Shomik Ghosh, Partner di Sierra Ventures – Serie di Interviste

Shomik Ghosh è un Partner di Sierra Ventures. In precedenza era un Partner di Boldstart Ventures, dove si concentrava sugli investimenti iniziali in fondatori tecnici che costruiscono prodotti per risolvere problemi aziendali, come Cloudquery, Kiln AI e Noded AI. Prima di allora, era un investitore di crescita presso Top Tier Capital, investendo da Series B a pre-IPO, come CircleCI, Anaplan e Shape Security.

Sierra Ventures è una società di venture capital di prima fase che si concentra sul sostegno a startup innovative di tecnologia aziendale e tecnologia approfondita. La società investe principalmente nelle fasi di seed e Series A in aree come l’intelligenza artificiale, la sicurezza informatica, l’infrastruttura aziendale e le tecnologie cloud. Negli ultimi anni, Sierra Ventures ha posto particolare enfasi sugli investimenti iniziali in AI, sostenendo aziende che costruiscono piattaforme AI fondamentali, infrastrutture di apprendimento automatico, sistemi autonomi e applicazioni AI aziendali. Attraverso la sua strategia di investimento e la rete di consulenti industriali esperti, la società aiuta le aziende tecnologiche emergenti a perfezionare la strategia di prodotto, ampliare le operazioni e accelerare l’adozione di soluzioni AI avanzate in tutti i settori.

Avete fatto la transizione da investimenti di crescita presso Top Tier Capital Partners a investimenti di prima fase in AI presso Sierra Ventures, dopo anni di sostegno a società di successo presso Boldstart Ventures. Come ha influenzato questo percorso il modo in cui distinguete l’AI di frontiera dall’AI applicata oggi?

Molto è cambiato in quel periodo. L’AI è un enorme cambiamento abilitante che ha permeato i settori più velocemente dei precedenti cambiamenti paradigmatici tecnologici, poiché l’AI si basa sui progressi dei cambiamenti precedenti. Il cloud computing, i dispositivi PC/Mobile e ogni ondata di progressi AI precedenti hanno fornito i blocchi per l’AI moderna per diffondersi rapidamente. Questo è anche il motivo per cui l’impatto sembra così rapido e improvviso, con movimenti drastici che si verificano nel mercato azionario e che influenzano anche la guerra moderna. Cerciamo fondatori che facciano un passo nel futuro. Stanno affrontando tutti i rischi di costruire funzionalità e capacità per un mondo che non esiste ancora, ma che sono in grado di impressionare i clienti con risultati mai visti prima, consentendo una scalabilità più rapida. Sia nell’AI di frontiera che in quella applicata, ciò esiste dalla robotica alle applicazioni AI verticali.

In termini pratici, come definite “AI di frontiera” rispetto ad “AI applicata” quando valutate startup di prima fase, e dove vedete i più grandi malintesi su come queste categorie vengono discusse nel più ampio discorso sull’AI?

L’AI di frontiera significa sfruttare la tecnologia per affrontare problemi ai limiti di ciò che è possibile. Finora non abbiamo avuto robot che abbiano significativamente abilitato l’industria al di fuori dei magazzini, non abbiamo avuto nuovi chip di semiconduttori o occhiali progettati con tecnologia laser innovativa e materiali grezzi. L’AI applicata significa sfruttare la tecnologia per affrontare problemi noti oggi, ma che in precedenza non era possibile risolvere nella stessa misura. Un buon esempio è gli agenti vocali, dove società come Smallest AI aiutano i clienti a offrire esperienze di chat simili a quelle umane e a consegnare risultati ai clienti piuttosto che un prodotto che aiuta a raggiungere il risultato. Questo aspetto di consegna di risultati rispetto a migliorare i processi è un cambiamento chiave che l’AI applicata sta portando nei settori.

Dalla vostra prospettiva di lavoro a stretto contatto con fondatori in tutto il modello di innovazione, robotica e AI verticale, dove stanno avvenendo i più significativi progressi in questo momento?

I progressi stanno avvenendo ovunque! La generazione di codice AI sta consentendo cicli di prodotto più rapidi di prima. I modelli stanno offrendo nuove capacità con la gestione della memoria e gli ambienti di apprendimento automatico personalizzati per vari casi d’uso, in modo che le allucinazioni si riducano rapidamente mentre l’accuratezza per il lavoro della conoscenza migliora esponenzialmente. Tutto ciò si alimenta a vicenda. Nella robotica, stiamo vedendo i primi segni che le leggi di scalabilità stanno funzionando proprio come nei LLM. Questo è un enorme progresso, poiché in precedenza i LLM erano principalmente basati su testo o immagini, ma ora i modelli addestrati sul mondo fisico che devono capire la fisica stanno mostrando leggi di scalabilità simili. Nuovi documenti come il documento sui LLM ricorsivi mostrano come i modelli siano in grado di migliorarsi lavorando insieme. Stiamo vedendo emergere strutture di modelli del sistema 1 e 2 che sono simili alle dinamiche che vediamo nel cervello. I modelli specifici del dominio stanno diventando più facili da addestrare e distillare dai modelli di ragionamento OSS di frontiera per aiutare i costruttori di AI verticali a offrire migliori risultati ai clienti.

Quando valutate una società AI di prima fase, come bilanciate la novità tecnica contro l’adattamento del mercato e la trazione dei clienti nel mondo reale?

Alla fine, la novità tecnica in sé è tipicamente più utile per il campo della ricerca. Nei modelli di base, ad esempio, la novità tecnica potrebbe effettivamente portare a una svolta che poi presenta un nuovo verticale di scalabilità. Ma per la maggior parte delle startup, la novità tecnica è un mezzo per raggiungere un fine per offrire un risultato migliore per i clienti. I fondatori delle startup non dovrebbero costruire qualcosa solo perché è tecnicamente difficile da costruire, ma piuttosto come risultato di costruire in quel modo, porta a migliori risultati per i clienti e anche a un miglior fossato intorno all’azienda che rende più difficile per gli altri copiarla. Nell’era della generazione di codice AI, gran parte della novità tecnica può essere rapidamente superata, quindi sempre più si tratta di capire l’ingegneria guidata dai risultati rispetto all’ingegneria puramente tecnica.

Oltre alla tecnologia stessa, cosa cercate specificamente in un fondatore che costruisce una società AI alle prime fasi?

Vogliamo vedere fondatori che stanno costruendo per il futuro che non è ancora accaduto. Fanno scommesse calcolate sugli agenti, i modelli e i miglioramenti dell’hardware che probabilmente si verificheranno nel prossimo futuro e costruiscono prodotti che capitalizzano su quello. Poi vogliamo che il fondatore spieghi perché quel futuro si verificherà e perché costruire per quel futuro ora migliorerà la vita dei clienti di 10 volte nel futuro preparandosi per quello ora. Vogliamo anche fondatori che stanno abbracciando completamente l’AI. Se non si utilizza Cursor, Codex, Claude Code per sperimentare e imparare, è difficile immaginare il futuro dati i progressi che quei prodotti stanno facendo nell’universo del software. Quei cambiamenti hanno un impatto a valle sull’universo dell’hardware, poiché sempre più hardware e software sono strettamente integrati per consentire la presa di decisioni autonome dell’hardware per offrire migliori risultati ai clienti.

Quali segnali indicano che una società AI tecnicamente ambiziosa ha il potenziale per evolversi in un’azienda pronta per il mercato e scalabile, piuttosto che rimanere un sforzo guidato dalla ricerca?

Di solito i fondatori che hanno iniziato in uno sforzo guidato dalla ricerca hanno un obiettivo finale in vista. Potrebbero voler continuare a fare ricerca per avanzare nel settore, ma capiscono anche che la monetizzazione della ricerca applicata aiuta a fornire il carburante per quegli avanzamenti. Quindi stiamo solo cercando di capire come un fondatore che attualmente è in modalità di ricerca stia pensando alle applicazioni di quella ricerca e quali ipotesi ha per testare i progressi della ricerca nel mondo lungo la strada per derisk la fase di ricerca.

Per i fondatori che costruiscono piattaforme tecniche altamente tecniche senza una visibilità immediata dei ricavi, come dovrebbero strutturare i punti di riferimento e le conversazioni con gli investitori in modo diverso dalle startup con percorsi di monetizzazione più chiari?

Molto difficile da dire. Ogni startup ha aspetti unici. Una società di robotica potrebbe non avere visibilità dei ricavi per molto tempo, ma i punti di riferimento lungo la strada potrebbero essere capacità emergenti, leggi di scalabilità nei modelli, azioni che in precedenza non potevano verificarsi. Nell’infrastruttura AI, potrebbe essere consegnare a 2-3 partner di design un prodotto che fornisce risultati che i team sono entusiasti di utilizzare e disposti a scommettere sull’uso del prodotto in produzione, anche se è all’inizio. Nell’AI verticale, di solito si ha un percorso più chiaro verso la monetizzazione, poiché se si consegna un risultato per il cliente in un settore verticale che risolve un grande punto dolente, i clienti sono disposti a pagare per quello, di solito immediatamente.

C’è stato un notevole slancio intorno alle startup che costruiscono agenti AI – qual è la vostra prospettiva sul potenziale di successo a lungo termine delle società che si concentrano principalmente su agenti autonomi negli ambienti aziendali?

Jensen Huang di Nvidia (NVDA ) ha detto che Openclaw è stato il momento ChatGPT per l’era degli agenti. Credo che questo dica tutto. Il timeline per gli agenti nell’ambiente aziendale non è più una scommessa a lungo termine, ma una che si sta realizzando rapidamente, che le aziende vogliano o no, poiché l’uso del computer, del browser e degli agenti personali si diffonde attraverso l’organizzazione a partire dall’uso dal basso. L’era è qui, le aziende adotteranno gli agenti in ogni aspetto dell’organizzazione e avranno bisogno di governance, sicurezza, monitoraggio, infrastrutture, calcolo e dati per servire tutto ciò.

Quali modelli state vedendo nei tipi di fondatori AI o domini che attirano una sostenuta fiducia degli investitori rispetto a quelli che potrebbero essere eccessivamente concentrati sulla narrazione?

Credo che ci siano troppi settori di opportunità per i fondatori che stanno costruendo nelle stesse aree. La tecnologia legale come Harvey, Legora, Eudia ha fatto bene, ma ci sono ancora nuove società che escono ogni giorno in questo settore. Il mio messaggio per i fondatori sarebbe che l’AI è un enorme cambiamento abilitante. Sta influenzando ogni aspetto del mondo. Date le dimensioni della superficie dei prodotti da costruire e dei problemi da risolvere, è illimitata. Pensate più in grande che seguire semplicemente una società di successo che avete visto raccogliere molti soldi. Possiamo utilizzare l’AI per offrire risultati che cambiano la vita e quindi incoraggerei i fondatori a spendere più tempo a pensare ai problemi che amano risolvere e poi lavorare a ritroso su come l’AI possa aiutare a risolverli.

Guardando avanti, come pensate che la costruzione di società AI di prima fase evolverà nei prossimi cinque anni, man mano che le capacità maturano e i mercati si stabilizzano?

Non sono sicuro che “stabilizzazione del mercato” sia un termine che userò. Credo che l’AI stia migliorando esponenzialmente e che, di conseguenza, ci saranno molte perturbazioni. Ma le perturbazioni creano infinite opportunità e quindi la costruzione di società di prima fase sta entrando in una delle ere più dinamiche che abbiamo visto negli ultimi anni. Dimentichiamo, ma società come OpenAI e Anthropic hanno meno di un decennio e sono già considerate società di tecnologia di grandi dimensioni. C’è una finestra di tempo in cui le capacità si espandono rapidamente per molte società massive da costruire. È uno dei momenti più emozionanti nella tecnologia che ho sperimentato nella mia vita.

Grazie per la grande intervista, gli imprenditori che desiderano saperne di più possono visitare Sierra Ventures.