Priya Saiprasad, Γενική Συνεργάτης στην Touring Capital – Σειρά Συνεντεύξεων

Όταν το λογισμικό μπορεί να εκτελεί εργασία, αλλάζει το προϊόν, την προσβάσιμη αγορά, το μοντέλο τιμολόγησης και την οικονομική δομή της εταιρείας που το παρέχει. Θέλαμε να χτίσουμε την Touring γύρω από αυτήν την ευκαιρία από την αρχή.

Η εστίασή μας είναι σε εταιρείες που πλησιάζουν ή επιδεικνύουν πρώιμο product-market fit, όταν η τεχνική υπόσχεση αρχίζει να μεταφράζεται σε αποδοχή από τους πελάτες. Αυτό είναι ένα ιδιαίτερα κρίσιμο στάδιο στην AI: οι ιδρυτές αποφασίζουν ποιες ροές εργασίας θα κατέχουν, πόση αυτονομία θα αποδεχτούν οι πελάτες, και πώς να μετατρέψουν την αρχική ζήτηση σε επαναλαμβανόμενη ανάπτυξη.

Θέλαμε επίσης να φέρουμε μια προοπτική οικοδόμησης εταιρείας, βασισμένη στην εμπειρία μας σε venture, M&A και μεγάλες τεχνολογικές πλατφόρμες. Η φιλοδοξία μας είναι να βοηθήσουμε τους ιδρυτές να δημιουργήσουν επιχειρήσεις των οποίων τα ανταγωνιστικά πλεονεκτήματα ενισχύονται καθώς η τεχνολογία εξελίσσεται. Αυτό απαιτεί πεποίθηση για την ευκαιρία και προθυμία να επανεξετάζουμε συνεχώς τις υποθέσεις που τη στηρίζουν.

Έχεις υποστηρίξει ότι μερικές από τις μεγαλύτερες ευκαιρίες στην AI μετατοπίζονται από την απλή δημιουργία μεγαλύτερων μοντέλων βάσης προς εταιρείες που εφαρμόζουν AI σε συγκεκριμένες βιομηχανίες. Τι έχει αλλάξει τεχνολογικά ή οικονομικά ώστε η στρώση εφαρμογών να είναι τόσο ελκυστική τώρα;

Τα μοντέλα έχουν γίνει δραματικά πιο ικανοί και προσβάσιμα, κάτι που αλλάζει το σημείο όπου οι επιχειρηματίες μπορούν να δημιουργήσουν αξία. Δεν χρειάζεται πλέον να κατασκευάσεις την υποκείμενη νοημοσύνη από το μηδέν για να δημιουργήσεις κάτι ισχυρό.

Αυτό μετατοπίζει την ερώτηση από «Ποιος έχει το καλύτερο μοντέλο;» σε «Ποιος μπορεί να εφαρμόσει αυτή τη νοημοσύνη για να λύσει ένα πρόβλημα με τρόπο που να αλλάζει θεμελιωδώς την οικονομία ή τη ροή εργασίας;»

Οι πιο ελκυστικές εταιρείες δεν τοποθετούν απλώς ένα LLM μπροστά σε ένα υπάρχον προϊόν λογισμικού. Χρησιμοποιούν AI για να επαναπροσδιορίσουν τον τρόπο που γίνεται η εργασία. Σε ορισμένες περιπτώσεις, αυτό σημαίνει αυτοματοποίηση μεγάλων τμημάτων μιας ροής εργασίας. Σε άλλες, σημαίνει ότι μια πολύ μικρότερη ομάδα μπορεί να παράγει σημαντικά περισσότερο αποτέλεσμα.

Αυτή είναι η περιοχή όπου πιστεύω ότι θα συμβεί ένα μεγάλο μέρος της επόμενης κύματος δημιουργίας αξίας: εταιρείες που μπορούν να πάρουν ολοένα και πιο ικανή νοημοσύνη και να τη μετατρέψουν σε προϊόν που οι πελάτες εμπιστεύονται για να εκτελούν ουσιαστική εργασία.

Κοιτάζοντας σήμερα τους τομείς, ποιες βιομηχανίες πιστεύεις ότι φτάνουν σε ένα πραγματικό σημείο καμπής της AI, όπου η AI θα μπορούσε να αναδιαρθρώσει θεμελιωδώς τις ροές εργασίας αντί να κάνει απλώς το υπάρχον λογισμικό πιο αποδοτικό;

Είμαι ιδιαίτερα ενδιαφερόμενος για βιομηχανίες που συνδυάζουν σημαντική εργασία γνώσης, σύνθετες υπάρχουσες ροές εργασίας και ιστορικά χαμηλά επίπεδα διείσδυσης λογισμικού.

Οι χρηματοοικονομικές υπηρεσίες, η υγειονομική περίθαλψη, ο νομικός τομέας, οι βιομηχανίες και ο αυτοκινητοβιομηχανικός κλάδος είναι καλά παραδείγματα. Αυτοί οι κλάδοι συχνά διαθέτουν τεράστιες ποσότητες πολύτιμων πληροφοριών και εξειδικευμένες ροές εργασίας, αλλά μεγάλο μέρος της εργασίας παραμένει κατακερματισμένο, χειροκίνητο ή εξαρτημένο από έμπειρα άτομα που μεταφέρουν πληροφορίες μεταξύ συστημάτων.

Η ευκαιρία δεν είναι απλώς να κάνουμε αυτούς τους εργαζόμενους 10 % πιο παραγωγικούς. Οι πιο ενδιαφέρουσες εταιρείες επανασχεδιάζουν τη ροή εργασίας γύρω από ό,τι μπορεί τώρα η τεχνητή νοημοσύνη.

Μπορείτε να το δείτε σε εταιρείες όπως η Numa, η οποία χρησιμοποιεί πράκτορες AI για την αυτοματοποίηση των αλληλεπιδράσεων με πελάτες και των λειτουργιών αντιπροσωπευτικών καταστημάτων, και η Daloopa, η οποία εφαρμόζει AI στα εξαιρετικά ευαίσθητα χρονικά δεδομένα και στις ροές εργασίας έρευνας που χρησιμοποιούν οι χρηματοπιστωτικοί οργανισμοί. Το κοινό στοιχείο είναι η βαθιά κατανόηση της υποκείμενης εργασίας. Η AI είναι ισχυρή, αλλά δεν εξαλείφει την ανάγκη να κατανοήσετε τη βιομηχανία για την οποία δημιουργείτε.

Η Touring Capital δίνει έμφαση σε φράγματα δεδομένων, κυλίνδρους προϊόντων και εξειδικευμένη γνώση τομέα όταν αξιολογεί εταιρείες AI. Πώς φαίνεται μια πραγματικά αμυντική κάθετη επιχείρηση AI, και πώς διακρίνετε μια τέτοια από μια εταιρεία της οποίας το κύριο πλεονέκτημα είναι απλώς η ενσωμάτωση ενός εξωτερικού μεγάλου γλωσσικού μοντέλου;

Μια πραγματικά αμυντική επιχείρηση AI γίνεται πιο ισχυρή καθώς λειτουργεί.

Το υποκείμενο μοντέλο μπορεί να βελτιώνεται με την πάροδο του χρόνου, και μια εταιρεία μπορεί να αλλάξει εντελώς μοντέλα, αλλά η αξία της επιχείρησης δεν πρέπει να εξαφανίζεται επειδή το μοντέλο που τη στηρίζει αλλάζει. Αυτό που μετράει είναι τι κατέχει η εταιρεία γύρω από εκείνο το μοντέλο: η σχέση με τον πελάτη, η ροή εργασίας, τα ιδιόκτητα δεδομένα, οι ενσωματώσεις και η εμπιστοσύνη για ανάληψη ολοένα και πιο σημαντικών εργασιών.

Ένα από τα πράγματα στα οποία δίνουμε ιδιαίτερη προσοχή είναι αν το προϊόν ενσωματώνεται πιο βαθιά με την πάροδο του χρόνου. Οι πελάτες το εμπιστεύονται για περισσότερη εργασία; Συγκεντρώνονται η χρήση και τα αποτελέσματα; Η εταιρεία μαθαίνει από τις υλοποιήσεις της με τρόπους που βελτιώνουν το προϊόν;

Αυτές οι δυναμικές δημιουργούν μια πολύ πιο ισχυρή επιχείρηση από το απλό να έχει κανείς ένα καλό περιβάλλον πάνω από ένα εξωτερικό μοντέλο. Τα χαρακτηριστικά μπορούν να συγκλίνουν πολύ γρήγορα στην AI. Η συνεχής χρήση και η βαθύτερη υιοθέτηση της ροής εργασίας είναι πολύ πιο δύσκολο να αντιγραφούν.

Καθώς τα μοντέλα βάσης γίνονται πιο ικανοί και όλο και πιο εμπορευματοποιημένοι, ενισχύει αυτό τις κάθετες εταιρείες AI δίνοντάς τους φθηνότερη νοημοσύνη για να χτίσουν πάνω της, ή δημιουργεί κίνδυνο ότι οι ίδιοι οι πάροχοι μοντέλων απορροφούν περισσότερο το επίπεδο εφαρμογών;

Και οι δύο δυναμικές μπορούν να συμβούν ταυτόχρονα. Καλύτερα μοντέλα επεκτείνουν το τι μπορούν να παραδώσουν οι εταιρείες εφαρμογών, ενώ ταυτόχρονα επιτρέπουν στους παρόχους μοντέλων να προχωρήσουν περισσότερο σε προϊόντα και ροές εργασίας.

Το ερώτημα στη δέουσα επιμέλεια είναι πώς αλλάζει η θέση μιας εταιρείας καθώς βελτιώνεται η υποκείμενη νοημοσύνη. Θέτουμε δύο ερωτήματα μαζί: τι γίνεται δυνατό για αυτήν την επιχείρηση με την επόμενη γενιά μοντέλων, και ποιο μέρος της τρέχουσας πρότασης αξίας της μπορεί να μετατραπεί σε τυπική δυνατότητα του μοντέλου; Αυτό βοηθά να διακρίνουμε τις εταιρείες που ωφελούνται από την πρόοδο από εκείνες των οποίων η διαφοροποίηση εξαρτάται από έναν προσωρινό περιορισμό.

Οι κάθετες επιχειρήσεις μπορούν να χτίσουν ανθεκτικές θέσεις μέσω εξειδικευμένων ροών εργασίας, πρόσβασης πελατών, ενσωματώσεων, συστημάτων αξιολόγησης και της λειτουργικής ευθύνης που αναλαμβάνουν. Αυτά τα πλεονεκτήματα απαιτούν συνεχή επένδυση· η εξειδίκευση τομέα από μόνη της δεν αποτελεί μόνιμη προστασία.

Οι εταιρείες που βρίσκω πιο ελκυστικές έχουν σαφή διαδρομή για ανάληψη πιο πολύτιμης εργασίας καθώς τα μοντέλα βελτιώνονται. Οι πελάτες τους λαμβάνουν καλύτερα αποτελέσματα, η οικονομία παράδοσής τους ενδυναμώνεται και η συσσωρευμένη γνώση τους γίνεται πιο χρήσιμη. Αυτή είναι η σχέση με την πρόοδο των μοντέλων που θέλουμε να υποστηρίξουμε.

Οι παραδοσιακές εταιρείες λογισμικού-ως-υπηρεσία έχουν παραδοσιακά αξιολογηθεί χρησιμοποιώντας μετρήσεις όπως ετήσια επαναλαμβανόμενα έσοδα, ακαθάριστα περιθώρια, διατήρηση και επέκταση θέσεων. Πώς η τεχνητή νοημοσύνη αλλάζει τις μετρήσεις στις οποίες βασίζεστε, ιδιαίτερα καθώς τα κόστη επαγωγής, η τιμολόγηση βάσει χρήσης και τα επιχειρηματικά μοντέλα βάσει αποτελεσμάτων γίνονται πιο σημαντικά;

Το ARR, η διατήρηση και τα μικρά περιθώρια κέρδους εξακολουθούν να έχουν σημασία. Το πρόβλημα είναι ότι, από μόνα τους, δεν μας παρέχουν πλέον αρκετές πληροφορίες.

Μια εταιρεία AI μπορεί να αυξηθεί σε δεκάδες εκατομμύρια δολάρια ARR εξαιρετικά γρήγορα, ενώ η υποκείμενη χρήση στη βάση πελατών της ήδη μειώνεται. Ο πελάτης μπορεί να είναι ακόμη υπό σύμβαση, αλλά όταν έρθει η ανανέωση, το προϊόν έχει ουσιαστικά αντικατασταθεί. Αυτό είναι αυτό που περιγράφουμε ως λανθάνουσα αποχώρηση.

Έτσι, κοιτάμε όλο και περισσότερο κάτω από το μοντέλο τιμολόγησης και ερωτόμαστε ποια εργασία γίνεται πραγματικά. Αύξονται ο αριθμός των ροών εργασίας και των αποτελεσμάτων με την πάροδο του χρόνου; Ο πελάτης εμπιστεύεται το προϊόν για περισσότερη εργασία; Η χρήση συνεχίζεται μετά τον αρχικό ενθουσιασμό της υλοποίησης;

Επίσης εξετάζουμε πολύ πιο προσεκτικά την οικονομία πίσω από την ανάπτυξη. Οι εταιρείες AI μπορούν να αντικαταστήσουν το ανθρώπινο προσωπικό με αυτοματοποίηση, αλλά η υπολογιστική ισχύς γίνεται πραγματικό μέρος του εργατικού δυναμικού και της δομής κόστους. Γι’ αυτό εξετάζουμε έννοιες όπως η ένταση ροής εργασίας, οι πολλαπλασιαστές αποδοτικότητας, το έσοδο ανά προσαρμοσμένο υπάλληλο και η μόχλευση κόστους.

Το μεγαλύτερο ερώτημα είναι αν η ανάπτυξη γίνεται πιο ανθεκτική και αποδοτική με την πάροδο του χρόνου. Η εντυπωσιακή ανάπτυξη και η ανθεκτική ανάπτυξη δεν είναι απαραίτητα το ίδιο πράγμα.

Πολλοί πράκτορες AI σχεδιάζονται όχι μόνο για να βοηθούν τους εργαζόμενους, αλλά για να ολοκληρώνουν ολόκληρες ροές εργασίας αυτόνομα. Πώς αλλάζει αυτό την ευκαιρία αγοράς για το λογισμικό επιχειρήσεων, και θα μπορούσαν οι εταιρείες AI τελικά να καταλάβουν ένα τμήμα των προϋπολογισμών εργασίας που ιστορικά βρισκόταν εκτός των δαπανών λογισμικού;

Πιστεύω ότι αυτή είναι μία από τις πιο σημαντικές αλλαγές στο λογισμικό επιχειρήσεων.

Ιστορικά, το λογισμικό πωλούνταν κυρίως ως εργαλείο που βοηθούσε έναν υπάλληλο να εκτελεί τη δουλειά του. Ο υπάλληλος παρέμενε υπεύθυνος για την παραγωγή της εργασίας, και ο προϋπολογισμός του λογισμικού ήταν ξεχωριστός από τον προϋπολογισμό εργασίας.

Η AI αλλάζει αυτή την εξίσωση, επειδή το λογισμικό μπορεί όλο και περισσότερο να εκτελεί τμήματα της εργασίας από μόνο του.

Αυτό διευρύνει σημαντικά την ευκαιρία της αγοράς. Δεν πουλάτε πλέον μόνο ένα εργαλείο παραγωγικότητας από έναν προϋπολογισμό IT ή λογισμικού. Εάν ένα προϊόν μπορεί αξιόπιστα να αναλάβει ουσιαστική εργασία και να παράγει μετρήσιμο αποτέλεσμα, μπορεί επίσης να αποσπά αξία από τους προϋπολογισμούς εργασίας.

Η σημαντική διάκριση είναι μεταξύ ενός βοηθού AI και ενός συστήματος AI στο οποίο οι πελάτες εμπιστεύονται ότι θα εκτελέσει πραγματικά. Το δεύτερο έχει τη δυνατότητα να γίνει πολύ πιο πολύτιμο, αλλά πρέπει επίσης να αποδείξει πραγματική αξιοπιστία, λογοδοσία και οικονομική βιωσιμότητα. Οι πελάτες τελικά δεν θα ενδιαφέρονται για το πόσο εξελιγμένο είναι το AI εάν το προϊόν δεν μπορεί σταθερά να παραδώσει το αποτέλεσμα που υποσχέθηκε.

Συμμετέχετε αυτή τη στιγμή στα διοικητικά συμβούλια εταιρειών όπως η Numa και η Daloopa, που εφαρμόζουν τεχνολογία σε πολύ διαφορετικούς κλάδους, όπως οι αυτοκινητοβιομηχανίες και τα χρηματοοικονομικά δεδομένα. Τι σας έχουν διδάξει αυτές οι εταιρείες σχετικά με το τι απαιτείται για την επιτυχημένη εισαγωγή της AI σε βιομηχανίες με βαθιά εδραιωμένες ροές εργασίας και εξειδίκευση τομέα;

Το μεγαλύτερο μάθημα είναι ότι η AI δεν εξαλείφει τη σημασία της εξειδίκευσης τομέα. Με πολλούς τρόπους, την καθιστά ακόμη πιο σημαντική.

Για να εισαγάγετε επιτυχώς την AI σε μια καθιερωμένη βιομηχανία, πρέπει να κατανοήσετε τη ροή εργασίας σε βάθος ώστε να γνωρίζετε πού η αυτοματοποίηση δημιουργεί πραγματικά αξία και πού η ανθρώπινη κρίση παραμένει σημαντική. Πρέπει επίσης να καταλάβετε πώς οι πελάτες θα υιοθετήσουν το προϊόν, πώς εντάσσεται στα υπάρχοντα συστήματά τους και στον κύκλο υιοθέτησης AI, και τι απαιτείται για να κερδίσετε την εμπιστοσύνη τους.

Η Numa και η Daloopa λειτουργούν σε πολύ διαφορετικές αγορές, αλλά και οι δύο συνδέονται βαθιά με τη συγκεκριμένη εργασία που πρέπει να ολοκληρώσουν οι πελάτες τους. Οι πιο επιτυχημένες εταιρείες AI κατά κλάδο δεν ξεκινούν με το «Πού μπορούμε να τοποθετήσουμε την AI;» Ξεκινούν με ένα ουσιώδες πρόβλημα ή ροή εργασίας και στη συνέχεια το επανασχεδιάζουν γύρω από αυτό που η AI μπορεί τώρα να κάνει.

Αυτός είναι και ο λόγος που θεωρώ ότι η εξειδίκευση τομέα μπορεί με την πάροδο του χρόνου να γίνει σημαντικό πλεονέκτημα. Όσο πιο βαθιά καταλαβαίνετε τη δουλειά, τόσο πιο αποτελεσματικά μπορείτε να δημιουργήσετε ένα προϊόν στο οποίο οι πελάτες είναι πρόθυμοι να βασιστούν.

Οι πρόσφατες επενδύσεις της Touring καλύπτουν τόσο εφαρμογές ειδικές για τομέα όσο και υποδομές που υποστηρίζουν την AI. Πώς σκέφτεστε την ισορροπία μεταξύ επένδυσης στο επίπεδο εφαρμογών και στην υποδομή που απαιτείται για την ενέργειά τους, και πού πιστεύετε ότι υπάρχει σήμερα η μεγαλύτερη ευκαιρία για αποδόσεις κλίμακας venture;

Δεν θεωρούμε ότι η ευκαιρία υπάρχει αποκλειστικά σε ένα επίπεδο του στοίβας. Εστιάζουμε σε εκεί που εμφανίζονται σημαντικά εμπόδια και όπου μια εταιρεία μπορεί να δημιουργήσει μια ουσιαστική θέση καθώς η υιοθέτηση της AI κλιμακώνεται.

Στην πλευρά των εφαρμογών, ενθουσιάζουμε με εταιρείες που μπορούν να μετατρέψουν την AI σε μετρήσιμη οικονομική αξία, κατέχοντας σημαντικές ροές εργασίας και παραδίδοντας πραγματικά αποτελέσματα. Στην πλευρά της υποδομής, μας ενδιαφέρουν οι εταιρείες που λύνουν τους περιορισμούς που καθορίζουν αν η AI μπορεί πραγματικά να αναπτυχθεί αποδοτικά σε κλίμακα.

Οι επενδύσεις μας σε εταιρείες όπως η Infinity και η Parasail αντανακλούν αυτό. Η μία αντιμετωπίζει το λογισμικό πρόβλημα του να κάνει διαφορετικά AI chips έτοιμα να τρέξουν σύγχρονα μοντέλα, ενώ η άλλη βοηθά τους προγραμματιστές να αναπτύξουν και να κλιμακώσουν φορτία εργασίας AI χωρίς να χρειάζεται να διαχειρίζονται την υποκείμενη υποδομή.

Η καλύτερη ευκαιρία δεν καθορίζεται απαραίτητα από το αν μια εταιρεία βρίσκεται στον τομέα των εφαρμογών ή της υποδομής. Το κεντρικό ερώτημα είναι αν η εταιρεία λύνει ένα σημαντικό και ανθεκτικό πρόβλημα με τη δυνατότητα να γίνει όλο και πιο πολύτιμη καθώς η αγορά AI εξελίσσεται.

Με τεράστιες ποσότητες κεφαλαίου που τώρα συγκεντρώνονται γύρω από έναν σχετικά μικρό αριθμό πρωτοπόρων εταιρειών AI, πού πιστεύετε ότι οι επενδυτές υποτιμούν ακόμη την ευκαιρία, και ποιες κατηγορίες ή επιχειρηματικά μοντέλα AI-φυσικά λαμβάνουν πολύ λιγότερη προσοχή από ό,τι αξίζουν;

Ένας τομέας που βρίσκω ιδιαίτερα ενδιαφέρον είναι το μέσο της αγοράς.

Αυτή τη στιγμή, το venture έχει γίνει όλο και πιο βαρέως βαρύ. Υπάρχει τεράστια όρεξη για υποσχόμενες εταιρείες στα αρχικά στάδια, ιδιαίτερα για εκείνες με εξαιρετικές ομάδες και ελκυστική τεχνολογία. Υπάρχει επίσης σημαντικό κεφάλαιο διαθέσιμο για τις πολύ μεγάλες, πιο αποδεδειγμένες εταιρείες.

Αλλά το μεσαίο τμήμα, ιδιαίτερα τα παραδοσιακά στάδια Series B και C, έχει γίνει πολύ πιο δύσκολο.

Η AI έχει συμπιέσει τις προσδοκίες. Οι εταιρείες μπορούν τώρα να περάσουν από το μηδέν σε ουσιαστικά έσοδα πιο γρήγορα από ποτέ, κάτι που έχει αυξήσει το επίπεδο απαιτήσεων δραστικά μόλις μια επιχείρηση αρχίσει να παράγει έσοδα. Η ανάπτυξη που θα θεωρούνταν εξαιρετική πριν λίγα χρόνια μπορεί πλέον να μην ξεχωρίζει στην σημερινή αγορά.

Αυτό δημιουργεί τόσο κίνδυνο όσο και ευκαιρία.

Ορισμένες εταιρείες πιέζονται να βελτιστοποιήσουν ανάλογα με ό,τι απαιτεί η αγορά χρηματοδότησης τη δεδομένη στιγμή: 5x ανάπτυξη, 10x ανάπτυξη, ένα συγκεκριμένο ορόσημο εσόδων, ανεξάρτητα από το αν αυτή η πορεία δημιουργεί βιώσιμη επιχείρηση. Η αγορά μπορεί να αλλάξει δραματικά σε έξι έως εννέα μήνες, οπότε οι ιδρυτές πρέπει να είναι προσεκτικοί ώστε να μην χτίζουν αποκλειστικά για τις προσδοκίες του επόμενου γύρου χρηματοδότησης.

Για τους επενδυτές, πιστεύω ότι υπάρχει πραγματική ευκαιρία στην ταυτοποίηση εταιρειών που έχουν ισχυρά θεμελιώδη στοιχεία αλλά δεν ταιριάζουν ακριβώς στα άκρα της σημερινής αγοράς. Η πρόκληση είναι να είμαστε αρκετά πειθαρχημένοι ώστε να διακρίνουμε βιώσιμη ανάπτυξη από μια εταιρεία που απλώς προωθείται μπροστά από τον τρέχοντα κύκλο χρηματοδότησης AI.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα για αυτήν την εταιρεία VC θα πρέπει να επισκεφθούν Touring Capital.