Priya Saiprasad, Yleinen kumppani Touring Capitalissa – Haastattelusarja

Kun ohjelmisto pystyy suorittamaan työtä, se muuttaa tuotetta, kohdemarkkinaa, hinnoittelumallia ja yrityksen taloutta, joka sen toimittaa. Halusimme rakentaa Touringin tämän mahdollisuuden ympärille alusta alkaen.

Keskittymisemme on yrityksiin, jotka lähestyvät tai osoittavat varhaista tuote‑markkinasopivuutta, jolloin tekninen lupaavuus alkaa muuttua asiakasotteluksi. Tämä on erityisen merkittävä vaihe tekoälyssä: perustajat päättävät, mitkä työnkulut omistaa, kuinka paljon autonomiaa asiakkaat hyväksyvät, ja miten varhainen kysyntä muutetaan toistettavaksi kasvuksi.

Halusimme myös tuoda yrityksenrakentamisen näkökulman, joka perustuu kokemukseemme riskipääomasta, M&A:sta ja suurista teknologiaplatformeista. Tavoitteemme on auttaa perustajia rakentamaan yrityksiä, joiden kilpailuetu syvenee teknologian kehittyessä. Tämä vaatii uskoa mahdollisuuteen ja halukkuutta jatkuvasti tarkastella sen alla olevia oletuksia uudelleen.

Olet väittänyt, että suurimmat tekoälymahdollisuudet siirtyvät pois pelkästään suurempien perustamismallien rakentamisesta kohti yrityksiä, jotka soveltavat tekoälyä tiettyihin toimialoihin. Mikä on teknologisesti tai taloudellisesti muuttunut, jotta sovelluskerros on nyt niin houkutteleva?

Mallit ovat kehittyneet dramaattisesti kykenevämmiksi ja saavutettavammiksi, mikä muuttaa sitä, missä yrittäjät voivat luoda arvoa. Sinun ei enää tarvitse rakentaa perustavaa älykkyyttä alusta alkaen rakentaaksesi jotain voimakasta.

Se siirtää kysymyksen “Kuka omaa parhaan mallin?” kysymykseen “Kuka voi soveltaa sitä älykkyyttä ratkaistakseen ongelman tavalla, joka radikaalisti muuttaa taloutta tai työnkulkua?”

Vähiten vakuuttavat yritykset eivät vain aseta LLM:ää olemassa olevan ohjelmistotuotteen eteen. Ne käyttävät tekoälyä miettimään uudelleen, miten työ tehdään. Joissakin tapauksissa se tarkoittaa suurten osien automatisointia työnkulusta. Toisissa se tarkoittaa, että paljon pienempi tiimi tuottaa merkittävästi enemmän tulosta.

Uskon, että juuri siellä tapahtuu suuri osa seuraavasta arvonluontiaallon: yritykset, jotka pystyvät ottamaan yhä kykenevämpää älykkyyttä ja muuntamaan sen tuotteeksi, johon asiakkaat luottavat merkityksellisen työn tekemisessä.

Kun tarkastelet eri sektoreita tänään, mitkä toimialat uskot saavuttavan todellisen tekoälykäännekohdan, jossa tekoäly voisi radikaalisti uudelleenjärjestellä työnkulut sen sijaan, että se vain tehostaisi olemassa olevaa ohjelmistoa?

Olen erityisen kiinnostunut toimialoista, joissa yhdistyvät merkittävä tiedon työ, monimutkaiset olemassa olevat työnkulut ja historiallisesti alhaisempi ohjelmistojen läpäisyaste.

Rahoituspalvelut, terveydenhuolto, oikeusala, teollisuus ja autoteollisuus ovat hyviä esimerkkejä. Näillä toimialoilla on usein valtavat määrät arvokasta tietoa ja erittäin erikoistuneita työnkulkuja, mutta suuri osa työstä on edelleen hajanaista, manuaalista tai riippuvaista kokeneista ihmisistä, jotka siirtävät tietoa järjestelmien välillä.

Mahdollisuus ei ole pelkästään tehdä näistä työntekijöistä 10 % tuottavampia. Mielenkiintoisimmat yritykset uudistavat työnkulun sen ympärille, mitä tekoäly nyt pystyy tekemään.

Sen näkee yrityksissä kuten Numa, joka käyttää tekoälyagentteja automatisoimaan asiakasvuorovaikutusta ja jälleenmyyjätoimintoja, sekä Daloopa, joka soveltaa tekoälyä rahoituslaitosten käyttämissä erittäin aikakriittisissä data- ja tutkimustyönkuluissa. Yhteinen tekijä on syvä ymmärrys taustatyöstä. Tekoäly on voimakas, mutta se ei poista tarvetta ymmärtää sitä alaa, jolle rakennat.

Touring Capital painottaa data-esteitä, tuote‑pyöriviä vaikutuksia ja toimialakohtaista asiantuntemusta arvioidessaan tekoälyyrityksiä. Millainen todella puolustettava pystysuora tekoälyliiketoiminta näyttää, ja miten erottaa se yrityksestä, jonka pääetu on pelkästään kolmannen osapuolen suurten kielimallien kääre?

Todella puolustettava tekoälyliiketoiminta vahvistuu toiminnassaan.

Perusmalli voi parantua ajan myötä, ja yritys voi vaihtaa mallin kokonaan, mutta liiketoiminnan arvo ei saisi kadota, koska taustalla oleva malli muuttuu. Tärkeää on se, mitä yritys omistaa mallin ympärillä: asiakassuhde, työnkulku, oma data, integraatiot ja luottamus ottaa yhä tärkeämpiä tehtäviä vastaan.

Yksi seikoista, johon kiinnitämme tarkkaa huomiota, on, upottaako tuote itseään syvemmin ajan myötä. Luottavatko asiakkaat siihen enemmän? Kasvavatko käyttö ja tulokset kumuloituvasti? Oppiiko yritys toteutuksistaan tavoilla, jotka parantavat tuotetta?

Nämä dynamiikat luovat paljon vahvemman liiketoiminnan kuin pelkkä hyvä käyttöliittymä kolmannen osapuolen mallin päällä. Ominaisuudet voivat konvergoida tekoälyssä erittäin nopeasti. Jatkuva käyttö ja syvempi työnkulkujen omaksuminen ovat paljon vaikeampia toistaa.

Kun perustamismallit tulevat kykenevämmiksi ja yhä enemmän massatuotetuiksi, vahvistuuko tämä pystysuorien tekoälyyritysten asemaa antamalla niille edullisempaa älykkyyttä pohjaksi, vai luodaako se riskin, että mallin tarjoajat itse omaksuvat yhä enemmän sovelluskerrosta?

Molemmat dynamiikat voivat tapahtua samanaikaisesti. Paremmat mallit laajentavat sitä, mitä sovellusyritykset voivat toimittaa, samalla kun ne antavat mallin tarjoajille mahdollisuuden siirtyä syvemmin tuotteisiin ja työnkulkuihin.

Kysymys due diligence -prosessissa on, miten yrityksen asema muuttuu, kun taustalla oleva älykkyys paranee. Kysymme kahta asiaa samanaikaisesti: mitä tästä liiketoiminnasta tulee mahdolliseksi seuraavan sukupolven mallien myötä, ja mikä osa sen nykyisestä arvolupauksesta saattaa muuttua standardimallin kyvyksi? Tämä auttaa erottamaan yritykset, jotka hyötyvät edistymisestä, yrityksistä, joiden erottuvuus perustuu tilapäiseen rajoitteeseen.

Pystysuorat liiketoiminnat voivat rakentaa kestäviä asemia erikoistuneiden työnkulkujen, asiakassuhteiden, integraatioiden, arviointijärjestelmien ja niiden ottaman operatiivisen vastuun kautta. Nämä edut vaativat jatkuvaa investointia; toimialakohtainen asiantuntemus itsessään ei ole pysyvä suoja.

Yritykset, joita pidän kaikkein vakuuttavimpina, omaavat selkeän polun ottaa vastaan arvokkaampia tehtäviä mallien kehittyessä. Niiden asiakkaat saavat parempia tuloksia, toimitus­talous vahvistuu ja kertyvä tieto käy hyödyllisemmäksi. Tämä on se suhde mallien edistymiseen, jonka haluamme turvata.

Perinteisiä ohjelmistopalveluyrityksiä on historiallisesti arvioitu mittareilla kuten vuotuinen toistuva liikevaihto, bruttokate, asiakas‑pito ja istuntojen laajentuminen. Miten tekoäly muuttaa näitä mittareita, erityisesti kun inferenssikustannukset, käyttöperusteinen hinnoittelu ja tulospohjaiset liiketoimintamallit nousevat tärkeämmiksi?

ARR, asiakaspito ja bruttokate ovat edelleen merkityksellisiä. Ongelma on, että ne yksinään eivät enää kerro meille tarpeeksi.

Tekoälyyritys voi kasvaa kymmeniin miljooniin dollareihin ARR:ssa uskomattoman nopeasti, vaikka sen asiakaskunnan taustakäyttö on jo laskussa. Asiakas saattaa edelleen olla sopimuksen alaisena, mutta kun uudistusajankohta koittaa, tuote on käytännössä korvattu. Tätä kutsumme piileväksi churniksi.

Siksi tarkastelemme yhä enemmän hinnoittelumallin alla tapahtuvaa todellista työtä. Kasvavatko työnkulkujen ja tulosten määrä ajan myötä? Luottavatko asiakkaat tuotteeseen tehdäkseen enemmän työtä? Jatkuuko käyttö alkuperäisen käyttöönoton innostuksen jälkeen?

Tarkastelemme myös paljon tarkemmin kasvun taustalla olevaa taloustiedettä. Tekoälyyritykset voivat korvata ihmistyövoiman automaatiolla, mutta laskentatehostä tulee todellinen osa työvoimaa ja kustannusrakennetta. Siksi tarkastelemme käsitteitä kuten työnkulku‑intensiteetti, tehokkuuskerroin, liikevaihto säädettyä työntekijää kohti ja kustannus‑vipuvoima.

Suurempi kysymys on, tuleeko kasvu ajan myötä kestävämmäksi ja tehokkaammaksi. Huikea kasvu ja kestävä kasvu eivät välttämättä ole sama asia.

Monia tekoälyagentteja suunnitellaan auttamaan työntekijöitä, mutta myös suorittamaan kokonaisia työnkulkuja itsenäisesti. Miten tämä muuttaa yritysohjelmistojen markkinamahdollisuuksia, ja voisiko tekoälyyritykset lopulta napata osan työvoimabudjeteista, jotka perinteisesti eivät ole kuuluneet ohjelmistokuluihin?

Mielestäni tämä on yksi tärkeimmistä muutoksista yritysohjelmistojen kentässä.

Historiallisesti ohjelmistoja myytiin pääosin työkaluna, joka auttoi työntekijää tekemään työnsä. Työntekijä pysyi vastuussa työn tuottamisesta, ja ohjelmistobudjetti oli erillinen työvoimabudjetista.

AI muuttaa tätä yhtälöä, koska ohjelmistot voivat yhä enemmän suorittaa osia työstä itse.

Se laajentaa markkinamahdollisuutta merkittävästi. Et enää myy pelkästään tuottavuustyökalua IT- tai ohjelmistobudjetista. Jos tuote voi luotettavasti ottaa vastuulleen merkityksellisen työn ja tuottaa mitattavan tuloksen, se voi myös mahdollisesti kerätä arvoa työvoimabudjeteista.

Tärkeä ero on AI-avustajan ja AI-järjestelmän välillä, johon asiakkaat luottavat toteuttaakseen tehtävän. Jälkimmäisellä on potentiaalia olla paljon arvokkaampi, mutta sen on myös osoitettava todellinen luotettavuus, vastuullisuus ja taloudellisuus. Asiakkaat eivät lopulta välitä siitä, kuinka kehittynyt AI on, jos tuote ei pysty johdonmukaisesti toimittamaan lupaamaansa tulosta.

Istut tällä hetkellä yritysten, kuten Numa ja Daloopa, hallituksissa, jotka soveltavat teknologiaa hyvin erilaisiin toimialoihin, kuten autoteollisuuden operaatioihin ja taloustietoihin. Mitä nämä yritykset ovat opettaneet sinulle siitä, mitä menestyksekäs AI:n käyttöönotto vaatii aloilla, joilla on syvälle juurtuneet työnkulut ja alakohtainen asiantuntemus?

Suurin oppitunti on, että AI ei poista alakohtaisen asiantuntemuksen merkitystä. Monin tavoin se tekee siitä vielä tärkeämpää.

Jotta AI voidaan menestyksekkäästi tuoda vakiintuneelle alalle, on ymmärrettävä työnkulku riittävän syvällisesti, jotta tiedetään, missä automaatio todella luo arvoa ja missä ihmisen harkinta on edelleen tärkeää. Lisäksi on ymmärrettävä, miten asiakkaat omaksuvat tuotteen, miten se sopii heidän olemassa oleviin järjestelmiinsä ja AI:n omaksumissykliin, sekä mitä vaaditaan heidän luottamuksensa ansaitsemiseksi.

Numa ja Daloopa toimivat hyvin erilaisilla markkinoilla, mutta molemmat ovat syvästi yhteydessä asiakkaidensa suorittamaan konkreettiseen työhön. Menestyneimmät pystysuuntaiset AI-yritykset eivät aloita kysymällä “Missä voimme sijoittaa AI:n?” Ne aloittavat merkityksellisestä ongelmasta tai työnkulusta ja suunnittelevat sen uudelleen sen perusteella, mitä AI nyt pystyy tekemään.

Juuri siksi uskon, että alakohtainen asiantuntemus voi ajan myötä muodostua merkittäväksi kilpailueduksi. Mitä syvemmin ymmärrät työn, sitä tehokkaammin voit rakentaa tuotteen, johon asiakkaat ovat valmiita luottamaan.

Touringin viimeaikaiset sijoitukset kattavat sekä alakohtaiset sovellukset että AI-infrastruktuurin mahdollistamisen. Miten ajattelet tasapainoa sovelluskerroksen ja sen mahdollistavan infrastruktuurin välillä, ja missä uskot tänään olevan suurempi mahdollisuus riskipääomasijoitusten tuottoihin?

Emme näe mahdollisuutta rajoittuvan pelkästään johonkin pinon kerrokseen. Keskitymme siihen, missä merkittävät pullonkaulat syntyvät ja missä yritys voi rakentaa merkittävän aseman AI:n omaksumisen kasvaessa.

Sovelluspuolella olemme innostuneita yrityksistä, jotka voivat muuttaa AI:n mitattavaksi taloudelliseksi arvoksi hallitsemalla tärkeitä työnkulkuja ja tuottamalla todellisia tuloksia. Infrastruktuuripuolella kiinnostavat ne yritykset, jotka ratkaisevat ne rajoitteet, jotka määrittävät, voiko AI:n toteuttaa tehokkaasti mittakaavassa.

Sijoituksemme yrityksiin kuten Infinity ja Parasail heijastavat tätä. Toinen vastaa ohjelmistokehityksen haasteeseen, jossa eri AI-sirut valmistetaan ajettaviksi nykyaikaisilla malleilla, kun taas toinen auttaa kehittäjiä käyttöönotossa ja AI-työkuormien skaalaamisessa ilman, että heidän tarvitsee hallita taustainfrastruktuuria itse.

Parempi mahdollisuus ei välttämättä riipu siitä, onko yritys sovelluksissa vai infrastruktuurissa. Keskeinen kysymys on, ratkaiseeko yritys tärkeän ja kestävän ongelman, jolla on potentiaalia tulla yhä arvokkaammaksi AI-markkinoiden kehittyessä.

Kun valtavat pääomamäärät ovat nyt keskittyneet suhteellisen pieneen joukkoon huipputason AI-yrityksiä, missä uskot sijoittajien edelleen aliarvioivan mahdollisuuksia, ja mitkä AI-syntyperäiset kategoriat tai liiketoimintamallit saavat paljon vähemmän huomiota kuin ansaitsevat?

Yksi alue, joka mielestäni on erityisen mielenkiintoinen, on markkinoiden keskikohta.

Tällä hetkellä riskipääoma on yhä enemmän barbell-tyyppinen. On valtava kysyntä lupaaville yrityksille varhaisessa vaiheessa, erityisesti poikkeuksellisilla tiimeillä ja vakuuttavalla teknologialla. Lisäksi suurille, hyvin todistetuilla yrityksille on saatavilla merkittävää pääomaa.

Kuitenkin keskikohta, erityisesti perinteiset sarja B ja C -vaiheet, on tullut paljon vaikeammaksi.

AI on tiivistänyt odotuksia. Yritykset voivat nyt siirtyä nollasta merkittävään liikevaihtoon nopeammin kuin koskaan ennen, mikä on nostanut kynnystä dramaattisesti, kun liiketoiminta alkaa tuottaa tuloja. Kasvu, jota pidettiin poikkeuksellisena muutama vuosi sitten, ei välttämättä enää erotu nykyisessä markkinassa.

Se luo sekä riskejä että mahdollisuuksia.

Jotkut yritykset painostetaan optimoimaan sen mukaan, mitä rahoitusmarkkinat haluavat juuri sillä hetkellä: 5‑kertainen kasvu, 10‑kertainen kasvu, tietty liikevaihtotavoite, riippumatta siitä, luoko kyseinen kehitys kestävä liiketoiminta. Markkinat voivat muuttua dramaattisesti kuudessa–yhdeksässä kuukaudessa, joten perustajien on oltava varovaisia, ettei he rakennu pelkästään seuraavan rahoituskierroksen odotusten mukaisesti.

Sijoittajille mielestäni on todellista mahdollisuutta tunnistaa yrityksiä, joilla on vahvat perusperiaatteet, mutta jotka eivät sovi siististi nykypäivän markkinoiden ääripäihin. Haasteena on olla tarpeeksi kurinalainen erottamaan kestävä kasvu yrityksestä, jota nykyinen tekoälyrahoituskierros vain eteenpäin vie.

Kiitos erinomaisesta haastattelusta, lukijat, jotka haluavat oppia lisää tästä VC-yrityksestä, kannattaa vierailla Touring Capitalissa.