Shomik Ghosh, Partner i Sierra Ventures – Intervju-serie

Shomik Ghosh er en partner i Sierra Ventures. Han var tidligere partner i Boldstart Ventures, der han fokuserte på å investere i tekniske gründere som bygget produkter for å løse problemer i bedriftsverdenen, som Cloudquery, Kiln AI og Noded AI. Før det var han en vekst-investor i Top Tier Capital, som investerte fra serie B til før børsnotering, som CircleCI, Anaplan og Shape Security.

Sierra Ventures er et tidlig-stadiet venture-selskap som fokuserer på å støtte innovative bedrifts- og dypteknologiselskaper. Selskapet investerer hovedsakelig i seed- og serie A-stadiet over områder som kunstig intelligens, cybersikkerhet, bedriftsinfrastruktur og skyteknologier. De siste årene har Sierra Ventures lagt spesiell vekt på tidlige AI-investeringer, og støtter selskaper som bygger grunnleggende AI-plattformer, maskinlæringsinfrastruktur, autonome systemer og bedrifts AI-applikasjoner. Gjennom sin investeringsstrategi og nettverk av erfarne bransje-rådgivere, hjelper selskapet nye teknologiselskaper med å finjustere produktstrategi, skalerer drift og akselerer innføring av avanserte AI-løsninger over industrier.

Du har gått fra å investere i vekst-stadiet i Top Tier Capital til å lede tidlige AI-investeringer i Sierra Ventures, etter å ha støttet flere suksessfulle selskaper i Boldstart Ventures. Hvordan har denne reisen formet din måte å skille mellom frontier AI og applied AI i dag?

Mye har endret seg i den tiden. AI er en massiv muliggjørings-endring som har gjennomtrengt industrier raskere enn tidligere teknologiske paradigmeskift. AI står på skuldrene av tidligere skift, som skytjenester, PC-/mobilenheter og hver bølge av tidligere AI-fremgang har gitt byggesteinene for moderne AI å spre seg raskt. Dette er også hvorfor effekten føles så rask og plutselig, med dramatiske bevegelser i aksjemarkedet og selv påvirkning av moderne krigføring. Det vi ser etter er gründere som tar et skritt inn i fremtiden. De omfavner alle risikoene ved å bygge funksjonalitet og muligheter for en verden som ennå ikke eksisterer, men som likevel kan imponere kunder med resultater som aldri før har vært sett, og muliggjøre raskere skalering. I både Frontier og Applied AI finnes dette, fra robotikk til vertikale AI-applikasjoner.

I praktiske termer, hvordan definerer du “frontier AI” versus “applied AI” når du vurderer tidlige startups, og hvor ser du de største misforståelsene i hvordan disse kategoriene diskuteres over det bredere AI-narrativet?

Frontier AI betyr å utnytte teknologi for å løse problemer på grensen av hva som er mulig. Til nå har vi ikke hatt roboter som betyringsfullt har aktivert industrien utenfor lager, vi har ikke hatt nye halvleder-chip eller briller designet med ny laser-teknologi og råmaterialer. Applied AI betyr å utnytte teknologi for å løse problemer som er kjent i dag, men som tidligere ikke var mulig å løse i samme omfang. Et godt eksempel er tale-agenter, hvor selskaper som Smallest AI hjelper kunder med å levere menneske-lignende chatte-erfaringer og leverer resultater til kunder i stedet for et produkt som hjelper til å oppnå resultatet. Denne aspekten ved å levere resultater i stedet for å hjelpe med prosessen er en viktig skift som Applied AI bringer til industrier.

Fra din posisjon, hvor ser du de mest betydningsfulle gjennombruddene skje nå?

Gjennombrudd skjer overalt! AI-kode-generering muliggjør raskere produkt-sykluser enn før. Modeller leverer nye muligheter med minnehåndtering og RL-miljøer tilpasset ulike brukssaker, så hallucinasjoner reduseres raskt, mens nøyaktighet for kunnskapsarbeid øker eksponentielt. Dette følger av seg selv. I robotikk ser vi tidlige tegn på at skaleringslover fungerer, akkurat som i LLM-er. Dette er et stort gjennombrudd, fordi LLM-er tidligere hovedsakelig var tekst- eller bilde-basert, men nå viser modeller trent på den fysiske verden som må forstå fysikk lignende skaleringslover. Nye artikler som den rekursive LLM-artikkelen viser hvordan modeller kan forbedre seg selv ved å arbeide sammen. Vi ser System 1 og 2 modell-strukturer begynne å dukke opp, som ligner på dynamikken vi ser i hjernen. Domene-spesifikke modeller blir lettere å trene og destillere fra frontier OSS-grunnlagsmodeller for å hjelpe vertikale AI-byggere med å levere bedre resultater til kunder.

Når du vurderer en tidlig AI-bedrift, hvordan balanserer du teknisk nyskaping mot marked-tilpasning og faktisk kunde-tilknytning?

Til slutt er teknisk nyskaping i seg selv vanligvis mer nyttig for forskningsfeltet. I grunnmodellene for eksempel kan teknisk nyskaping faktisk føre til et gjennombrudd som så presenterer en ny skaleringsvertikal. Men for de fleste startups er teknisk nyskaping et middel til et mål for å levere bedre resultater til kunder. Startup-gründere bør ikke bygge noe bare fordi det er teknisk vanskelig å bygge, men snarere som et resultat av å bygge på den måten, leder det til bedre kunde-resultater og også en bedre voll rundt bedriften som gjør det vanskeligere for andre å kopiere. I AI-kode-genereringens tidsalder kan mye av den tekniske nyskapingen raskt bli brutt, så det handler mer og mer om å forstå resultat-drevet ingeniørarbeid i stedet for bare teknisk ingeniørarbeid.

Utenom teknologien selv, hva ser du etter i en gründer som bygger en AI-bedrift i de tidligste stadiene?

Vi vil se gründere som bygger for fremtiden som ennå ikke har skjedd. De tar kalkulerte valg om agenter, modeller og maskinvare-forbedringer som sannsynligvis vil skje i nær fremtid og bygger produkter som kapitaliserer på det. Vi vil så at gründeren forklarer hvorfor denne fremtiden vil skje og hvorfor bygging for denne fremtiden nå vil forbedre kundenes liv 10 ganger i fremtiden ved å forberede seg på det nå. Vi vil også se gründere som fullstendig omfavner AI. Hvis du ikke bruker Cursor, Codex, Claude Code for å eksperimentere og lære, er det vanskelig å forestille seg fremtiden gitt den raske forbedringen disse produktene gjør i programvare-universet. Disse endringene har nedstrøms-påvirkning på maskin-vare-universet, siden maskin-vare og programvare stadig er tettere integrert for å muliggjøre autonome avgjørelser av maskin-varen for å levere bedre kunde-resultater.

Hva signaler tyder på at en teknisk ambisiøs AI-bedrift har potensialet til å utvikle seg til en skalerbar, bedrifts-klar bedrift i stedet for å forbli et forsknings-drevet forsøk?

Vanligvis har gründere som har startet i et forsknings-drevet forsøk et sluttmål i sikte. De kan ønske å fortsette å drive forskning for å fremme feltet, men de forstår også at å moneterisere den anvendte forskningen hjelper til å gi drivstoff for disse fremgangene. Så vi prøver bare å forstå hvordan en gründer som for tiden er i forsknings-modus tenker om anvendelsene av denne forskningen og hva hypoteser de har for å teste fremgangen av forskningen i verden underveis for å redusere risikoen i forsknings-stadiet.

For gründere som bygger høyt-tekniske plattformer uten umiddelbar inntekts-synlighet, hvordan bør de strukturere milepæler og investor-samtaler annerledes enn startups med klarere nær-tids moneterings-veier?

Veldig vanskelig å si. Hvert startup har unike aspekter. Et robotikk-selskap kan ikke ha inntekts-synlighet i lang tid, men milepæler underveis kunne være nye muligheter, skaleringslover i modeller, handlinger som tidligere ikke kunne skje. I AI-infrastruktur kan det være å levere til 2-3 design-partnere et produkt som gir resultater team er begeistret for og villige til å ta sjansen med å bruke produktet i produksjon, selv om det er tidlig. I vertikal AI har du vanligvis en klarere nær-tids vei til monetering, fordi hvis du leverer en kunde-resultat i en vertikal som løser et stort smerte-punkt, er kunder villige til å betale for det vanligvis umiddelbart.

Det har vært betydelig momentum rundt startups som bygger AI-agenter – hva er din perspektiv på lang-tids-suksessen til selskaper som fokuserer primært på autonome agenter i bedrifts-miljøer?

Jensen Huang fra Nvidia (NVDA ) sa at Openclaw var ChatGPT-øyeblikket for den agente-eraen. Jeg tror det sier alt. Tidsrammen for agenter i bedriften er ikke lenger et lang-tids-veddemål, men ett som raskt kommer til å skje, enten bedriftene vil eller ikke, siden datamaskin-bruk, nettleser- og personlige agenter sprenger gjennom organisasjonene, startende fra bunnen-opp-bruk. Denne eraen er her, og bedrifter vil adoptere agenter i alle aspekter av organisasjonen, og de vil trenge styring, sikkerhet, overvåking, infrastruktur, beregning og data-railer for å betjene alt dette.

Hva mønstre ser du i typene AI-gründere eller domener som tiltrekker seg bærekraftig investor-tillit, i motsetning til de som kanskje over-vekter på narrative?

Jeg tror det er for mange områder av muligheter for gründere å bygge i de samme områdene. Juridisk teknologi som Harvey, Legora, Eudia har alle gjort bra, men likevel er det fortsatt nye selskaper som kommer ut hver dag i dette området. Min beskjed til gründere ville være at AI er en massiv muliggjørings-endring. Det påvirker alle aspekter av verden. Gitt det, er overflaten av produkter å bygge og problemer å løse ubegrenset. Tenk større enn bare å gå etter en suksessfull bedrift du har sett samle inn mye penger. Vi kan bruke AI til å levere livs-endringende resultater, og så ville jeg oppmuntre gründere til å bruke mer tid på å tenke over problemer de ville elske å løse og så arbeide bakover på hvordan AI kunne hjelpe med å løse dem.

Ser fremover, hvordan forventer du at tidlig-stadiet AI-selskaps-bygging vil utvikle seg over de neste fem årene, mens mulighetene modnes og markedene stabiliseres?

Jeg er ikke sikker på “marked-stabilisering” er en term jeg ville bruke. Jeg tror AI forbedrer seg eksponentielt, og som et resultat vil det være mye forstyrrelse. Men forstyrrelse skaper endeløse muligheter, og så er tidlig-stadiet selskaps-bygging i ferd med å gå inn i en av de mest dynamiske eraene vi har sett i nyere år. Vi glemmer, men selskaper som OpenAI og Anthropic er mindre enn et tiår gamle og er allerede regnet som mega-kapital-teknologiselskaper. Det er et vindu av tid hvor mulighetene utvides raskt, og mange massive selskaper kan bygges. Det er en av de mest spennende tidene i teknologi som jeg har opplevd i mitt liv.

Takk for det flotte intervjuet, gründere som ønsker å lære mer bør besøke Sierra Ventures.