Thomas Cuvelier, Partner, VS & Europa, RTP Global – Interview Series

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-definiërende bedrijven bouwen. Hij is vooral aangetrokken tot ondernemers die gedreven worden door eerste-hand ervaringen bij het oplossen van echte wereldproblemen, in plaats van door ondernemers die simpelweg een bedrijf willen starten. Met een achtergrond in Computer Science en Statistiek, investeert hij in technisch sterke teams van Pre-Seed tot en met Series A, waarbij hij typisch $1 miljoen tot $10 miljoen inzet. Zijn investeringservaring omvat de hele levenscyclus van een bedrijf, van vroeg stadium venture tot groei en late stadium overnames, gevormd door tijd doorgebracht in grote wereldwijde technologie-hubs, waaronder San Francisco, New York, Londen, Berlijn en Parijs, en hij brengt een sterke cross-Atlantische perspectief op technologie, talent en markten. Hij spreekt ook vloeiend Frans, Mandarijn en Japans.

RTP Global is een wereldwijd early-stage venture capital bedrijf dat investeert in technologie-gedreven bedrijven in Noord-Amerika, Europa en Azië. Opgericht in 2000, richt het bedrijf zich op het ondersteunen van ambitieuze oprichters in de Seed en Series A fasen, met een track record dat bedrijven zoals Datadog, Delivery Hero en Cred omvat. RTP Global werkt met een langetermijninvesteerdersfilosofie, waarbij het vaak bedrijven voor veel jaar ondersteunt en kapitaal uit voorgaande successen herbelegt in nieuwe ondernemingen. De wereldwijde aanwezigheid en het netwerk van het bedrijf stellen oprichters in staat om internationaal te schalen, 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. Vanuit uw ervaring met investeren in deze verschillende sectoren, welke patronen ziet u in de soorten AI-startups die nu echt aantrekkelijk zijn?

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 ondernemende oprichters 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 te vermelden dat tractie wordt gegenereerd over een breed landschap. Zware industrieën die eerder ‘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 muren hebben. Hoe ziet u de relatie evolueren tussen fundamentale modellen en toepassingslaagbedrijven?

De lanceringen van Anthropic 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 muur die fundamentale modelbedrijven niet kunnen doorbreken met effectieve oppervlakte-niveau-hulpmiddelen.

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

U heeft gesuggereerd dat sommige Series B- en C-AI-startups mogelijk structurele uitdagingen zullen tegenkomen vanwege de snelle vooruitgang in fundamentale modellen. Welke architectonische fouten hebben deze bedrijven gemaakt, en welke lessen moeten jongere startups hieruit trekken?

Het probleem dat veel AI-startups in de Series B- en C-fase tegenkomen, is dat hun producten in wezen dashboards zijn om te communiceren met LLM’s die slechts een handvol onderliggende integraties hebben. Deze bedrijven hebben in de afgelopen jaren snel tractie gekregen met hobbyistische en ondernemingsadoptie en hebben grote bedragen opgehaald. Maar als we naar vandaag kijken, zijn de fundamentale modelspelers goed gepositioneerd om hun bedrijfsmodel uit te dagen.

Voor nieuwe oprichters is de les om niet te veel troost te putten uit enige vermeende technologie-muur of historische klant-lock-in. AI-geassisteerde softwareontwikkeling en bedrijfsscalatie maakt dat vandaag de dag doorbraak morgen een commodity-aanbod kan worden. Het bouwen van muren rond 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 tegenwoordig evalueert, wat vormt eigenlijk verdedigbaarheid? Is het propriëtaire gegevens, workflow-integratie, regelgevingscomplexiteit, distributie of iets anders?

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

Zoals hierboven vermeld, denk ik dat de push van fundamentale modellen naar verticale industrieën alleen maar zo ver kan gaan. Gereguleerde industrieën en hun kritieke workflows zijn te complex voor fundamentale modellen, en hier ligt de beste kloof voor AI-startups om te vullen en verdedigbare bedrijven op te bouwen.

Andere dan wat u opnoemt, zou ik ook toevoegen dat gebruikersretentie en community-opbouw 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-muur in AI krimpt. Bent u het daarmee eens, en zo ja, welke nieuwe vormen van concurrentievoordeel ontstaan?

Het is een feit dat de technologie-muur krimpt. Als uw product in een weekend kan worden gebouwd, heeft u geen technologie-muur – 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 versterkt door een geweldige gebruikerservaring cruciaal.

Vanuit een venture capital-perspectief, welke kwaliteiten zoekt u in oprichters van AI-bedrijven tegenwoordig? 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 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 langetermijnopties bieden voor AI-startups?

Industrieën zoals 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 ‘voorbijschieten’ 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 vanuit fundamentale modellen.

Er is een toenemende discussie over een mogelijke 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 hebben in 2021-2023 piekmultiples opgehaald en staan nu voor een neerwaartse herwaardering als ze terug naar de markt gaan, wat een strategische overname plotseling aantrekkelijker maakt dan een vernederende herprijs. Aan de kant van de overnemer hebben de hyperscalers en grote platformbedrijven de afgelopen twee jaar AI-mogelijkheden geïntegreerd en realiseren ze zich nu dat het opbouwen van alles in-house trager is dan het kopen van differentiërende distributie of propriëtaire data-activa.

Het tweede signaal is de talenten- en datamoatdynamiek: naarmate de commodificatie van fundamentale 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.

Ten slotte wordt de regelgevingsomgeving stilzwijgend permissiever; de huidige Amerikaanse regering heeft een lichter antitrust-houding gesignaleerd, wat barrières wegneemt voor grote strategische spelers die eerder voorzichtig waren met deal-scrutine.

AI-startups kunnen snel vroeg traction krijgen, soms hun eerste miljoen omzet sneller bereiken dan eerdere generaties van SaaS-bedrijven. Maar schalen voorbij dat lijkt de plek te zijn waar veel startups worstelen. Wat onderscheidt de bedrijven die doorbreken van diegene die stil komen te staan?

De scheidslijn tussen AI-oprichters die de 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 tweemaal nadenken over wereldwijde groei. Het maken van de juiste sales-hires. Kogelvrije distributiekanalen. Dit zijn cruciale grondbeginselen van go-to-market-snelheid die AI-startups onderscheiden van de rest.

Als we vooruitkijken naar de komende drie tot vijf jaar, welke soorten AI-startups bent u het meest enthousiast over om te ondersteunen, en welke categorieën denkt u dat al overvol zijn of kwetsbaar?

Ik voel me enthousiast over de mogelijkheden voor AI om de gezondheidszorg en farmaceutica te verstoren (vol complexe en streng gereguleerde workflows die kunnen worden verstoord), industriële bedrijven (waar technologie-disruptie in het algemeen nog steeds ver moet gaan) en financiële diensten (met name compliance en accounting/ERP).

De markt voor high-level, SMB-georiënteerde 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-muren zijn niet langer betrouwbaar.