært at bygge op, men også svært at disruptere.

Mange investorer siger nu, at teknologi-moaten i AI er mindskende. Er du enig, og hvis ja, hvilke nye former for konkurrencemæssig fordel er på vej?

Det er en kendsgerning, at teknologi-moaten er mindskende. Hvis dit produkt kan bygges over en weekend, så har du ikke en teknologi-moat – og kunsten af det mulige fra en weekend med AI bliver stadig mere sofistikeret.

I en verden, hvor software er let at erstatte, bliver kunde-loyalitet, forstærket af en fantastisk bruger-oplevelse, afgørende.

Set fra et venture-kapital-perspektiv, hvilke kvaliteter søger du efter hos grundere, der bygger AI-virksomheder i dag? Er der specifikke egenskaber, erfaringer eller måder at tænke på, der står ud, når du beslutter at støtte en grundere?

Personligt er det #1-egenskab klare kunder. Når grundere kender kunderne som deres egen hånd, og hvordan deres produkt passer ind i kundens virkelighed, så falder andre vigtige elementer for at bygge succesfulde AI-virksomheder – som at være guidet af dyb sektor-ekspertise – på plads.

Andre vigtige kvaliteter er en produkt-fokuseret grundere-persona og stærke personlige netværk, der inkluderer enterprise-beslutningstagere, der kan blive kunder længere nede ad vejen.

Du har investeret i virksomheder, der opererer i regulerede sektorer som forsikring, sundhedssektor og finansielle tjenester. Hvorfor tror du, at regulerede industrier måske tilbyder stærkere langsigtede muligheder for AI-startups?

Industrier som sundhedssektoren, farmaceutiske virksomheder, finansielle tjenester, forsikring og den offentlige sektor er modne til disruption af AI-startups, der er bygget fra bunden af med hensyn til hver industris behov og workflows. Impacten af LLM’er og agentic AI er så revolutionerende, at den ikke bare “går forbi” industrier, der historisk har været langsomme til at adoptere teknologi.

Disse industrier er så tiltrækkende for startups, fordi de stadig er domineret af legacy-software-virksomheder, der ikke kan ændre deres produkter let til AI. Og som nævnt ovenfor, er de mindre egnede til disruption fra grundlæggende modeller.

Der har været en øget diskussion om en mulig bølge af fusioner og opkøb blandt mid-stage AI-virksomheder. Hvilke signaler ser du, der tyder på, at konsolidering kan accelerere i de næste par år?

Det tydeligste signal er værdi-kompression, der møder kontant-presset samtidig. Mange mid-stage AI-virksomheder rejste kapital til top-multiples i 2021-2023 og står nu over for ned-vurdering, hvis de går tilbage til markedet, hvilket gør en strategisk opkøb pludselig mere tiltrækkende end en ydmygende om-prising. På købersiden har hyperscaler-virksomheder og store platform-virksomheder brugt de sidste to år på at integrere AI-kapaciteter og er nu klar over, at det at bygge alt på egen hånd er langsommere end at købe differentierede distributions- eller proprietære data-aktiver.

Det andet signal er talent- og data-moat-dynamikken: da grundlæggende model-kommodificering accelererer, ligger den defensible værdi stadig mere i proprietær trænings-data og go-to-market, snarere end model-arkitektur i sig selv, hvilket er præcis, hvad acqui-hires og strategiske opkøb fanger effektivt.

Til sidst er det regulatoriske miljø stille og roligt blevet mere tilladt; den nuværende amerikanske administration har signaleret en lettere antitrust-holdning, hvilket fjerner barrierer for store strategiske virksomheder, der tidligere var forsigtige med hensyn til handelsskruitinering. Sæt det sammen, og du har motiverede sælgere, motiverede købere og en klarere regulatorisk vej: den kombination har historisk forudgået en M&A-bølge.

AI-startups kan opnå tidlig traction hurtigt, nogle gange når deres første million i omsætning hurtigere end tidligere generationer af SaaS-virksomheder. Men at skale ud over det synes at være, hvor mange kæmper. Hvad adskiller virksomhederne, der bryder igennem, fra dem, der stagnerer?

Skillelinjen mellem AI-grundere, der rammer omsætnings-lofter, og grundere, der gentagne gange slår igennem milepæle, er go-to-market-hastighed. At levere funktioner og produkter guidet af en bruger-samfund-tilbagekoblings-løkke. Ikke at tænke to gange over global vækst. At gøre de rigtige salgsansættelser. Kugle-sikre distributions-kanaler. Disse er afgørende principper for go-to-market-hastighed, der adskiller AI-startups fra mængden.

Set fremad tre til fem år, hvilke typer AI-startups er du mest begejstret for at støtte lige nu, og hvilke kategorier tror du allerede er blevet overfyldt eller sårbare?

Jeg er begejstret for mulighederne for AI til at disruptere sundhedssektoren og farmaceutiske virksomheder (fuld af komplekse og højt regulerede workflows, der kan disrupteres), industrielle virksomheder (hvor teknologi-disruption generelt stadig har miles tilbage) og finansielle virksomheder (især compliance og regnskab/ERP). Markedet for højt-niveau, SMB-orienterede AI-produkter er mættet og et område af startup-sårbarhed. Det er det samme tilfælde for enhver AI-startup med et produkt, der let kan replikeres. Teknologi-moater er ikke pålidelige længere.