Jonathan Horn, CEO dan Co-Founder Treefera – Seri Wawancara

Jonathan Horn, CEO dan Co-Founder Treefera, adalah seorang wirausahawan teknologi dan mantan eksekutif perbankan investasi dengan keahlian mendalam dalam manajemen risiko, kecerdasan buatan, dan analitik data skala besar. Sebelum mendirikan Treefera pada tahun 2022, ia menjabat posisi kepemimpinan senior di J.P. Morgan dan Citigroup, di mana ia fokus pada risiko, data, dan sistem keuangan kompleks. Dengan latar belakangnya dalam pemodelan risiko kelas keuangan, Horn meluncurkan Treefera untuk mengatasi salah satu blind spot paling persisten dalam rantai pasokan global: “mil pertama”, di mana bahan baku berasal. Di bawah kepemimpinannya, perusahaan telah tumbuh pesat menjadi penyedia utama intelijen rantai pasokan yang ditenagai AI, membantu perusahaan memperoleh visibilitas waktu nyata ke sumber, risiko lingkungan, persyaratan kepatuhan, dan ketahanan operasional.

Didirikan di London pada tahun 2022, Treefera adalah perusahaan intelijen rantai pasokan yang ditenagai AI yang fokus membawa transparansi ke mil pertama rantai pasokan komoditas global. Kain data proprieternya menggabungkan citra satelit, data spasial dan temporal, model AI, dan analitik risiko untuk memberikan organisasi wawasan waktu nyata ke sumber, kepatuhan, keberlanjutan, dan risiko rantai pasokan. Platform ini membantu bisnis memantau segala sesuatu dari paparan deforestasi dan dampak karbon hingga risiko sumber komoditas, memungkinkan pengambilan keputusan yang lebih informasi di seluruh pengadaan, keuangan, dan operasi. Dengan mengubah data lingkungan dan rantai pasokan yang terfragmentasi menjadi intelijen yang dapat ditindaklanjuti, Treefera bertujuan untuk memperkuat ketahanan rantai pasokan dalam perekonomian global yang semakin volatil dan diatur

Anda mendirikan Treefera setelah menjabat posisi senior dalam risiko, AI, dan analitik data di J.P. Morgan dan Citi. Apa celah spesifik yang Anda lihat dalam cara perusahaan memahami risiko komoditas pertanian dan lunak yang meyakinkan Anda bahwa Treefera perlu ada?

Komoditas berbasis alam mewakili $2,1 triliun perdagangan dunia, namun data yang mendasari penilaian risiko untuk aset tersebut adalah manual, tertunda, dan secara struktural tidak akurat. Dalam bekerja dengan model risiko di J.P. Morgan dan Citi, saya melihat keputusan harga dan eksposur yang bergantung pada data yang berasal dari mil pertama rantai pasokan pertanian: dikumpulkan dengan tangan, rentan terhadap penghilangan dan sering kali beberapa minggu atau bulan tertinggal kenyataan. Enam puluh persen risiko pasokan berasal dari mil pertama, sebelum komoditas mencapai pelabuhan atau bursa, namun itulah tempat di mana visibilitas paling tipis.

Apa yang meyakinkan saya untuk membangun Treefera adalah konvergensi dari dua hal: skala masalah dan kedatangan alat yang mampu menanganinya. Resolusi satelit dan cakupannya telah mencapai titik di mana Anda bisa mengamati kondisi tanaman di tingkat lapangan di seluruh wilayah produksi utama dengan biaya minimal. AI telah matang hingga titik di mana bisa mengubah sinyal mentah menjadi sesuatu yang dapat diinterpretasikan secara keuangan. Tidak ada yang menghubungkan titik-titik tersebut dengan cara yang ketat, berbasis sains. Perusahaan masih menetapkan risiko berdasarkan laporan pemerintah yang tertinggal dari kondisi lapangan selama beberapa bulan, rata-rata nasional yang menutupi variasi lokal dan model linier yang tidak dapat menangani volatilitas iklim. Celah antara apa yang dapat diketahui dan apa yang diketahui sangat besar. Itulah celah di mana Treefera berada.

Treefera sering digambarkan sebagai platform intelijen yang ditenagai AI, namun pendekatan Anda secara eksplisit tidak berfokus pada LLM. Bagaimana Anda menjelaskan perbedaan antara AI prediktif untuk rantai pasokan dan sistem AI generatif yang saat ini mendominasi percakapan?

AI generatif dan model bahasa besar menyelesaikan masalah yang secara fundamental berbeda. Mereka adalah alat produktivitas: sangat berguna untuk menyederhanakan tugas berulang, seperti penulisan dan penyuntingan. Tantangan komersial untuk sistem tersebut adalah adopsi, membuat orang mengubah cara mereka bekerja. Itu adalah masalah pendidikan pasar, bukan ilmiah.

Treefera menggunakan AI untuk menyelesaikan masalah ilmiah dengan persyaratan akurasi kelas keuangan. Model pembelajaran dalam kami dilatih untuk menafsirkan citra satelit, sinyal iklim, dan biologi tanaman untuk menghasilkan perkiraan hasil dan luas panen yang akurat enough untuk memandu keputusan alokasi modal. Pertanyaan yang kami jawab bukanlah “apa yang dikatakan dokumen ini?” Melainkan “berapa yang akan dihasilkan wilayah ini dalam tiga bulan, dan seberapa yakin Anda harusnya?” Itu bukanlah kelas masalah yang sama dan tidak memerlukan kelas model yang sama. LLM dioptimalkan untuk bahasa; model kami dioptimalkan untuk interpretasi dunia fisik. Mengaburkan keduanya menyebabkan penerapan alat kelas yang salah untuk masalah yang tidak dibangun untuknya.

Banyak perusahaan AI berargumen bahwa kinerja yang lebih baik memerlukan lebih banyak komputasi, model yang lebih besar, dan akses yang lebih besar ke GPU. Treefera tampaknya menantang asumsi tersebut. Apa yang dimaksud dengan “komputasi hemat” dalam praktek, dan mengapa itu penting untuk AI yang diterapkan?

Asumsi yang berlaku di AI adalah bahwa skala sama dengan kinerja: lebih banyak parameter, lebih banyak GPU, lebih banyak infrastruktur cloud. Untuk AI yang diterapkan dalam konteks domain-spesifik, asumsi tersebut salah, dan menghasilkan biaya dan pemborosan energi yang tidak perlu.

Komputasi hemat, dalam praktek, berarti tiga hal bagi kami. Pertama, kami memisahkan komputasi dari waktu. Sebagian besar tugas pemrosesan kami tidak perlu terjadi pada detik tertentu. Alih-alih menjalankan infrastruktur yang selalu aktif, kami mengidentifikasi periode kapasitas jaringan yang berlebihan dan meminjam komputasi selama jendela-jendela tersebut.

Kedua, kami mendesentralisasi beban kerja. Alih-alih mengarahkan semua ke pusat cloud tunggal, kami mendistribusikan di seluruh jaringan node yang tersedia, termasuk infrastruktur blockchain, yang membawa kapasitas idle yang signifikan pada periode tertentu. Jika satu node menjadi tidak efisien, tugas-tugas tersebut dialihkan secara dinamis.

Ketiga, kami menyesuaikan ukuran perangkat keras. Kami menggunakan NVIDIA (NVDA ) AG6 bukan chip kelas atas, di mana kinerja setara dengan beban kerja kami pada pecahan energi dan biaya. Alasan ini penting di luar efisiensi adalah presisi. Komputasi hemat memaksa disiplin tentang apa komputasi yang sebenarnya dibutuhkan. Itu menghasilkan model yang lebih ramping, lebih dapat diinterpretasikan – jenis yang pembuat keputusan keuangan dan operasional sebenarnya dapat gunakan. Mereka tidak membutuhkan model yang lebih besar; mereka membutuhkan jawaban yang lebih akurat.

Platform Anda dilaporkan memberikan output prediktif pada hasil panen, penggunaan lahan, dan risiko pasokan tanpa bergantung pada infrastruktur cloud yang selalu aktif. Bagaimana Anda memisahkan komputasi dari waktu sambil masih memberikan intelijen waktu nyata yang komersial?

Intelijen waktu nyata dan komputasi kontinu bukanlah hal yang sama. Pelanggan kami membutuhkan perkiraan yang diperbarui setiap minggu; mereka tidak membutuhkan komputasi yang menghasilkan perkiraan tersebut untuk berjalan terus-menerus.

Kami memetakan siklus pemrosesan kami ke irama alami data. Citra satelit tiba pada irama tertentu. Input cuaca diperbarui pada irama tertentu. Pertanyaan analitis yang model kami jawab juga didorong oleh irama: apa trajektori hasil untuk wilayah ini, apa yang berubah minggu ini dalam luas tanam. Jadi kami menjadwalkan pekerjaan komputasi untuk berjalan melawan jendela data tersebut, meminjam kapasitas dari infrastruktur terdistribusi selama periode permintaan rendah. Output ke pelanggan adalah umpan data mingguan yang mutakhir, dapat ditindaklanjuti, dan siap model. Infrastruktur di belakangnya hanya berjalan ketika ada sesuatu yang bermakna untuk diproses. Arsitektur ini juga lebih tangguh. Beban kerja terdistribusi yang mengarahkan sekitar node yang gagal lebih dapat diandalkan daripada server yang selalu aktif dengan satu titik kegagalan tunggal.

Pasar komoditas pertanian dan lunak masih sangat bergantung pada data yang tertunda, berbasis survei, atau terfragmentasi. Bagaimana AI mengubah cara perusahaan, bank, asuransi, dan pedagang menilai risiko sebelum menjadi terlihat dalam laporan resmi?

Masalah struktural dengan pelaporan berbasis survei adalah bahwa itu secara desain bersifat retrospektif. Ketika lembaga pemerintah menerbitkan perkiraan pasokan, kondisi fisik yang mendasarinya sudah beberapa minggu atau bulan yang lalu. Pasar yang bergerak berdasarkan data tersebut bereaksi terhadap sejarah.

AI mengubah itu dengan menggeser sumber informasi dari survei ke pengamatan langsung. Citra satelit, sinyal iklim, dan data perkembangan tanaman tersedia sekarang, bukan dalam enam minggu ketika laporan dikompilasi dan diterbitkan. Apa yang model kami lakukan adalah menerjemahkan data fisik tersebut ke dalam bahasa keuangan yang pedagang, penanggung, dan analis sebenarnya gunakan: perkiraan hasil dengan interval ketidakpastian yang dinyatakan, perkiraan luas panen dengan pembaruan mingguan, skor stres yang mengkuantifikasi risiko di asal sebelum muncul dalam harga.

Pada tahun 2022, model jagung AS kami mengibarkan revisi penurunan lima minggu sebelum USDA menerbitkan milik mereka. Pada Januari 2025, model kami mengungkapkan skor stres sebesar 0,76 di seluruh sabuk kakao Ghana; COCOBOD tidak merevisi perkiraan musim mereka sampai Juni. Keunggulan informasi bukanlah marginal; itu struktural. Perusahaan yang masih menunggu laporan resmi untuk membuat keputusan pasokan dan harga beroperasi dengan keterlambatan yang lawan mereka mungkin tidak bagikan.

“Mil pertama” rantai pasokan secara historis merupakan salah satu area paling tidak transparan bagi perusahaan global. Mengapa visibilitas mil pertama menjadi sangat kritis sekarang, terutama karena volatilitas iklim, regulasi, dan ketidakpastian geopolitik meningkat?

Tiga kekuatan sedang berkumpul dan masing-masing secara individual material.

Volatilitas iklim meningkatkan frekuensi dan keparahan guncangan produksi di asal. Peristiwa cuaca yang sama sekarang membawa dampak pasokan yang lebih besar karena sistem tanaman lebih stres dan peristiwa ekstrem kurang dapat diprediksi dari rata-rata historis. Model risiko linier yang dibangun berdasarkan norma historis secara struktural tidak mampu menangani itu. Anda membutuhkan pengamatan fisik waktu nyata untuk melihat apa yang sebenarnya terjadi di lapangan.

Regulasi menciptakan tautan kewajiban langsung antara apa yang terjadi di mil pertama dan apa yang dapat dijual atau dibiayai perusahaan. EUDR, CSRD, TCFD: kerangka kerja ini mengharuskan perusahaan untuk mengetahui, dengan bukti, dari mana komoditas mereka berasal dan apa kondisi di asal. “Kami percaya pada supplier” tidak lagi merupakan posisi yang dapat dipertahankan. Kewajiban itu mendorong jejak dan provenance dari preferensi pengadaan menjadi persyaratan hukum.

Gangguan geopolitik telah membuat ketergantungan pada satu wilayah menjadi risiko ruang bawah tanah. Ketika satu wilayah menyumbang bagian dominan dari pasokan global suatu komoditas dan wilayah tersebut menjadi tidak dapat diandalkan secara politik atau fisik, perusahaan tanpa visibilitas mil pertama tidak memiliki mekanisme peringatan dini. Mereka mengetahuinya ketika pasar telah mengubah harga.

Ada juga pergeseran yang lebih luas terjadi dalam ekosistem data itu sendiri. Peluncuran peta komoditas pan-tropis Google (GOOGL ) Earth AI – jejak kaki tanaman tahunan 10-meter untuk kakao, kopi, minyak sawit, dan karet, dirilis sebagai data terbuka – adalah indikator yang berguna tentang ke mana hal-hal menuju. Dunia fisik semakin dapat dibaca dari luar angkasa, dan permintaan transparansi rantai pasokan sekarang sudah mapan enough untuk menarik investasi big-tech pada skala besar. Treefera menyambut itu. Lapisan data dasar yang lebih kaya meningkatkan lantai untuk seluruh pasar dan menciptakan kesadaran bersama bahwa informasi yang lebih baik tidak hanya memungkinkan, tetapi tersedia.

Apa yang peta penemuan terbuka tidak bisa lakukan adalah menutup celah intelijen. Mengetahui di mana tanaman ditanam tidak sama dengan mengetahui bagaimana musim ini berkembang, apa kondisi di asal berarti untuk eksposur pasokan Anda, atau di mana portofolio Anda berisiko. Terjemahan dari pengamatan ke wawasan kelas keuangan adalah apa yang Treefera dibangun untuk.

Ketidaktahuan mil pertama dulunya dapat diterima secara komersial ketika dunia lebih dapat diprediksi. Ini tidak lagi demikian.

Dasar pelanggan Anda termasuk organisasi besar seperti JP Morgan, Microsoft (MSFT ), Bayer, dan Anew. Apa masalah yang paling umum yang perusahaan coba selesaikan dengan Treefera: kepatuhan, risiko pasokan, peramalan, keberlanjutan, pengadaan, atau sesuatu yang lain?

Masalah inti yang perusahaan bawa kepada kami adalah versi dari hal yang sama: mereka memiliki eksposur keuangan yang signifikan terhadap apa yang terjadi di mil pertama rantai pasokan pertanian dan tidak memiliki mekanisme yang dapat diandalkan untuk melihatnya sebelum itu menghabiskan biaya mereka. Kerangka spesifik berbeda-beda menurut sektor.

Untuk pedagang dan lembaga keuangan yang terkena komoditas, pertanyaannya adalah keunggulan informasi: melihat pergeseran pasokan sebelum muncul dalam harga atau data resmi. Untuk pemberi pinjaman pertanian dan penanggung, itu adalah penilaian risiko; mereka membiayai atau membiayai operasi yang kinerjanya secara langsung diatur oleh kondisi yang tidak dapat mereka amati. Untuk perusahaan dengan kewajiban keberlanjutan atau kepatuhan, pertanyaannya adalah bukti: membuktikan, dengan data yang dapat dipertahankan, bahwa rantai pasokan mereka memenuhi standar yang regulator dan lawan mereka sekarang perlukan.

Jawaban tradisional – percayalah pada supplier, tunggu laporan pemerintah, beli perkiraan kesepakatan – tidak lagi memadai. Presisi dan kecepatan yang mereka butuhkan tidak ada dalam ekosistem data publik. Itu ada di mil pertama.

Treefera telah melaporkan pertumbuhan 6x tahun-ke-tahun, nol churn, dan Seri B yang oversubscribed dalam dua tahun. Apa yang tingkat adopsi tersebut sarankan tentang permintaan perusahaan untuk sistem AI yang presisi, efisien, dan berbasis operasional daripada hanya skala besar?

Nol churn adalah sinyal yang paling mengungkapkan. Pertumbuhan pendapatan dapat mencerminkan eksekusi komersial; nol churn mencerminkan kesesuaian pasar-produk. Pelanggan yang telah menggunakan data untuk satu musim penuh, menguji coba melawan model mereka sendiri, dan membuat keputusan berdasarkan itu, lalu memperbarui, memberitahu Anda bahwa sinyalnya nyata dan bahwa itu mengubah cara mereka beroperasi.

Ini juga menunjukkan permintaan perusahaan yang signifikan untuk AI yang presisi, auditable, dan terintegrasi operasional – permintaan yang tidak terlayani oleh lanskap yang sangat condong ke arah alat generatif dan model umum skala besar. Profesional rantai pasokan dan risiko membutuhkan perkiraan dengan interval ketidakpastian yang dinyatakan yang dapat mereka pertahankan dalam komite risiko. Ketika batasan itu dipenuhi – data domain-spesifik, akurasi kelas keuangan, metodologi transparan – perusahaan memprioritaskannya. Penggalangan dana yang oversubscribed mencerminkan pengakuan investor akan dinamika yang sama: pasar besar, masalah struktural, dan infrastruktur data yang ada tidak dibangun untuk menyelesaikannya.

Menghadap ke depan, apakah Anda percaya bahwa fase berikutnya dari AI yang diterapkan akan ditentukan lebih oleh efisiensi operasional, data domain-spesifik, dan hasil bisnis yang dapat diukur daripada skala model?

Ya, dan buktinya sudah terlihat.

AI skala besar mulai mencapai batas apa yang dapat diselesaikan oleh skala mentah. Menambahkan parameter tidak memperbaiki perkiraan hasil panen jika data yang mendasarinya kasar, tertunda, atau geografis tidak sesuai. Nilai marginal komputasi memudar ketika bottleneck adalah kualitas data dan presisi domain, bukan ukuran model.

Fase berikutnya akan ditentukan oleh data pelatihan domain-spesifik, model yang sesuai, dan output yang dapat diverifikasi. Di sektor seperti pertanian, keuangan, dan rantai pasokan, di mana keputusan membawa konsekuensi keuangan dan operasional, pertanyaannya tidak pernah “berapa besar modelnya?” Melainkan “berapa andal jawabannya dan seberapa cepat Anda dapat bertindak atasnya?” Skala saja tidak bisa menjawab itu. Perusahaan yang akan memimpin dalam AI yang diterapkan selama lima tahun ke depan akan memiliki membangun pipa data proprietary ke dunia fisik, melatih model pada data tersebut dengan rigor ilmiah yang tepat, dan menunjukkan akurasi yang dapat diukur dalam kondisi langsung. Teknologi semakin menjadi komoditas; data dan keahlian domain tidak.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Treefera.