Thomas Cuvelier, Partner, VS & Europa, RTP Global – Interviewreeks

Thomas Cuvelier, Partner, VS & Europa, RTP Global is een in New York gevestigde investeerder die zich richt op het ondersteunen van oprichters in de Verenigde Staten en Europa die categorie-definierende bedrijven opbouwen. Hij wordt vooral aangetrokken door ondernemers die gedreven worden door eerste-hand ervaringen bij het oplossen van echte wereldproblemen, in plaats van door ondernemers die er alleen maar op uit zijn om een bedrijf te starten. Met een achtergrond in Computer Science en Statistiek, investeert hij in technisch sterke teams vanaf het pre-seed-stadium tot en met serie A, waarbij hij typisch tussen de 1 en 10 miljoen dollar investeert. Zijn investeringservaring omvat het hele levenscyclus van een bedrijf, van vroeg stadium venture tot groei en late-stage overnames, gevormd door de tijd die hij heeft doorgebracht in grote wereldwijde technologie-hubs, waaronder San Francisco, New York, Londen, Berlijn en Parijs, en hij brengt een sterk cross-Atlantisch perspectief op technologie, talent en markten. Hij spreekt ook vloeiend Frans, Mandarijn en Japans.

RTP Global is een wereldwijd opererend venture capital-bedrijf dat investeert in technologiegedreven bedrijven in Noord-Amerika, Europa en Azië. Opgericht in 2000, richt het bedrijf zich op het ondersteunen van ambitieuze oprichters in het seed- en serie A-stadium, met een track record dat bedrijven zoals Datadog (DDOG ), Delivery Hero en Cred omvat. RTP Global werkt met een langetermijninvesteringfilosofie, waarbij het vaak jarenlang in bedrijven investeert en kapitaal uit eerdere successen herinvesteert in nieuwe ondernemingen. De wereldwijde aanwezigheid en het netwerk van het bedrijf stellen oprichters in staat om internationaal te groeien, terwijl de sectorfocus zich uitstrekt over gebieden zoals AI, fintech, SaaS en data-infrastructuur.

U heeft een breed scala aan AI-native startups ondersteund, waaronder workflow-orchestratieplatforms zoals Kestra, robotics data-platforms zoals Mecka AI en verticale SaaS-bedrijven zoals Archy en DualEntry. Wat zijn de patronen die u ziet in het soort AI-startups dat nu echt aantrekt?

Een interessant patroon kan worden gezien in het profiel van de oprichters achter succesvolle AI-startups. Ik zie steeds vaker ondernemers die gemotiveerd zijn door en AI-native oplossingen bouwen voor pijn punten die ze zelf hebben ervaren in legacy-industrieën (het kan gaan om ERP-systemen of onhandige software in industrieën zoals de gezondheidszorg). Er is een aparte groep ondernemers die een kans hebben gespot om een legacy-aspect van een wereldwijd bedrijf te verstoren en daaromheen bouwen. De trend is dat de generatie van AI-native oprichters samenkomt.

Het is ook de moeite waard om op te merken dat tractie wordt gegenereerd over een breed landschap. Zware industrieën die vroeger ‘onkwetsbaar’ waren voor disruptie door startups, zoals robotica en overheidsdiensten, kunnen nu worden verstoord en zijn geschikt voor VC-investeringen.

Recente lanceringen van grote modelaanbieders zoals Anthropic hebben een debat uitgelokt over of verticale AI-startups nog steeds verdedigbare moaten hebben. Hoe ziet u de relatie tussen foundationele modellen en toepassingslaagbedrijven evolueren?

Anthropics lanceringen vormen een bedreiging voor het startup-ecosysteem, maar we moeten precies zijn. Bedrijven die SaaS aanbieden aan MKB’s en ongereguleerde industrieën zijn kwetsbaar. Zij hebben geen moat die foundationele modelbedrijven niet kunnen doorbreken met effectieve oppervlaktegereedschap.

Maar de aantrekkingskracht van oppervlaktegereedschap reikt niet ver. Complexe workflows in gereguleerde industrieën worden het beste bediend door AI-toepassingen met diepe integratie met industrie-specifieke gereedschappen die zijn ontworpen door teams met diepe kennis van hun industrie. De verticale AI-startups achter dergelijke toepassingen hebben verdedigbare moaten en kunnen de storm doorstaan.

U heeft gesuggereerd dat sommige Series B- en C-AI-startups nu structurele uitdagingen kunnen tegenkomen vanwege de snelle vooruitgang in foundationele modellen. Welke architectonische fouten maakten deze bedrijven, en welke lessen moeten jongere startups hieruit trekken?

Het probleem dat veel AI-startups in het Series B- en C-stadium tegenkomen, is dat hun producten in wezen dashboards zijn om interface te maken met LLM’s die slechts een handvol onderliggende integraties hebben. Deze bedrijven maakten snelle vooruitgang met hobbyist- en enterprise-adoptie in de afgelopen jaren en haalden grote bedragen binnen. Maar vandaag de dag zijn de foundationele modelspelers goed gepositioneerd om hun bedrijfsmodel uit te dagen.

Voor nieuwe oprichters is de les om niet te veel comfort te putten uit enige vermeende technologie-moat of historische klant-lock-in. AI-geassisteerde software-ontwikkeling en bedrijfsuitbreiding maakt dat vandaag de dag doorbraak morgen een commodity-aanbod kan worden. Het bouwen van moaten rondom eigenschappen die nog steeds moeilijk te repliceren zijn – diepe integratie, diepe industrie-specifieke expertise en bloeiende gebruikersgemeenschappen – is een betere zet.

Wanneer u AI-startups vandaag de dag evalueert, wat vormt dan eigenlijk verdedigbaarheid? Is het propriëtaire data, workflow-integratie, regulatorische complexiteit, distributie of iets heel anders?

Ik zou zeggen dat al deze factoren belangrijk zijn. Ik kan de vereiste diepte van integratie niet genoeg benadrukken. We hebben het over integratie met meer dan 100 industrie-specifieke gereedschappen en toepassingen om een niveau van diepte te bereiken dat moeilijk te verplaatsen is.

Zoals ik hierboven al zei, denk ik dat de stoot van foundationele modellen in verticale industrieën alleen maar zo ver kan reiken. Gereguleerde industrieën en hun kritieke workflows zijn te complex voor foundationele modellen, en hier ligt de beste kloof voor AI-startups om te vullen en verdedigbare bedrijven op te bouwen.

Andere dan wat u noemt, zou ik ook toevoegen dat gebruikersretentie en community-bouw belangrijke bouwstenen van verdedigbaarheid blijven. Echte gebruikersloyaliteit omdat een product geweldig is en een plezier om te gebruiken, is moeilijk op te bouwen, maar ook moeilijk te verstoren.

Veel investeerders zeggen nu dat de technologie-moat in AI krimpt. Bent u het daarmee eens, en zo ja, welke nieuwe vormen van concurrentievoordeel ontstaan er?

Het is een feit dat de technologie-moat krimpt. Als uw product in een weekend kan worden gebouwd, dan heeft u geen technologie-moat – en de kunst van het mogelijke van een weekend met AI wordt steeds geavanceerder.

In een wereld waar software gemakkelijk te vervangen is, wordt klantloyaliteit, ondersteund door een geweldige gebruikerservaring, cruciaal.

Vanuit een venture capital-perspectief, welke kwaliteiten zoekt u in oprichters van AI-bedrijven vandaag de dag? Zijn er specifieke eigenschappen, ervaringen of manieren van denken die opvallen wanneer u besluit een oprichter te ondersteunen?

Persoonlijk is de #1-eigenschap kristalheldere duidelijkheid over eindklanten. Wanneer oprichters klanten kennen als de achterkant van hun hand, en hoe hun product past in de realiteit van de klant, dan vallen andere belangrijke elementen voor het opbouwen van succesvolle AI-bedrijven – zoals het worden geleid door diepe sector-expertise – op hun plaats.

Andere belangrijke kwaliteiten zijn een product-georiënteerde oprichter-persoonlijkheid en sterke persoonlijke netwerken die ondernemingsbeslissers omvatten die in de toekomst klanten kunnen worden.

U heeft geïnvesteerd in bedrijven die opereren in gereguleerde sectoren zoals verzekeringen, gezondheidszorg en financiële diensten. Waarom denkt u dat gereguleerde industrieën mogelijk sterker langetermijnkansen bieden voor AI-startups?

Industrieën zoals de gezondheidszorg, farmaceutica, financiële diensten, verzekeringen en de publieke sector zijn rijp voor disruptie door AI-startups die van de grond af zijn opgebouwd met de behoeften en workflows van elke industrie in gedachten. De impact van LLM’s en agente AI is zo revolutionair dat het niet zal ‘voorbijgaan’ aan industrieën die historisch gezien langzaam zijn geweest in het adopteren van technologie.

Deze industrieën zijn zo aantrekkelijk voor startups omdat ze nog steeds gedomineerd worden door legacy software-incumbenten die hun producten niet gemakkelijk kunnen aanpassen voor AI. En, zoals eerder vermeld, zijn ze minder geschikt voor disruptie door foundationele modellen.

Er is een toenemende discussie over een potentiële golf van fusies en overnames onder mid-stage AI-bedrijven. Welke signalen ziet u die suggereren dat consolidatie de komende paar jaar kan versnellen?

Het duidelijkste signaal is de compressie van waarderingen die samenvalt met cashdruk. Veel mid-stage AI-bedrijven haalden in 2021-2023 piekmultiples binnen en staan nu voor een down-round-territorium als ze terug naar de markt gaan, wat een strategische overname plotseling aantrekkelijker maakt dan een vernederende herprijs. Aan de koperskant hebben de hyperscalers en grote platformbedrijven de afgelopen twee jaar AI-capaciteiten geïntegreerd en beseffen nu dat het opbouwen van alles in-house trager is dan het kopen van gedifferentieerde distributie- of propriëtaire data-activa.

Het tweede signaal is de talent- en data-moat-dynamiek: naarmate de commodificatie van foundationele modellen versnelt, komt de verdedigbare waarde steeds meer te liggen in propriëtaire trainingsdata en go-to-market, in plaats van modelarchitectuur zelf, wat precies is wat acqui-hires en strategische roll-ups efficiënt vastleggen.

Tenslotte wordt de regulatorische omgeving stilzwijgend permissiever; de huidige Amerikaanse regering heeft een lichter antitrust-houding gesignaleerd, wat barrières wegneemt voor large-cap-strategen die eerder voorzichtig waren met deal-scrutine.

AI-startups kunnen snel een eerste miljoen omzet binnenhalen, soms sneller dan eerdere generaties van SaaS-bedrijven. Maar het schalen voorbij dat punt lijkt te zijn waar veel startups worstelen. Wat onderscheidt de bedrijven die doorbreken van diegenen die stil komen te staan?

De scheidslijn tussen AI-oprichters die omzetplafonds bereiken en de oprichters die herhaaldelijk doorbreken, is de go-to-market-snelheid. Het verzenden van functies en producten geleid door een gebruikersgemeenschapsfeedbacklus. Niet twee keer nadenken over wereldwijde groei. Het maken van de juiste verkoophuizen. Kogelvrije distributiekanalen. Dit zijn cruciale grondregels van go-to-market-snelheid die AI-startups onderscheiden van de rest.

Kijkend naar de toekomst, drie tot vijf jaar, welke soorten AI-startups bent u het meest enthousiast over om te ondersteunen, en welke categorieën denkt u dat al te vol of kwetsbaar worden?

Ik voel me enthousiast over de mogelijkheden voor AI om de gezondheidszorg en farmaceutica te verstoren (vol complexe en zwaar gereguleerde workflows die kunnen worden verstoord), industriële bedrijven (waar technologische disruptie in het algemeen nog steeds miles te gaan heeft) en financiële diensten (met name compliance en accounting/ERP). De markt voor high-level, SMB-gerichte AI-producten is verzadigd en een gebied van startup-kwetsbaarheid. Het is hetzelfde geval voor elke AI-startup met een product dat gemakkelijk kan worden gerepliceerd. Technologie-moaten zijn niet langer betrouwbaar.