Jonathan Horn, CEO og medgrunnlegger av Treefera – Intervju-serie

Jonathan Horn, CEO og medgrunnlegger av Treefera, er en teknologi-entrepreneur og tidligere investeringsbank-eksekutiv med dypt ekspertise i risikostyring, kunstig intelligens og stor-skala dataanalyse. Før han grunnla Treefera i 2022, hadde han senior ledelsesroller i både J.P. Morgan og Citigroup, der han fokuserte på risiko, data og komplekse finansielle systemer. Ved å trekke på hans bakgrunn i finansiell risikomodellering, lanserte Horn Treefera for å løse ett av de mest vedvarende blinde flekkene i globale forsyningskjeder: den “første milen”, der råvarer oppstår. Under hans ledelse har selskapet vokst raskt til å bli en ledende leverandør av AI-drevet forsyningskjedeeffekt, og hjelper bedrifter med å få sanntidsvisning av kildemateriale, miljørisiko, krav til overholdelse og operasjonell motstandskraft.

Grundlagt i London i 2022, er Treefera et AI-aktivert forsyningskjedeeffektselskap som fokuserer på å bringe gjennomsiktighet til den første milen av globale råvareforsyningskjeder. Deres proprietære datastof kombinerer satellittbilder, romlige og tidsmessige data, AI-modeller og risikoanalyse for å gi organisasjonene sanntidsinnsikt i kildemateriale, overholdelse, bærekraft og forsyningskjedrisiko. Plattformen hjelper bedrifter med å overvåke alt fra avskoging og karbonpåvirkning til råvare-risiko, og muliggjør mer informerte beslutninger over hele forsyningskjeden. Ved å omforme fragmentert miljø- og forsyningskjededata til handlebare innsikter, har Treefera som mål å styrke forsyningskjedens motstandskraft i en stadig mer volatil og regulert global økonomi

Du grunnla Treefera etter senior risiko-, AI- og dataanalyseroller i J.P. Morgan og Citi. Hva var det spesifikke gapet du så i hvordan bedrifter forstod landbruks- og mykvarerisiko som overbeviste deg om at Treefera måtte eksistere?

Naturbaserte varer representerer 2,1 billioner dollar av verdenshandel, men dataene som ligger til grunn for risikovurdering for disse aktivene var manuelle, forsinkede og strukturelt uaktuelle. Mens jeg arbeidet med risikomodeller i J.P. Morgan og Citi, så jeg pris- og eksponeringsbeslutninger som avhengig av data som oppstod i den første milen av landbruksforsyningskjeder: samlet inn for hånd, utsatt for utelating og ofte uker eller måneder etter virkeligheten. Seksti prosent av forsyningsrisiko oppstår i den første milen, før varer noen gang når en havn eller en børs, men det var nettopp der hvor synligheten var tynneste.

Hva som overbeviste meg om å bygge Treefera var konvergeringen av to ting: skalaen på problemet og ankomsten av verktøy som kunne løse det. Satellittoppløsning og dekning hadde nådd et punkt hvor du kunne observere avlingstilstander på feltet over hele store produksjonsregioner til minimal kostnad. AI hadde modnet til et punkt hvor det kunne omdanne det rå signalet til noe som var finansielt tolkbar. Ingen koblet disse punktene sammen på en streng og vitenskapelig måte. Bedrifter var fortsatt basert på risiko basert på regjeringsrapporter som lå etter bakkeforholdene med måneder, nasjonale gjennomsnitt som skjulte lokale variasjoner og lineære modeller som ikke kunne håndtere klimavolatilitet. Gapet mellom hva som var kjent og hva som var mulig å vite var enormt. Det gapet er der Treefera befinner seg.

Treefera beskrives ofte som en AI-drevet intelligensplattform, men din tilnærming er uttrykkelig ikke sentrert rundt LLM-er. Hvordan forklarer du forskjellen mellom prediktiv AI for forsyningskjeder og de generative AI-systemene som for tiden dominerer samtalen?

Generativ AI og store språkmodeller løser et fundamentalt annet problem. De er produktivitetsverktøy: usedvanlig nyttige for å forenkle repetitive oppgaver, som utkast og sammenfatting. Den kommersielle utfordringen for disse systemene er adopsjon, å få folk til å endre måten de arbeider på. Det er et markedsutdanningsproblem, ikke et vitenskapelig problem.

Treefera bruker AI til å løse vitenskapelige problemer med finansiell grad av nøyaktighet. Våre dyplæringmodeller er trent til å tolke satellittbilder, klimasignaler og avlingsbiologi for å produsere avlings- og produksjonsområdeforhåndsberegningsmodeller som er nøyaktige nok til å informere kapitalallokeringbeslutninger. Spørsmålet vi besvarer er ikke “hva sier denne dokumentet?” Det er “hva vil denne regionen gi i løpet av tre måneder, og hvor sikker bør du være?” Disse er ikke samme type problem og de krever ikke samme type modell. LLM-er er optimalisert for språk; våre modeller er optimalisert for fysisk verdenstolkning. Å forveksle dem fører til å bruke feil verktøy til et problem det ikke er bygget for.

Mange AI-selskaper hevder at bedre ytelse krever mer beregning, større modeller og større tilgang til GPU-er. Treefera ser ut til å utfordre denne antagelsen. Hva betyr “frugal computing” i praksis, og hvorfor er det viktig for anvendt AI?

Den herskende antagelsen i AI er at skala liker ytelse: flere parametre, flere GPU-er, mer sky-infrastruktur. For anvendt AI i domenespesifikke sammenhenger er denne antagelsen feil, og den produserer unødvendig kostnad og energiødeleggelse.

Frugal computing, i praksis, betyr tre ting for oss. Først dekoblerer vi beregning fra tid. De fleste av våre prosesseringsoppgaver trenger ikke å skje på et bestemt sekund. I stedet for å kjøre alltid-på-infrastruktur, identifiserer vi perioder med overskuddsnettverkskapasitet og låner beregningskraft under disse vinduene.

For det andre desentraliserer vi arbeidsbyrden. I stedet for å rute alt gjennom en enkelt skyhub, distribuerer vi over et nettverk av tilgjengelige noder, inkludert blockchain-infrastruktur, som har betydelig ledig kapasitet på bestemte tidspunkter. Hvis en node blir ineffektiv, ruter oppgaver dynamisk om.

For det tredje rettstiller vi maskinvaren. Vi bruker NVIDIA (NVDA ) AG6 i stedet for topp-klassens chip, hvor ytelsen er tilsvarende for våre arbeidsbyrder til en brøkdel av energi- og kostnaden. Grunnen til at dette betyr noe utover effisiens er presisjon. Frugal computing tvinger disiplin om hva slags beregning du faktisk trenger. Det produserer slanke, mer tolkbare modeller – den type finansielle og operative beslutningstakere faktisk kan bruke. De trenger ikke en større modell; de trenger et mer nøyaktig svar.

Ditt plattform rapporterer å levere prediktive utdata på avlingsutbytte, landbruk og forsyningsrisiko uten å stole på alltid-på-sky-infrastruktur. Hvordan dekobler du beregning fra tid samtidig som du leverer kommersielt nyttig, nære sanntidsinnsikt?

Nære sanntidsinnsikt og kontinuerlig beregning er ikke det samme. Våre kunder trenger ukentlige oppdaterte forhåndsberegningsmodeller; de trenger ikke at beregningen som genererer disse forhåndsberegningsmodellene skal kjøre kontinuerlig.

Vi kartlegger våre prosesseringscykluser til den naturlige rytmen av dataene. Satellittbilder ankommer på en kadens. Værinndata oppdateres på en kadens. De analytiske spørsmålene våre modeller besvarer er også kadens-drevne: hva er avlingsutviklingen for denne regionen, hva har endret seg denne uken i plantet areal. Så vi forhåndsplanlegger beregningsjobber for å kjøre mot disse data-vinduene, låner kapasitet fra distribuert infrastruktur under lav-etterspørselsperioder. Utdata til kunden er en ukentlig datastrøm som er aktuell, handlebar og modell-klar. Infrastrukturen bak det kjører bare når det er noe meningsfullt å prosessere. Denne arkitekturen er også mer motstandsdyktig. En distribuert arbeidsbyrde som ruter rundt feilede noder er mer pålitelig enn en enkelt alltid-på-server med en enkelt feilpunkt.

Landbruks- og mykvarer-markeder avhenger fortsatt tungt av forsinkede, undersøkelsesbaserte eller fragmenterte data. Hvordan endrer AI måten bedrifter, banker, forsikringselskaper og handelsmenn kan vurdere risiko før det blir synlig i offisielle rapporter?

Det strukturelle problemet med undersøkelsesbasert rapportering er at det er retrettende av design. Ved at en regjeringsbyrå publiserer en forsyningsestimat, er de fysiske forholdene som ligger til grunn for det allerede uker eller måneder gamle. Markeder som beveger seg på denne dataen reagerer på historien.

AI endrer dette ved å flytte informasjonskilden fra undersøkelser til direkte observasjon. Satellittbilder, klimasignaler og avlingsdata er tilgjengelige nå, ikke om seks uker når en rapport er sammensatt og publisert. Hva våre modeller gjør er å oversette denne fysiske dataen til det finansielle språket som handelsmenn, forsikringselskaper og analytikere faktisk bruker: avlingsforhåndsberegningsmodeller med angitte usikkerhetsintervaller, produksjonsområdestimat med ukentlige oppdateringer, stresskarakterer som kvantifiserer risiko ved opphav før det dukker opp i priser.

I 2022 flagget våre US-mais-modeller en nedrevisjon fem uker før USDA publiserte sine. I januar 2025 overflatede våre modeller en stresskarakter på 0,76 over Ghanas kakao-belt; COCOBOD revisjonerte ikke sin sesongprognose før i juni. Informasjonsfordelen er ikke marginal; den er strukturell. Bedrifter som fortsatt venter på offisielle rapporter for å fatte forsynings- og prisbeslutninger opererer med en forsinkelse som deres motparter kanskje ikke deler.

Den “første milen” av forsyningskjeder har historisk sett vært ett av de minst gjennomsiktige områdene for globale bedrifter. Hvorfor blir første-mil-gjennomsiktighet så kritisk nå, spesielt når klimavolatilitet, regulering og geopolitisk usikkerhet øker?

Tre krefter konvergerer og hver av dem er individuelt materiell.

Klimavolatilitet øker hyppigheten og alvorligheten av produksjonssjokk ved opphav. Samme værhendelse bærer nå større forsyningspåvirkning fordi avlingssystemer er mer stressede og ekstreme hendelser er mindre forutsigbare fra historiske gjennomsnitt. Lineære risikomodeller bygget på historiske normer er strukturelt uegnet til å håndtere det. Du trenger sanntids fysisk observasjon for å se hva som faktisk skjer på feltet.

Regulering skaper en direkte ansvarslig kobling mellom hva som skjer i den første milen og hva et bedrift kan selge eller finansiere. EUDR, CSRD, TCFD: disse rammevilkårene krever at bedrifter vet, med bevis, hvor deres varer kommer fra og hva forholdene ved opphav var. “Vi stole på leverandøren” er ikke lenger en forsvarlig posisjon. Denne ansvarsligheten driver sporing og opphavsbevisning fra en innkjøpspreferanse til en lovmessig krav.

Geopolitisk forstyrrelse har gjort enkelt-opphavsavhengighet til en styregruppe-risiko. Når en region står for en dominant andel av en vares globale forsyning og denne regionen blir politisk eller fysisk upålitelig, har bedrifter uten første-mil-gjennomsiktighet ingen tidlig advarsel-mekanisme. De finner ut når markedet allerede har ompriset.

Det skjer også en bredere skift i data-økosystemet selv. Google (GOOGL ) Earth AI’s nylige lansering av pan-tropiske vare-kart – årlige 10-meter avlingsfotavtrykk for kakao, kaffe, oljepalm og gummi, utgitt som åpen data – er et nyttig indikator på hvor ting er på vei. Den fysiske verden er stadig mer lesbar fra rommet, og etterspørsel etter forsyningskjedegjennomsiktighet er nå så mainstream at det tiltrekker stor-teknologi-investeringer i skala. Treefera ønsker dette velkommen. En rikere grunnleggende data-lag øker gulvet for hele markedet og skaper felles bevissthet om at bedre informasjon ikke bare er mulig, men også tilgjengelig.

Hva åpne oppdagelseskart ikke kan gjøre er å lukke intelligensgapet. Å vite hvor avlinger er plantet er ikke det samme som å vite hvordan denne sesongen utvikler seg, hva forholdene ved opphav betyr for din forsyningseksponering eller hvor din portefølje er på risiko. Oversettelsen fra observasjon til finansiell grad av innsikt er hva Treefera er bygget for.

Første-mil-ignoransen var tidligere kommersielt tolerabel når verden var mer forutsigbar. Den er det ikke lenger.

Din kundebase inkluderer store organisasjoner som JP Morgan, Microsoft (MSFT ), Bayer og Anew. Hva er de mest vanlige problemene bedrifter prøver å løse med Treefera: overholdelse, forsyningsrisiko, forhåndsberegningsmodell, bærekraft, innkjøp eller noe annet?

Det grunnleggende problemet bedrifter bringer til oss er en versjon av det samme: de har betydelig finansiell eksponering for hva som skjer i den første milen av landbruksforsyningskjeder og ingen pålitelig mekanisme for å se det før det koster dem. Den spesifikke rammen varierer etter sektor.

For handelsmenn og varer-eksponerte finansielle institusjoner er spørsmålet informasjonsfordel: å se forsyningsendringer før de dukker opp i priser eller offisielle data. For landbrukslån og forsikringselskaper er det risikovurdering; de gir lån eller finansierer operasjoner hvis ytelse er direkte styrt av forhold de ikke kan observere. For bedrifter med bærekrafts- eller overholdelsesplikter er spørsmålet bevis: å bevise, med forsvarbare data, at deres forsyningskjeder møter standardene regulatorer og motparter nå krever.

Den tradisjonelle svaret – stole på leverandøren, vente på regjeringsrapporten, kjøpe konsensus-estimatet – er ikke lenger tilstrekkelig. Presisjonen og hastigheten de trenger eksisterer ikke i den offentlige data-økosystemet. Den eksisterer i den første milen.

Treefera har rapportert 6x år-til-år-vækst, null churn og en overskrevet Serie B på to år. Hva antyder dette nivået av adopsjon om bedrifts-etterspørsel etter AI-systemer som er presise, effektive og operasjonelt grunnlagt i stedet for bare stor-skala?

Null churn er det mest talende signalet. Omsetningsvækst kan reflektere kommersiell gjennomføring; null churn reflekterer produkt-markeds-plass. Kunder som har brukt dataene for en full sesong, back-testet dem mot sine egne modeller og fattet beslutninger basert på dem, og deretter fornyet, forteller deg at signalet er reelt og at det endrer måten de opererer på.

Det peker også på betydelig ubedt bedriftsetterspørsel etter AI som er presis, granskbart og operasjonelt integrerbart – etterspørsel som ikke er dekket av et landskap som er tungt veid mot generative verktøy og store modeller. Forsyningskjede- og risikoprofesjonelle behøver en forhåndsberegningsmodell med en angitt usikkerhetsintervall som de kan stå bak i en risikokomite. Når den standarden er møtt – domenespesifikke data, finansiell grad av nøyaktighet, gjennomsiktig metode – prioriterer bedrifter det. Den overskrevne kapitalinnsatsen reflekterer investorkjennskap til samme dynamikk: markedet er stort, problemet er strukturelt og den eksisterende data-infrastrukturen var ikke bygget for å løse det.

Ser du fremover at den neste fasen av anvendt AI vil bli definert mindre av modell-skala og mer av operasjonell effisiens, domenespesifikke data og målbare forretningsresultater?

Ja, og bevisene for det er allerede synlige.

Stor-skala AI begynner å nå grensene for hva rå skala kan løse. Å legge til parametre forbedrer ikke en avlingsutbytte-forhåndsberegningsmodell hvis underliggende data er grov, forsinket eller geografisk misjustert. Den marginale verdien av beregning er avtagende når flasken er datakvalitet og domenpresisjon, ikke modellstørrelse.

Den neste fasen vil bli definert av domenespesifikke treningdata, rett-størrelse-modeller og verifiserbare utdata. I sektorer som landbruk, finansielle tjenester og forsyningskjeder, hvor beslutninger har finansielle og operative konsekvenser, har spørsmålet aldri vært “hvor stor er modellen?” Det har vært “hvor pålitelig er svaret og hvor raskt kan du handle på det?” Skala alene kan ikke svare på det. Selskapene som vil lede i anvendt AI de neste fem årene vil ha bygget proprietære data-pipelines inn i den fysiske verden, trent modeller på den dataen med passende vitenskapelig strenghet og demonstrert målbare nøyaktighet i sanntid. Teknologien er stadig mer en vare; dataene og domen-ekspertisen er det ikke.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Treefera.