Priya Saiprasad, General Partner hos Touring Capital – Intervjuserie

Når programvare kan utføre arbeid, endrer det produktet, det adresserbare markedet, prismodellen og økonomien til selskapet som leverer det. Vi ønsket å bygge Touring rundt denne muligheten fra starten av.

Vårt fokus er på selskaper som nærmer seg eller viser tidlig produkt‑marked‑passning, når det tekniske løftet begynner å omsettes til kundeadopsjon. Dette er en spesielt viktig fase i AI: grunnleggerne bestemmer hvilke arbeidsflyter de skal eie, hvor mye autonomi kundene vil akseptere, og hvordan tidlig etterspørsel kan omdannes til repeterbar vekst.

Vi ønsket også å tilføre et selskapsbyggingsperspektiv basert på vår erfaring innen venture, M&A og store teknologiplattformer. Ambisjonen vår er å hjelpe grunnleggere med å bygge virksomheter hvis konkurransefortrinn blir dypere etter hvert som teknologien utvikler seg. Det krever overbevisning om muligheten og vilje til kontinuerlig å revurdere de underliggende antakelsene.

Du har hevdet at noen av de største AI‑mulighetene beveger seg bort fra bare å bygge større grunnmodeller og mot selskaper som anvender AI i spesifikke bransjer. Hva har endret seg teknologisk eller økonomisk som gjør applikasjonslaget så overbevisende nå?

Modellene har blitt dramatisk mer kapable og tilgjengelige, noe som endrer hvor entreprenører kan skape verdi. Du trenger ikke lenger å bygge den underliggende intelligensen fra bunnen av for å skape noe kraftig.

Det flytter spørsmålet fra «Hvem har den beste modellen?» til «Hvem kan anvende den intelligensen til å løse et problem på en måte som fundamentalt endrer økonomien eller arbeidsflyten?»

De mest overbevisende selskapene gjør ikke bare en LLM til front for et eksisterende programvareprodukt. De bruker AI til å tenke nytt om hvordan arbeidet utføres. I noen tilfeller betyr det å automatisere store deler av en arbeidsflyt. I andre tilfeller betyr det å la et mye mindre team produsere betydelig mer output.

Det er her jeg tror den neste bølgen av verdiskaping vil skje: selskaper som kan ta stadig mer kapabel intelligens og omforme den til et produkt kundene stoler på for å utføre meningsfullt arbeid.

Når du ser på tvers av sektorer i dag, hvilke industrier mener du når et reelt AI‑vendepunkt, hvor AI kan fundamentalt omstrukturere arbeidsflyter i stedet for bare å gjøre eksisterende programvare mer effektiv?

Jeg er spesielt interessert i industrier med en kombinasjon av betydelig kunnskapsarbeid, komplekse eksisterende arbeidsflyter og historisk lav programvarepenetrasjon.

Finansielle tjenester, helsevesen, juridisk sektor, industri og bilindustri er gode eksempler. Disse bransjene har ofte enorme mengder verdifull informasjon og svært spesialiserte arbeidsflyter, men mye av arbeidet er fortsatt fragmentert, manuelt eller avhengig av erfarne personer som flytter informasjon mellom systemer.

Muligheten er ikke bare å gjøre disse arbeiderne 10 % mer produktive. De mer interessante selskapene redesigner arbeidsflyten rundt det AI nå kan gjøre.

Du kan se det i selskaper som Numa, som bruker AI‑agenter til å automatisere kundesamtaler og forhandleroperasjoner, og Daloopa, som anvender AI på de svært tidskritiske data‑ og forskningsarbeidsflytene som finansinstitusjoner bruker. Den felles tråden er en dyp forståelse av det underliggende arbeidet. AI er kraftig, men det eliminerer ikke behovet for å forstå bransjen du bygger for.

Touring Capital legger vekt på datamurer, produkt‑flywheels og domenespesifikk ekspertise når de evaluerer AI‑selskaper. Hvordan ser en virkelig defensibel vertikal AI‑virksomhet ut, og hvordan skiller du den fra et selskap hvis hovedfordel bare er å pakke inn en tredjeparts stor språkmodell?

En virkelig defensibel AI‑virksomhet blir sterkere etter hvert som den opererer.

Den underliggende modellen kan bli bedre over tid, og et selskap kan bytte modell helt, men verdien av virksomheten bør ikke forsvinne fordi modellen under endres. Det som betyr noe er hva selskapet eier rundt den modellen: kundeforholdet, arbeidsflyten, de proprietære dataene, integrasjonene og tilliten til å ta på seg stadig viktigere arbeid.

En av tingene vi følger nøye med på er om produktet blir mer dypt integrert over tid. Stol kunder på det med mer arbeid? Øker bruk og resultater eksponentielt? Lærer selskapet av sine utrullinger på måter som forbedrer produktet?

Disse dynamikkene skaper en mye sterkere virksomhet enn bare å ha et godt grensesnitt på toppen av en tredjepartsmodell. Funksjoner kan konvergere svært raskt i AI. Vedvarende bruk og dypere adopsjon av arbeidsflyter er mye vanskeligere å replikere.

Når grunnmodeller blir mer kapable og stadig mer standardiserte, styrker det vertikale AI‑selskaper ved å gi dem billigere intelligens å bygge på, eller skaper det en risiko for at modellleverandørene selv absorberer mer av applikasjonslaget?

Begge dynamikkene kan forekomme samtidig. Bedre modeller utvider hva applikasjons‑selskaper kan levere, samtidig som de gjør det mulig for modellleverandører å gå lenger inn i produkter og arbeidsflyter.

Spørsmålet i due diligence er hvordan et selskaps posisjon endres etter hvert som den underliggende intelligensen forbedres. Vi stiller to spørsmål sammen: hva blir mulig for denne virksomheten med neste generasjons modeller, og hvilken del av den nåværende verdiproposisjonen kan bli en standard modell‑funksjon? Det hjelper med å skille selskaper som drar nytte av fremgangen fra selskaper hvis differensiering avhenger av en midlertidig begrensning.

Vertikale virksomheter kan bygge holdbare posisjoner gjennom spesialiserte arbeidsflyter, kundetilgang, integrasjoner, evalueringssystemer og det operative ansvaret de påtar seg. Disse fordelene krever kontinuerlig investering; domenespesialitet alene er ingen permanent beskyttelse.

De selskapene jeg finner mest overbevisende har en klar vei til å ta på seg mer verdifullt arbeid etter hvert som modeller forbedres. Kundene deres får bedre resultater, leveranseøkonomien styrkes, og den akkumulerte kunnskapen blir mer nyttig. Det er forholdet til modellfremgang vi ønsker å understøtte.

Tradisjonelle programvare‑som‑tjeneste‑selskaper har historisk blitt evaluert med måltall som årlig tilbakevendende inntekt, bruttofortjeneste, kundelojalitet og utvidelse av plasser. Hvordan endrer AI de måltallene du baserer deg på, spesielt etter hvert som kostnader for inferens, forbruk‑basert prising og resultat‑baserte forretningsmodeller blir viktigere?

ARR, kundelojalitet og bruttofortjeneste er fortsatt viktige. Problemet er at de alene ikke lenger gir oss nok informasjon.

Et AI‑selskap kan vokse til titalls millioner i ARR utrolig raskt mens den underliggende bruken i kundebasen allerede er i nedgang. Kunden kan fortsatt være under kontrakt, men når fornyelsen kommer, er produktet i praksis erstattet. Det er det vi kaller latent churn.

Derfor ser vi i økende grad under prisingsmodellen og spør hvilket arbeid som faktisk blir gjort. Øker antall arbeidsflyter og resultater over tid? Stol kunden på produktet til å utføre mer arbeid? Fortsetter bruken etter den første entusiasmen ved utrullingen?

Vi ser også mye nærmere på økonomien bak veksten. AI‑selskaper kan erstatte menneskelig arbeidskraft med automatisering, men datakraft blir en reell del av arbeidsstyrken og kostnadsstrukturen. Derfor ser vi på konsepter som arbeidsflytintensitet, effektivitetsmultiplikatorer, inntekt per justert ansatt og kostnadsleverage.

Det større spørsmålet er om veksten blir mer holdbar og effektiv over tid. Spektakulær vekst og holdbar vekst er ikke nødvendigvis det samme.

Mange AI‑agenter blir designet ikke bare for å assistere ansatte, men for å fullføre hele arbeidsflyter autonomt. Hvordan endrer det markedsmulighetene for bedriftsprogramvare, og kan AI‑selskaper til slutt kapre en del av arbeidsbudsjettene som historisk har ligget utenfor programvareutgifter?

Jeg tror dette er en av de viktigste endringene i bedriftsprogramvare.

Historisk sett ble programvare i stor grad solgt som et verktøy som hjalp en ansatt med å utføre jobben sin. Den ansatte forble ansvarlig for å levere arbeidet, og programvarebudsjettet var adskilt fra arbeidsbudsjettet.

AI endrer den ligningen fordi programvare i økende grad kan utføre deler av jobben selv.

Det utvider markedsmuligheten betydelig. Du selger ikke lenger bare et produktivitetsverktøy fra et IT- eller programvarebudsjett. Hvis et produkt pålitelig kan ta eierskap til meningsfullt arbeid og levere et målbare resultat, kan det også potensielt hente verdi fra arbeidsbudsjettene.

Den viktige forskjellen er mellom en AI-assistent og et AI-system som kundene stoler på for å faktisk utføre oppgaven. Sistnevnte har potensial til å bli langt mer verdifullt, men det må også demonstrere reell pålitelighet, ansvarlighet og økonomi. Kundene vil til slutt ikke bry seg om hvor sofistikert AI-en er dersom produktet ikke konsekvent kan levere det lovede resultatet.

Du sitter for tiden i styrene til selskaper som Numa og Daloopa, som anvender teknologi i svært ulike vertikaler som biloperasjoner og finansdata. Hva har disse selskapene lært deg om hva som kreves for å lykkes med å introdusere AI i industrier med dypt etablerte arbeidsflyter og domenekunnskap?

Den største lærdommen er at AI ikke eliminerer viktigheten av domenekunnskap. På mange måter gjør det den enda viktigere.

For å lykkes med å introdusere AI i en etablert industri, må du forstå arbeidsflyten grundig nok til å vite hvor automatisering faktisk skaper verdi og hvor menneskelig vurdering fortsatt er viktig. Du må også forstå hvordan kundene vil ta i bruk produktet, hvordan det passer inn i deres eksisterende systemer og AI‑adopsjonssyklus, og hva som kreves for å opparbeide deres tillit.

Numa og Daloopa opererer i svært forskjellige markeder, men begge er dypt knyttet til det spesifikke arbeidet kundene deres må utføre. De mest suksessrike vertikale AI-selskapene starter ikke med: «Hvor kan vi plassere AI?». De starter med et meningsfullt problem eller en arbeidsflyt og redesignere den rundt det AI nå kan gjøre.

Det er også grunnen til at jeg mener domenekunnskap kan bli en betydelig fordel over tid. Jo dypere du forstår arbeidet, desto mer effektivt kan du bygge et produkt kundene er villige til å stole på.

Tourings nylige investeringer spenner både over domenespesifikke applikasjoner og muliggjørende AI-infrastruktur. Hvordan tenker du om balansen mellom å investere i applikasjonslaget versus infrastrukturen som kreves for å drive det, og hvor tror du den største muligheten for venture‑skala avkastning finnes i dag?

Vi ser ikke muligheten som eksklusivt eksisterende i ett lag av stacken. Vi fokuserer på hvor viktige flaskehalser oppstår og hvor et selskap kan bygge en meningsfull posisjon etter hvert som AI‑adopsjonen skalerer.

På applikasjonssiden er vi begeistret for selskaper som kan omsette AI til målbar økonomisk verdi ved å eie viktige arbeidsflyter og levere reelle resultater. På infrastruktur‑siden er vi interessert i selskaper som løser de begrensningene som avgjør om AI faktisk kan distribueres effektivt i stor skala.

Våre investeringer i selskaper som Infinity og Parasail gjenspeiler dette. Det ene tar tak i programvareutfordringen med å gjøre ulike AI‑brikker klare til å kjøre moderne modeller, mens det andre hjelper utviklere med å distribuere og skalere AI‑arbeidsbelastninger uten å måtte administrere den underliggende infrastrukturen selv.

Den bedre muligheten er ikke nødvendigvis bestemt av om et selskap befinner seg i applikasjoner eller infrastruktur. Hovedspørsmålet er om selskapet løser et viktig og varig problem med potensial til å bli stadig mer verdifullt etter hvert som AI‑markedet utvikler seg.

Med enorme mengder kapital nå konsentrert rundt et relativt lite antall fremtidsrettede AI‑selskaper, hvor tror du investorer fortsatt undervurderer muligheten, og hvilke AI‑native kategorier eller forretningsmodeller får langt mindre oppmerksomhet enn de fortjener?

Et område jeg finner spesielt interessant er midten av markedet.

Nå har venture blitt stadig mer barbell‑preget. Det er enorm appetitt for lovende selskaper i de tidligste fasene, spesielt de med eksepsjonelle team og overbevisende teknologi. Det finnes også betydelig kapital tilgjengelig for de aller største, mest dokumenterte selskapene.

Men midten, spesielt de tradisjonelle Serie B‑ og C‑stadiene, har blitt mye vanskeligere.

AI har komprimert forventningene. Selskaper kan nå gå fra null til meningsfull inntekt raskere enn vi noen gang har sett, noe som har hevet standarden dramatisk når en virksomhet begynner å generere inntekter. Vekst som ville blitt ansett som ekstraordinær for noen år siden, skiller seg kanskje ikke lenger ut i dagens marked.

Det skaper både risiko og mulighet.

Noen selskaper blir presset til å optimalisere for det kapitalinnsamlingsmarkedet ønsker på et gitt tidspunkt: 5‑gang vekst, 10‑gang vekst, en viss inntektsmilepæl, uavhengig av om den kursen skaper en varig virksomhet. Markedet kan endre seg dramatisk på seks til ni måneder, så gründere må være forsiktige så de ikke bygger utelukkende for forventningene til neste finansieringsrunde.

For investorer tror jeg det er reell mulighet til å identifisere selskaper som har sterke underliggende fundamenter, men som ikke passer pent inn i dagens markedsekstremiteter. Utfordringen er å være disiplinert nok til å skille varig vekst fra et selskap som bare blir trukket fremover av den nåværende AI‑finansieringssyklusen.

Takk for det flotte intervjuet, lesere som ønsker å lære mer om dette VC-firmaet bør besøke Touring Capital.