Priya Saiprasad, Mitra Umum di Touring Capital – Seri Wawancara

Ketika perangkat lunak dapat melakukan pekerjaan, hal itu mengubah produk, pasar yang dapat dijangkau, model harga, dan ekonomi perusahaan yang menyediakannya. Kami ingin membangun Touring di sekitar peluang itu sejak awal.

Fokus kami adalah pada perusahaan yang mendekati atau menunjukkan product-market fit awal, ketika janji teknis mulai diterjemahkan menjadi adopsi pelanggan. Ini merupakan tahap yang sangat penting dalam AI: para pendiri memutuskan alur kerja mana yang akan mereka kuasai, sejauh mana otonomi yang dapat diterima pelanggan, dan bagaimana mengubah permintaan awal menjadi pertumbuhan yang berulang.

Kami juga ingin membawa perspektif pembangunan perusahaan yang diinformasikan oleh pengalaman kami di venture, M&A, dan platform teknologi besar. Ambisi kami adalah membantu pendiri membangun bisnis yang keunggulan kompetitifnya semakin dalam seiring kemajuan teknologi. Itu memerlukan keyakinan tentang peluang tersebut dan kesediaan untuk terus meninjau kembali asumsi-asumsi di bawahnya.

Anda berpendapat bahwa beberapa peluang AI terbesar kini beralih dari sekadar membangun model fondasi yang lebih besar ke perusahaan yang menerapkan AI pada industri tertentu. Apa yang berubah secara teknologi atau ekonomi sehingga lapisan aplikasi menjadi begitu menarik sekarang?

Model-model tersebut menjadi jauh lebih mampu dan dapat diakses, yang mengubah tempat di mana wirausahawan dapat menciptakan nilai. Anda tidak lagi perlu membangun kecerdasan dasar dari awal untuk menciptakan sesuatu yang kuat.

Itu mengalihkan pertanyaan dari, “Siapa yang memiliki model terbaik?” menjadi, “Siapa yang dapat menerapkan kecerdasan itu untuk menyelesaikan masalah dengan cara yang secara fundamental mengubah ekonomi atau alur kerja?”

Perusahaan paling menarik bukan sekadar menempatkan LLM di depan produk perangkat lunak yang ada. Mereka menggunakan AI untuk memikirkan kembali cara kerja dilakukan. Dalam beberapa kasus, itu berarti mengotomatisasi sebagian besar alur kerja. Dalam kasus lain, itu berarti memungkinkan tim yang jauh lebih kecil menghasilkan output yang jauh lebih besar.

Itulah tempat saya pikir banyak gelombang nilai berikutnya akan terjadi: perusahaan yang dapat mengambil kecerdasan yang semakin mampu dan mengubahnya menjadi produk yang dipercaya pelanggan untuk melakukan pekerjaan bermakna.

Ketika Anda melihat lintas sektor saat ini, industri apa yang Anda percaya sedang mencapai titik belok AI yang sejati, di mana AI dapat secara fundamental merestrukturisasi alur kerja daripada sekadar membuat perangkat lunak yang ada lebih efisien?

Saya khususnya tertarik pada industri dengan kombinasi pekerjaan pengetahuan yang signifikan, alur kerja yang kompleks, dan tingkat penetrasi perangkat lunak yang secara historis lebih rendah.

Layanan keuangan, perawatan kesehatan, hukum, industri, dan otomotif adalah contoh yang baik. Industri-industri ini sering memiliki sejumlah besar informasi berharga dan alur kerja yang sangat khusus, namun banyak pekerjaan masih terfragmentasi, manual, atau bergantung pada orang berpengalaman yang memindahkan informasi antar sistem.

Kesempatan bukan sekadar membuat pekerja tersebut 10% lebih produktif. Perusahaan yang lebih menarik sedang merancang ulang alur kerja berdasarkan apa yang kini dapat dilakukan AI.

Anda dapat melihatnya pada perusahaan seperti Numa, yang menggunakan agen AI untuk mengotomatisasi interaksi pelanggan dan operasi dealer, serta Daloopa, yang menerapkan AI pada alur kerja data dan riset yang sangat sensitif waktu yang digunakan oleh institusi keuangan. Benang merahnya adalah pemahaman mendalam tentang pekerjaan yang mendasarinya. AI kuat, tetapi tidak menghilangkan kebutuhan untuk memahami industri yang Anda bangun.

Touring Capital menekankan data moat, flywheel produk, dan keahlian domain-spesifik saat mengevaluasi perusahaan AI. Seperti apa bisnis AI vertikal yang benar‑benar defensif, dan bagaimana Anda membedakannya dari perusahaan yang keunggulannya hanya membungkus model bahasa besar pihak ketiga?

Bisnis AI yang benar‑benar defensif menjadi lebih kuat seiring operasinya.

Model dasar mungkin meningkat seiring waktu, dan sebuah perusahaan dapat beralih model sepenuhnya, tetapi nilai bisnis tidak boleh menghilang karena model di bawahnya berubah. Yang penting adalah apa yang dimiliki perusahaan seputar model tersebut: hubungan pelanggan, alur kerja, data kepemilikan, integrasi, dan kepercayaan untuk menangani pekerjaan yang semakin penting.

Salah satu hal yang kami perhatikan dengan cermat adalah apakah produk menjadi lebih terintegrasi seiring waktu. Apakah pelanggan mempercayainya dengan lebih banyak pekerjaan? Apakah penggunaan dan hasilnya bersifat komposit? Apakah perusahaan belajar dari penerapannya dengan cara yang meningkatkan produk?

Dinamik tersebut menciptakan bisnis yang jauh lebih kuat dibandingkan hanya memiliki antarmuka yang baik di atas model pihak ketiga. Fitur dapat konvergen sangat cepat dalam AI. Penggunaan berkelanjutan dan adopsi alur kerja yang lebih dalam jauh lebih sulit untuk direplikasi.

Seiring model fondasi menjadi lebih mampu dan semakin menjadi komoditas, apakah hal itu memperkuat perusahaan AI vertikal dengan memberi mereka intelijen yang lebih murah untuk dibangun, atau justru menciptakan risiko bahwa penyedia model sendiri menyerap lebih banyak lapisan aplikasi?

Kedua dinamika tersebut dapat terjadi secara bersamaan. Model yang lebih baik memperluas apa yang dapat disampaikan perusahaan aplikasi, sekaligus memungkinkan penyedia model bergerak lebih jauh ke dalam produk dan alur kerja.

Pertanyaan dalam due diligence adalah bagaimana posisi perusahaan berubah seiring kecerdasan yang mendasarinya meningkat. Kami mengajukan dua pertanyaan sekaligus: apa yang menjadi mungkin bagi bisnis ini dengan generasi model berikutnya, dan bagian mana dari proposisi nilai saat ini yang mungkin menjadi kemampuan standar model? Itu membantu membedakan perusahaan yang mendapat manfaat dari kemajuan dengan perusahaan yang diferensiasinya bergantung pada keterbatasan sementara.

Bisnis vertikal dapat membangun posisi yang tahan lama melalui alur kerja khusus, akses pelanggan, integrasi, sistem evaluasi, dan tanggung jawab operasional yang mereka ambil. Keunggulan tersebut memerlukan investasi berkelanjutan; keahlian domain saja tidak memberikan perlindungan permanen.

Perusahaan yang paling menarik bagi saya memiliki jalur yang jelas untuk menangani pekerjaan yang lebih bernilai seiring model meningkat. Pelanggan mereka mendapatkan hasil yang lebih baik, ekonomi pengiriman mereka menguat, dan pengetahuan yang terkumpul menjadi lebih berguna. Itulah hubungan dengan kemajuan model yang ingin kami dukung.

Perusahaan perangkat lunak-as-a-service tradisional secara historis dievaluasi menggunakan metrik seperti pendapatan berulang tahunan, margin kotor, retensi, dan ekspansi kursi. Bagaimana AI mengubah metrik yang Anda andalkan, terutama ketika biaya inferensi, penetapan harga berbasis penggunaan, dan model bisnis berbasis hasil menjadi lebih penting?

ARR, retensi, dan margin kotor masih penting. Masalahnya adalah bahwa, dengan sendirinya, mereka tidak lagi memberi kami cukup informasi.

Sebuah perusahaan AI dapat tumbuh menjadi puluhan juta dolar ARR dengan sangat cepat sementara penggunaan dasar di dalam basis pelanggannya sudah menurun. Pelanggan mungkin masih berada di bawah kontrak, tetapi ketika masa perpanjangan tiba, produk tersebut pada dasarnya telah digantikan. Itulah yang kami sebut churn laten.

Jadi kami semakin melihat di bawah model penetapan harga dan menanyakan pekerjaan apa yang sebenarnya dilakukan. Apakah jumlah alur kerja dan hasilnya meningkat seiring waktu? Apakah pelanggan mempercayai produk untuk melakukan lebih banyak pekerjaan? Apakah penggunaan berlanjut setelah kegembiraan awal peluncuran?

Kami juga melihat jauh lebih dekat pada ekonomi di balik pertumbuhan. Perusahaan AI dapat menggantikan tenaga kerja manusia dengan otomatisasi, tetapi komputasi menjadi bagian nyata dari tenaga kerja dan struktur biaya. Itulah mengapa kami memperhatikan konsep seperti intensitas alur kerja, pengganda efisiensi, pendapatan per karyawan yang disesuaikan, dan leverage biaya.

Pertanyaan yang lebih besar adalah apakah pertumbuhan menjadi lebih tahan lama dan efisien seiring waktu. Pertumbuhan spektakuler dan pertumbuhan tahan lama tidak selalu sama.

Banyak agen AI dirancang tidak hanya untuk membantu karyawan tetapi untuk menyelesaikan seluruh alur kerja secara otonom. Bagaimana hal itu mengubah peluang pasar untuk perangkat lunak perusahaan, dan apakah perusahaan AI pada akhirnya dapat merebut sebagian anggaran tenaga kerja yang secara historis berada di luar pengeluaran perangkat lunak?

Saya pikir ini adalah salah satu pergeseran paling penting dalam perangkat lunak perusahaan.

Secara historis, perangkat lunak sebagian besar dijual sebagai alat yang membantu seorang karyawan melakukan pekerjaannya. Karyawan tetap bertanggung jawab atas menghasilkan pekerjaan, dan anggaran perangkat lunak terpisah dari anggaran tenaga kerja.

AI mengubah persamaan tersebut karena perangkat lunak semakin mampu melakukan bagian-bagian pekerjaan secara mandiri.

Hal itu secara signifikan memperluas peluang pasar. Anda tidak lagi hanya menjual alat produktivitas dari anggaran TI atau perangkat lunak. Jika sebuah produk dapat secara andal mengambil alih pekerjaan yang bermakna dan menghasilkan hasil yang terukur, ia berpotensi juga menangkap nilai dari anggaran tenaga kerja.

Perbedaan penting terletak antara asisten AI dan sistem AI yang dipercaya pelanggan untuk benar‑benar mengeksekusi. Yang terakhir berpotensi menjadi jauh lebih berharga, namun harus menunjukkan keandalan, akuntabilitas, dan aspek ekonomi yang nyata. Pada akhirnya, pelanggan tidak akan peduli seberapa canggih AI tersebut jika produk tidak dapat secara konsisten memberikan hasil yang dijanjikan.

Anda saat ini duduk di dewan perusahaan termasuk Numa dan Daloopa, yang menerapkan teknologi pada vertikal yang sangat berbeda seperti operasi otomotif dan data keuangan. Apa yang telah diajarkan perusahaan-perusahaan ini kepada Anda tentang apa yang diperlukan untuk berhasil memperkenalkan AI ke industri dengan alur kerja yang sangat mapan dan keahlian domain?

Pelajaran terbesar adalah bahwa AI tidak menghilangkan pentingnya keahlian domain. Dalam banyak hal, AI justru membuatnya lebih penting.

Untuk berhasil memperkenalkan AI ke industri yang sudah mapan, Anda harus memahami alur kerja secara mendalam sehingga mengetahui di mana otomasi benar‑benar menciptakan nilai dan di mana penilaian manusia masih diperlukan. Anda juga perlu memahami bagaimana pelanggan akan mengadopsi produk, bagaimana produk tersebut cocok dengan sistem mereka yang ada serta siklus adopsi AI, dan apa yang diperlukan untuk memperoleh kepercayaan mereka.

Numa dan Daloopa beroperasi di pasar yang sangat berbeda, tetapi keduanya sangat terkait dengan pekerjaan spesifik yang harus diselesaikan oleh pelanggan mereka. Perusahaan AI vertikal yang paling sukses tidak memulai dengan, “Di mana kami dapat menempatkan AI?” Mereka memulai dengan masalah atau alur kerja yang bermakna dan kemudian merancang ulangnya berdasarkan apa yang kini dapat dilakukan AI.

Itulah juga mengapa saya berpikir keahlian domain dapat menjadi keunggulan signifikan seiring waktu. Semakin dalam Anda memahami pekerjaan tersebut, semakin efektif Anda dapat membangun produk yang dapat diandalkan oleh pelanggan.

Investasi terbaru Touring mencakup baik aplikasi spesifik domain maupun infrastruktur AI yang mendukung. Bagaimana Anda memandang keseimbangan antara berinvestasi pada lapisan aplikasi versus infrastruktur yang diperlukan untuk menggerakkannya, dan di mana Anda percaya peluang yang lebih besar untuk pengembalian skala ventura ada saat ini?

Kami tidak melihat peluang hanya ada pada satu lapisan tumpukan. Kami fokus pada di mana kemacetan penting muncul dan di mana sebuah perusahaan dapat membangun posisi yang bermakna seiring adopsi AI meningkat.

Di sisi aplikasi, kami antusias terhadap perusahaan yang dapat menerjemahkan AI menjadi nilai ekonomi yang terukur dengan menguasai alur kerja penting dan memberikan hasil nyata. Di sisi infrastruktur, kami tertarik pada perusahaan yang memecahkan kendala yang menentukan apakah AI dapat benar‑benar diterapkan secara efisien pada skala besar.

Investasi kami pada perusahaan seperti Infinity dan Parasail mencerminkan hal itu. Salah satunya menangani tantangan perangkat lunak untuk membuat berbagai chip AI siap menjalankan model modern, sementara yang lainnya membantu pengembang menyebarkan dan menskalakan beban kerja AI tanpa harus mengelola infrastruktur dasar secara langsung.

Peluang yang lebih baik tidak selalu ditentukan oleh apakah sebuah perusahaan berada di bidang aplikasi atau infrastruktur. Pertanyaan kunci adalah apakah perusahaan tersebut memecahkan masalah penting dan berkelanjutan dengan potensi menjadi semakin berharga seiring evolusi pasar AI.

Dengan sejumlah besar modal yang kini terkonsentrasi pada sejumlah kecil perusahaan AI frontier, di mana Anda percaya investor masih meremehkan peluang, dan kategori atau model bisnis AI-native mana yang mendapatkan jauh lebih sedikit perhatian daripada yang seharusnya?

Satu bidang yang saya anggap sangat menarik adalah segmen tengah pasar.

Saat ini, modal ventura semakin terfragmentasi. Ada selera yang sangat besar untuk perusahaan menjanjikan pada tahap paling awal, terutama yang memiliki tim luar biasa dan teknologi yang menarik. Selain itu, terdapat modal signifikan yang tersedia untuk perusahaan yang sangat besar dan paling terbukti.

Namun segmen tengah, khususnya tahap Series B dan C tradisional, menjadi jauh lebih sulit.

AI telah mempercepat ekspektasi. Perusahaan kini dapat beralih dari nol ke pendapatan yang berarti lebih cepat daripada yang pernah kami saksikan, yang secara dramatis menaikkan standar begitu sebuah bisnis mulai menghasilkan pendapatan. Pertumbuhan yang beberapa tahun lalu dianggap luar biasa mungkin tidak lagi menonjol di pasar saat ini.

Hal itu menciptakan risiko sekaligus peluang.

Beberapa perusahaan didorong untuk mengoptimalkan sesuai apa yang diinginkan pasar penggalangan dana pada saat tertentu: pertumbuhan 5x, pertumbuhan 10x, tonggak pendapatan tertentu, terlepas dari apakah lintasan itu menciptakan bisnis yang tahan lama. Pasar dapat berubah secara dramatis dalam enam hingga sembilan bulan, jadi para pendiri harus berhati-hati agar tidak membangun semata‑mata untuk harapan putaran pendanaan berikutnya.

Bagi investor, saya rasa ada peluang nyata dalam mengidentifikasi perusahaan yang memiliki fundamental kuat namun tidak masuk ke dalam ekstrem pasar saat ini. Tantangannya adalah cukup disiplin untuk membedakan pertumbuhan yang tahan lama dari perusahaan yang hanya terdorong maju oleh siklus pembiayaan AI saat ini.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut tentang firma VC ini sebaiknya mengunjungi Touring Capital.