Thomas Cuvelier, Partner, US & Europa, RTP Global – Intervista

Thomas Cuvelier, Partner, US & Europa, RTP Global è un investitore con sede a New York che si concentra sul sostegno a fondatori in tutto gli Stati Uniti e in Europa che stanno costruendo aziende che definiscono categorie. È particolarmente attratto da imprenditori guidati da esperienze dirette nel risolvere problemi del mondo reale, piuttosto che da coloro che si sono semplicemente messi in affari. Con una formazione in Informatica e Statistica, investe in team tecnicamente forti dalla fase di pre-seed alla serie A, di solito investendo tra 1 milione e 10 milioni di dollari. La sua esperienza di investimento copre l’intero ciclo di vita dell’azienda, dalla fase di venture iniziale alla crescita e alle acquisizioni di fine ciclo, plasmata dal tempo trascorso nei principali hub tecnologici globali, tra cui San Francisco, New York, Londra, Berlino e Parigi, e porta una forte prospettiva transatlantica sulla tecnologia, il talento e i mercati. Parla anche correntemente francese, mandarino e giapponese.

RTP Global è una società di venture capital di primo stadio a livello globale che investe in aziende guidate dalla tecnologia in Nord America, Europa e Asia. Fondata nel 2000, la società si concentra sul sostegno a fondatori ambiziosi alle fasi di seed e serie A, con un record che include aziende come Datadog (DDOG ), Delivery Hero e Cred. RTP Global opera con una filosofia di investimento a lungo termine, spesso sostenendo le aziende per molti anni e reinvestendo il capitale da successi passati in nuove imprese. La sua presenza globale e la rete consentono ai fondatori di scalare a livello internazionale, mentre la sua focalizzazione settoriale copre aree come l’AI, il fintech, il SaaS e l’infrastruttura dei dati.

Ha sostenuto una vasta gamma di startup native AI, tra cui piattaforme di orchestrazione del flusso di lavoro come Kestra, piattaforme di dati di robotica come Mecka AI e aziende SaaS verticali come Archy e DualEntry. Dalla sua esperienza di investimento in questi diversi settori, quali modelli vede emergere nelle tipologie di startup AI che stanno guadagnando una vera trazione oggi?

Un modello interessante può essere visto nel profilo dei fondatori dietro le startup AI di successo. Sto vedendo sempre più imprenditori motivati a costruire soluzioni native AI per punti deboli che hanno incontrato di persona in settori legacy (potrebbe trattarsi di sistemi ERP o software goffi in settori come la sanità). C’è un’altra coorte di fondatori imprenditoriali che hanno individuato un’opportunità per disruptare un aspetto legacy di un’azienda globale e stanno costruendo intorno a questo. La tendenza è che la generazione di fondatori nativi AI si sta unendo.

È anche degno di nota che la trazione si sta generando in un vasto panorama. Industrie pesanti che erano una volta ‘invincibili’ alla disruption da parte delle startup, come la robotica e i servizi governativi, possono ora essere disruptate e sono idonee per gli investimenti VC.

I recenti lanci di grandi fornitori di modelli come Anthropic hanno scatenato un dibattito su se le startup AI verticali abbiano ancora un moat difendibile. Come vede l’evoluzione della relazione tra modelli fondamentali e aziende a livello di applicazione?

I lanci di Anthropic rappresentano una minaccia per l’ecosistema delle startup, ma dobbiamo essere precisi. Le aziende che offrono SaaS alle PMI e ai settori non regolamentati sono vulnerabili. Non hanno un moat che le aziende di modelli fondamentali non possano violare con un’efficace strumentazione di superficie.

Ma l’attrattiva della strumentazione di superficie si estende solo fino a un certo punto. I flussi di lavoro complessi nei settori regolamentati sono meglio serviti da applicazioni AI con una profonda integrazione con strumenti specifici del settore progettati da team con una profonda familiarità con il loro settore. Le startup AI verticali dietro tali applicazioni hanno un moat difendibile e possono resistere alla tempesta.

Ha suggerito che alcune startup AI di serie B e C potrebbero ora affrontare sfide strutturali a causa dei rapidi progressi nei modelli fondamentali. Quali errori architettonici hanno commesso queste aziende e quali lezioni dovrebbero trarne le startup più giovani?

Il problema che molte startup AI alla fase di serie B e C affrontano è che i loro prodotti sono, al loro nucleo, dashboard per interfacciarsi con LLM che hanno solo una manciata di integrazioni sottostanti. Queste aziende hanno fatto rapidi progressi con l’adozione da parte degli appassionati e delle imprese negli ultimi anni e hanno raccolto grandi somme. Ma, velocemente inoltrandoci nel presente, i giocatori di modelli fondamentali sono ben posizionati per sfidare il loro modello di business.

Per i nuovi fondatori, la lezione è evitare di prendere troppa confidenza da qualsiasi presunto moat tecnologico o storico blocco dei clienti. Lo sviluppo di software assistito dall’AI e la scalabilità aziendale rendono la rottura di oggi vulnerabile a diventare l’offerta commodity di domani. Costruire moat intorno a tratti che sono ancora difficili da replicare – profondità di integrazione, profondità di competenza specifica del settore e fiorenti comunità di utenti – è un gioco migliore.

Quando valuta le startup AI oggi, cosa costituisce effettivamente la difendibilità? È il dato proprietario, l’integrazione del flusso di lavoro, la complessità regolamentare, la distribuzione o qualcos’altro?

Direi, sì, tutti questi sono importanti. Non posso sottolineare abbastanza la profondità di integrazione richiesta, tuttavia. Stiamo parlando di un’integrazione con oltre 100 strumenti e applicazioni specifici del settore per essere un livello di profondità difficile da sostituire.

Come menzionato sopra, credo che le spinte dei modelli fondamentali nei settori verticali possano estendersi solo fino a un certo punto. I settori regolamentati e i loro flussi di lavoro critici sono troppo complessi per i modelli fondamentali, ed è qui che le startup AI possono colmare il divario e costruire aziende difendibili.

Altre cose che elenco, aggiungerei che la fidelizzazione degli utenti e la costruzione della comunità rimangono importanti blocchi di difendibilità. La lealtà degli utenti genuina perché un prodotto è grande e un piacere da usare è difficile da costruire, ma anche difficile da disruptare.

Molti investitori stanno ora dicendo che il moat tecnologico nell’AI si sta restringendo. È d’accordo e, se sì, quali nuove forme di vantaggio competitivo stanno emergendo?

È un fatto che il moat tecnologico si sta restringendo. Se il tuo prodotto può essere costruito nel fine settimana, allora non hai un moat tecnologico – e l’arte del possibile nel fine settimana con l’AI continua a diventare più sofisticata.

In un mondo in cui il software è facile da sostituire, la fedeltà del cliente sostenuta da un’esperienza utente incredibile diventa cruciale.

Dal punto di vista del venture capital, quali qualità cerca nei fondatori che costruiscono aziende AI oggi? Ci sono tratti specifici, esperienze o modi di pensare che si distinguono quando decide di sostenere un fondatore?

Personalmente, il tratto numero uno è una chiarezza cristallina sui clienti finali. Quando i fondatori conoscono i clienti come il palmo della loro mano e come il loro prodotto si adatta alla realtà del cliente, allora altri elementi importanti per costruire aziende AI di successo – come essere guidati da una profonda competenza settoriale – si inseriscono al loro posto.

Altre qualità importanti sono una personalità di fondatore focalizzata sul prodotto e forti reti personali che includono i responsabili delle decisioni aziendali che potrebbero diventare clienti in futuro.

Ha investito in aziende che operano in settori regolamentati come assicurazioni, sanità e servizi finanziari. Perché crede che i settori regolamentati possano offrire opportunità più forti a lungo termine per le startup AI?

I settori come la sanità, i prodotti farmaceutici, i servizi finanziari, le assicurazioni e il settore pubblico sono maturi per essere disruptati dalle startup AI costruite dal basso con le esigenze e i flussi di lavoro di ogni settore in mente. L’impatto dei LLM e dell’AI agente è così rivoluzionario che non passerà semplicemente ‘accanto’ ai settori che storicamente sono stati lenti nell’adottare la tecnologia.

Questi settori sono così attraenti per le startup perché sono ancora dominati da incumbent legacy che non possono facilmente virare i loro prodotti per l’AI. E, come menzionato, sono meno adatti a essere disruptati dai modelli fondamentali.

C’è stata una discussione crescente su una possibile ondata di fusioni e acquisizioni tra aziende AI di medio stadio. Quali segnali sta vedendo che suggeriscono che la consolidazione potrebbe accelerare nei prossimi due anni?

Il segnale più chiaro è la compressione della valutazione che incontra la pressione sul contante contemporaneamente. Molte aziende AI di medio stadio hanno raccolto ai picchi di valutazione del 2021-2023 e ora affrontano un territorio di serie B se tornano sul mercato, il che rende un’acquisizione strategica più appetibile di un ribasso umiliante. Sull’acquirente, gli hyperscaler e le grandi aziende di piattaforma hanno trascorso gli ultimi due anni integrando le capacità AI e ora si rendono conto che costruire tutto in casa è più lento dell’acquisto di asset di distribuzione o dati proprietari differenziati.

Il secondo segnale è la dinamica del moat dei talenti e dei dati: man mano che la commoditizzazione dei modelli fondamentali accelera, il valore difendibile si trova sempre più nei dati di formazione proprietari e nel go-to-market piuttosto che nell’architettura del modello stesso, che è esattamente ciò che gli acqui-hire e i roll-up strategici catturano in modo efficiente.

Infine, l’ambiente regolamentare sta diventando più permissivo; l’attuale amministrazione statunitense ha segnalato un atteggiamento antitrust più leggero, che rimuove le barriere per le grandi aziende strategiche che in precedenza erano caute rispetto all’esame degli affari. Mettetelo insieme e avete venditori motivati, acquirenti motivati e una corsia regolamentare più chiara: questa combinazione ha storicamente preceduto un’onda di fusioni e acquisizioni.

Le startup AI possono raggiungere una prima trazione rapidamente, a volte raggiungendo il loro primo milione di dollari di entrate più velocemente delle precedenti generazioni di aziende SaaS. Ma scalare oltre questo sembra essere il punto in cui molte si fermano. Cosa separa le aziende che superano questo ostacolo da quelle che si fermano?

La linea di demarcazione tra i fondatori AI che raggiungono i soffitti di entrate e i fondatori che ripetutamente superano i punti di riferimento è la velocità di andare al mercato. Spedire funzionalità e prodotti guidati da un ciclo di feedback della comunità degli utenti. Non pensare due volte alla crescita globale. Fare gli acquisti di vendita giusti. Canali di distribuzione a prova di proiettile. Questi sono tenets cruciali della velocità di andare al mercato che distinguono le startup AI dal resto.

Guardando avanti tre o cinque anni, quali tipi di startup AI è più entusiasta di sostenere in questo momento e quali categorie crede che stiano già diventando affollate o vulnerabili?

Sto sentendo possibilità per l’AI di disruptare la sanità e i prodotti farmaceutici (pieni di flussi di lavoro complessi e altamente regolamentati che possono essere disruptati), gli industriali (dove la disruption tecnologica in generale ancora ha molte miglia da percorrere) e i finanziari (in particolare la conformità e l’ERP). Il mercato per i prodotti AI di alto livello, rivolti alle PMI, è saturo e un’area di vulnerabilità per le startup. È lo stesso caso per qualsiasi startup AI con un prodotto che può essere facilmente replicato. I moat tecnologici non sono più affidabili.