Jonathan Horn, CEO e Co-Fondatore di Treefera – Serie di Interviste

Jonathan Horn, CEO e Co-Fondatore di Treefera, è un imprenditore tecnologico e un ex dirigente di banca d’affari con una profonda esperienza in gestione del rischio, intelligenza artificiale e analisi dei dati su larga scala. Prima di fondare Treefera nel 2022, ha ricoperto ruoli di leadership senior in J.P. Morgan e Citigroup, dove si è concentrato sul rischio, sui dati e sui sistemi finanziari complessi. Attingendo alla sua esperienza nel modeling del rischio di livello finanziario, Horn ha lanciato Treefera per affrontare uno dei punti ciechi più persistenti nelle catene di approvvigionamento globali: il “primo miglio”, dove si originano le materie prime. Sotto la sua guida, l’azienda è cresciuta rapidamente fino a diventare un fornitore leader di intelligenza della catena di approvvigionamento alimentata da AI, aiutando le imprese a ottenere una visibilità in tempo reale sull’approvvigionamento, sui rischi ambientali, sui requisiti di conformità e sulla resilienza operativa.

Fondata a Londra nel 2022, Treefera è un’azienda di intelligenza della catena di approvvigionamento abilitata da AI, focalizzata sull’apportare trasparenza al primo miglio delle catene di approvvigionamento globali di beni. Il suo tessuto di dati proprietario combina immagini satellitari, dati spaziali e temporali, modelli di AI e analisi del rischio per fornire alle organizzazioni informazioni in tempo reale sull’approvvigionamento, sulla conformità, sulla sostenibilità e sui rischi della catena di approvvigionamento. La piattaforma aiuta le aziende a monitorare tutto, dalle esposizioni alla deforestazione e dagli impatti carboniosi ai rischi di approvvigionamento di beni, consentendo decisioni più informate in materia di acquisto, finanza e operazioni. Trasformando i dati ambientali e della catena di approvvigionamento frammentati in informazioni azionabili, Treefera mira a rafforzare la resilienza della catena di approvvigionamento in un’economia globale sempre più volatile e regolamentata

Hai fondato Treefera dopo aver ricoperto ruoli senior nel rischio, nell’AI e nell’analisi dei dati in J.P. Morgan e Citi. Qual è il divario specifico che hai visto nella comprensione del rischio agricolo e delle materie prime da parte delle imprese che ti ha convinto che Treefera doveva esistere?

I beni di base naturali rappresentano 2.100 miliardi di dollari di commercio mondiale, eppure i dati che sottostanno alla valutazione del rischio per quegli asset erano manuali, ritardati e strutturalmente inaccurati. Lavorando con modelli di rischio in J.P. Morgan e Citi, ho visto decisioni di prezzo e di esposizione che dipendevano da dati originati al primo miglio delle catene di approvvigionamento agricole: raccolti a mano, soggetti a omissioni e spesso settimane o mesi indietro rispetto alla realtà. Il 60% del rischio di approvvigionamento si origina al primo miglio, prima che le merci raggiungano un porto o un mercato, eppure era proprio lì che la visibilità era più sottile.

Ciò che mi ha convinto a costruire Treefera è stata la convergenza di due cose: la scala del problema e l’arrivo di strumenti in grado di affrontarlo. La risoluzione satellitare e la copertura avevano raggiunto un punto in cui era possibile osservare le condizioni dei raccolti a livello di campo in tutte le principali aree di produzione a costo minimo. L’AI era maturata al punto in cui poteva trasformare quel segnale grezzo in qualcosa di finanziariamente interpretabile. Nessuno stava collegando quei punti in un modo rigoroso e scientifico. Le imprese stavano ancora valutando il rischio in base a rapporti governativi che seguivano le condizioni a terra di mesi, medie nazionali che mascheravano la variazione locale e modelli lineari che non potevano gestire la volatilità climatica. Il divario tra ciò che era conoscibile e ciò che era noto era enorme. Quel divario è dove si trova Treefera.

Treefera è spesso descritta come una piattaforma di intelligenza alimentata da AI, ma il tuo approccio è esplicitamente non centrato su LLM. Come spieghi la differenza tra AI predittiva per le catene di approvvigionamento e i sistemi di AI generativa che attualmente dominano la conversazione?

L’AI generativa e i grandi modelli linguistici risolvono un problema fondamentalmente diverso. Sono strumenti di produttività: estremamente utili per semplificare compiti ripetitivi, come la stesura e la sintesi. La sfida commerciale per quei sistemi è l’adozione, far cambiare alle persone il modo in cui lavorano. Quello è un problema di educazione del mercato, non scientifico.

Treefera utilizza l’AI per risolvere problemi scientifici con requisiti di accuratezza di livello finanziario. I nostri modelli di apprendimento profondo sono stati addestrati per interpretare le immagini satellitari, i segnali climatici e la biologia dei raccolti per produrre previsioni di resa e di area di produzione abbastanza accurate da informare le decisioni di allocazione del capitale. La domanda che stiamo rispondendo non è “cosa dice questo documento?” ma “quale sarà la resa di questa regione tra tre mesi e quanto dovremmo esserne sicuri?” Quelli non sono lo stesso tipo di problema e non richiedono lo stesso tipo di modello. LLM sono ottimizzati per il linguaggio; i nostri modelli sono ottimizzati per l’interpretazione del mondo fisico. Confondere i due porta ad applicare la classe di strumento sbagliata a un problema per cui non è stato costruito.

Molte aziende di AI sostengono che una migliore prestazione richiede più calcolo, modelli più grandi e un maggiore accesso a GPU. Treefera sembra sfidare quell’assunzione. Cosa significa “calcolo parsimonioso” nella pratica e perché è importante per l’AI applicata?

L’assunzione prevalente nell’AI è che la scala equivalga a prestazioni: più parametri, più GPU, più infrastrutture cloud. Per l’AI applicata in contesti specifici di dominio, quell’assunzione è sbagliata e produce costi e sprechi di energia non necessari.

Il calcolo parsimonioso, nella pratica, significa tre cose per noi. In primo luogo, stacchiamo il calcolo dal tempo. La maggior parte dei nostri compiti di elaborazione non deve avvenire in un secondo specifico. Invece di eseguire un’infrastruttura sempre attiva, identifichiamo periodi di capacità di rete in eccesso e prendiamo in prestito calcolo durante quelle finestre.

In secondo luogo, decentralizziamo i carichi di lavoro. Invece di instradare tutto attraverso un hub cloud singolo, distribuiamo su una rete di nodi disponibili, compresa l’infrastruttura blockchain, che porta una notevole capacità inattiva in determinati periodi. Se un nodo diventa inefficiente, i compiti vengono instradati dinamicamente.

In terzo luogo, dimensioniamo correttamente il hardware. Utilizziamo NVIDIA AG6 invece dei chip di fascia alta, dove le prestazioni sono equivalenti per i nostri carichi di lavoro a una frazione dell’energia e del costo. Il motivo per cui questo è importante al di là dell’efficienza è la precisione. Il calcolo parsimonioso impone la disciplina su quale calcolo è effettivamente necessario. Ciò produce modelli più magri e più interpretabili – il tipo di modelli che i responsabili delle decisioni finanziarie e operative possono effettivamente utilizzare. Non hanno bisogno di un modello più grande; hanno bisogno di una risposta più precisa.

La tua piattaforma consegna apparentemente output predittivi su resa dei raccolti, uso del suolo e rischio di approvvigionamento senza fare affidamento su un’infrastruttura cloud sempre attiva. Come stacchi il calcolo dal tempo e consegni comunque intelligenza commerciale quasi in tempo reale?

Intelligenza quasi in tempo reale e calcolo continuo non sono la stessa cosa. I nostri clienti hanno bisogno di previsioni aggiornate settimanalmente; non hanno bisogno che il calcolo che genera quelle previsioni sia in esecuzione continuamente.

Mappiamo i nostri cicli di elaborazione sul ritmo naturale dei dati. Le immagini satellitari arrivano con una cadenza. Gli input meteorologici si aggiornano con una cadenza. Le domande analitiche che i nostri modelli rispondono sono anche cadenzate: quale è la traiettoria della resa per questa regione, cosa è cambiato questa settimana nell’area piantata. Quindi pre-programmiamo i lavori di calcolo per eseguire quei dati in quelle finestre, prendendo in prestito capacità da infrastrutture distribuite durante periodi di bassa domanda. L’output per il cliente è un feed di dati settimanale che è attuale, azionabile e pronto per il modello. L’infrastruttura dietro di esso esegue solo quando c’è qualcosa di significativo da elaborare. Quell’architettura è anche più resiliente. Un carico di lavoro distribuito che instrada intorno ai nodi falliti è più affidabile di un server sempre attivo con un singolo punto di guasto.

I mercati agricoli e delle materie prime sono ancora fortemente dipendenti da dati ritardati, basati su sondaggi o frammentati. Come l’AI cambia il modo in cui le aziende, le banche, le assicurazioni e i commercianti possono valutare il rischio prima che diventi visibile nei rapporti ufficiali?

Il problema strutturale con la segnalazione basata sui sondaggi è che è progettata per essere retrospettiva. Quando un’agenzia governativa pubblica una stima di approvvigionamento, le condizioni fisiche sottostanti sono già vecchie di settimane o mesi.

L’AI cambia questo spostando la fonte di informazione dai sondaggi all’osservazione diretta. Le immagini satellitari, i segnali climatici e i dati di sviluppo dei raccolti sono disponibili ora, non in sei settimane quando un rapporto viene compilato e pubblicato. Ciò che i nostri modelli fanno è tradurre quei dati fisici nel linguaggio finanziario che i commercianti, gli assicuratori e gli analisti effettivamente utilizzano: previsioni di resa con intervalli di incertezza dichiarati, stime di area di produzione con aggiornamenti settimanali, punteggi di stress che quantificano il rischio all’origine prima che si manifesti nei prezzi.

Nel 2022, i nostri modelli di mais degli Stati Uniti hanno segnalato una revisione al ribasso cinque settimane prima che il USDA pubblicasse la propria. A gennaio 2025, i nostri modelli hanno rilevato un punteggio di stress di 0,76 nella cintura di produzione di cacao del Ghana; il COCOBOD non ha revisionato la propria previsione di stagione fino a giugno. Il vantaggio informativo non è marginale; è strutturale. Le imprese che aspettano ancora i rapporti ufficiali per prendere decisioni di approvvigionamento e prezzo operano con un ritardo che i loro controparti potrebbero non condividere.

Il “primo miglio” delle catene di approvvigionamento è stato storicamente una delle aree meno trasparenti per le imprese globali. Perché la visibilità del primo miglio sta diventando così critica ora, specialmente con l’aumento della volatilità climatica, della regolamentazione e dell’incertezza geopolitica?

Tre forze sono in convergenza e ognuna è individualmente significativa.

La volatilità climatica sta aumentando la frequenza e la gravità degli shock di produzione all’origine. Lo stesso evento meteorologico porta ora un impatto di approvvigionamento maggiore perché i sistemi di raccolto sono più stressati e gli eventi estremi sono meno prevedibili dalle medie storiche. I modelli di rischio lineari costruiti su norme storiche sono strutturalmente inadeguati per gestire ciò. Hai bisogno di osservazione fisica in tempo reale per vedere cosa sta effettivamente accadendo nel campo.

La regolamentazione sta creando un collegamento di responsabilità diretto tra ciò che accade al primo miglio e ciò che un’impresa può vendere o finanziare. EUDR, CSRD, TCFD: questi framework richiedono alle imprese di sapere, con prove, da dove provengono le loro merci e quali erano le condizioni all’origine. “Abbiamo fiducia nel fornitore” non è più una posizione difendibile. Quella responsabilità sta spingendo la tracciabilità e la provenienza dal preferito di acquisto a un requisito legale.

La perturbazione geopolitica ha reso la dipendenza da un’unica origine un rischio da consiglio di amministrazione. Quando una regione rappresenta una quota dominante dell’approvvigionamento globale di una merce e quella regione diventa politicamente o fisicamente inaffidabile, le imprese senza visibilità del primo miglio non hanno alcun meccanismo di allarme precoce. Scoprono quando il mercato ha già ripristinato i prezzi.

C’è anche un cambiamento più ampio in atto nell’ecosistema dei dati stesso. Il recente lancio di mappe di merci pan-tropicali di Google Earth AI – impronte di raccolto annuali da 10 metri per cacao, caffè, olio di palma e gomma, rilasciate come dati aperti – è un indicatore utile di dove le cose stanno andando. Il mondo fisico è sempre più leggibile dallo spazio e la domanda di trasparenza della catena di approvvigionamento è ora abbastanza mainstream da attirare investimenti su larga scala da big-tech. Treefera accoglie con favore questo sviluppo. Un livello di dati fondamentali più ricco solleva il pavimento per l’intero mercato e crea una consapevolezza condivisa che informazioni migliori non sono solo possibili, ma disponibili.

Ciò che le mappe di scoperta aperte non possono fare è chiudere il divario di intelligenza. Sapere dove sono piantati i raccolti non è lo stesso che sapere come si sta sviluppando questa stagione, cosa significano le condizioni all’origine per l’esposizione di approvvigionamento o dove è a rischio il vostro portafoglio. La traduzione dall’osservazione all’insight di livello finanziario è ciò per cui Treefera è stata costruita.

Ignoranza del primo miglio era un tempo commercialmente tollerabile quando il mondo era più prevedibile. Non lo è più.

La tua base di clienti include importanti organizzazioni come JP Morgan, Microsoft, Bayer e Anew. Quali sono i problemi più comuni che le imprese stanno cercando di risolvere con Treefera: conformità, rischio di approvvigionamento, previsione, sostenibilità, acquisto o qualcos’altro?

Il problema principale che le imprese ci portano è una versione della stessa cosa: hanno un’esposizione finanziaria significativa a ciò che accade al primo miglio delle catene di approvvigionamento agricole e non hanno un meccanismo affidabile per vederlo prima che costi loro. La cornice specifica differisce per settore.

Per i commercianti e le istituzioni finanziarie esposte alle materie prime, la domanda è il vantaggio informativo: vedere gli spostamenti di approvvigionamento prima che appaiano nei prezzi o nei dati ufficiali. Per i prestatori e gli assicuratori agricoli, la questione è la valutazione del rischio; stanno garantendo o finanziando operazioni la cui performance è direttamente governata da condizioni che non possono osservare. Per le società con obblighi di sostenibilità o conformità, la domanda è la prova: dimostrare, con dati difendibili, che le loro catene di approvvigionamento soddisfano gli standard che i regolatori e i controparti ora richiedono.

La risposta tradizionale – fidarsi del fornitore, aspettare il rapporto governativo, acquistare la stima di consenso – non è più adeguata. La precisione e la velocità di cui hanno bisogno non esistono nell’ecosistema dei dati pubblici. Esiste al primo miglio.

Treefera ha segnalato una crescita del 6% anno su anno, zero rotazione e una serie B sovrascritta in due anni. Cosa suggerisce quel livello di adozione riguardo alla domanda aziendale per sistemi di AI che sono precisi, efficienti e radicati operativamente piuttosto che semplicemente su larga scala?

Zero rotazione è il segnale più indicativo. La crescita dei ricavi può riflettere l’esecuzione commerciale; zero rotazione riflette la corrispondenza del prodotto con il mercato. I clienti che hanno utilizzato i dati per una stagione completa, li hanno verificati contro i propri modelli e hanno preso decisioni basate su di essi, e poi hanno rinnovato, stanno dicendo che il segnale è reale e che sta cambiando il modo in cui operano.

Indica anche una significativa domanda aziendale insoddisfatta per AI che sia precisa, verificabile e integrabile operativamente – domanda sottostimata da un panorama pesantemente orientato verso strumenti generativi e modelli generali su larga scala. I professionisti della catena di approvvigionamento e del rischio hanno bisogno di una previsione con un intervallo di incertezza dichiarato che possano sostenere in un comitato di rischio. Quando quella barra è raggiunta – dati specifici del dominio, accuratezza di livello finanziario, metodologia trasparente – le imprese la priorizzano. La raccolta di fondi sovrascritta riflette il riconoscimento degli investitori della stessa dinamica: il mercato è grande, il problema è strutturale e l’infrastruttura dei dati esistente non è stata costruita per risolverlo.

Guardando avanti, credi che la prossima fase dell’AI applicata sarà definita meno dalla scala del modello e più dall’efficienza operativa, dai dati specifici del dominio e dai risultati aziendali misurabili?

Sì, e le prove sono già visibili.

L’AI su larga scala sta iniziando a raggiungere i limiti di ciò che la scala grezza può risolvere. Aggiungere parametri non migliora una previsione di resa dei raccolti se i dati sottostanti sono grezzi, ritardati o geograficamente non allineati. Il valore marginale del calcolo sta diminuendo quando il collo di bottiglia è la qualità dei dati e la precisione del dominio, non la dimensione del modello.

La prossima fase sarà definita da dati di addestramento specifici del dominio, modelli di dimensioni appropriate e output verificabili. In settori come l’agricoltura, la finanza e la catena di approvvigionamento, dove le decisioni portano conseguenze finanziarie e operative, la domanda non è mai stata “quanto è grande il modello?” ma “quanto è affidabile la risposta e quanto velocemente possiamo agire su di essa?” La scala da sola non può rispondere a quella domanda. Le aziende che guideranno l’AI applicata nei prossimi cinque anni avranno costruito pipeline di dati proprietarie nel mondo fisico, addestrato modelli su quei dati con la dovuta rigorosità scientifica e dimostrato accuratezza misurabile in condizioni live. La tecnologia sta diventando sempre più una commodity; i dati e l’esperienza del dominio non lo sono.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Treefera.