Thomas Cuvelier, Partner, US & Europa, RTP Global – Intervju-serie

Thomas Cuvelier, Partner, US & Europa, RTP Global er en New York-basert investor som fokuserer på å støtte gründere over hele USA og Europa som bygger kategori-definerende selskaper. Han er spesielt tiltrukket av entreprenører som drives av førstehånds erfaring med å løse virkelige verdensproblemer, snarere enn de som bare ønsker å starte et selskap. Med en bakgrunn i datavitenskap og statistikk, investerer han i teknisk sterke lag fra Pre-Seed til Serie A, vanligvis med en investering på 1 million til 10 millioner dollar. Hans investerings erfaring omfatter hele selskapslivssyklusen, fra tidlig fase-ventur til vekst og sen fase-kjøp, og har blitt formet av tiden han har tilbragt i større globale teknologihuber, inkludert San Francisco, New York, London, Berlin og Paris, og bringer en sterk transatlantisk perspektiv på teknologi, talent og markeder. Han snakker også flytende fransk, mandarin og japansk.

RTP Global er et globalt tidlig-fase venture-selskap som investerer i teknologidrevne selskaper over hele Nord-Amerika, Europa og Asia. Grunnlagt i 2000, fokuserer selskapet på å støtte ambisiøse gründere på Seed- og Serie A-stadiet, med en track record som inkluderer selskaper som Datadog (DDOG ), Delivery Hero og Cred. RTP Global opererer med en lang-siktig investeringsfilosofi, og støtter ofte selskaper over mange år, og reinvesterer kapital fra tidligere suksesser i nye eventyr. Deres globale tilstedeværelse og nettverk muliggjør at gründere kan skala internasjonalt, mens deres sektor-fokus omfatter områder som AI, fintech, SaaS og data-infrastruktur.

Du har støttet en rekke AI-naturlige startups, inkludert arbeidsflyt-koordineringsplattformer som Kestra, robotikkdata-plattformer som Mecka AI og vertikale SaaS-selskaper som Archy og DualEntry. Fra din erfaring med å investere i disse ulike sektorene, hva slags mønster ser du i de typer AI-startups som får virkelig grep i dag?

Et interessant mønster kan sees i profilen til gründerne bak suksessfulle AI-startups. Jeg ser stadig mer at entreprenører som er motivert av, og bygger, AI-naturlige løsninger for å løse smerte-punkter de har møtt i legacy-industrier (det kan være ERP-systemer eller klønete programvare i industrier som helsevesenet). Det er en separat gruppe av entreprenører som har spottet en mulighet til å forstyrre en legacy-aspekt av en global bedrift og bygger rundt dette. Trenden er at generasjonen av AI-naturlige gründere kommer sammen.

Det er også verdt å merke seg at grep blir generert over et bredt landskap. Tunge industrier som en gang var “uovervinnelige” for forstyrrelse fra startups, som robotikk og regjerings-tjenester, kan nå forstyrres og er mulige for VC-investeringer.

De nylige lanseringene fra store modell-leverandører som Anthropic har utløst debatt om hvorvidt vertikale AI-startups fortsatt har forsvarbare voller. Hvordan ser du forholdet utvikle seg mellom grunnleggende modeller og applikasjons-lag selskaper?

Anthropics lanseringer utgjør en trussel mot startup-økosystemet, men vi må være presise. Selskaper som tilbyr SaaS til SMB-er og uregulerte industrier er sårbare. De har ikke en voll som grunnleggende modell-selskaper ikke kan bryte med effektiv overflate-nivå-verktøy.

Men tiltrekningen av overflate-nivå-verktøy strekker seg bare så langt. Komplekse arbeidsflyter i regulerte industrier er best tjent av AI-applikasjoner med dyp integrasjon med bransje-spesifikke verktøy som er designet av lag med dyp kjennskap til sin bransje. De vertikale AI-startups bak slike applikasjoner har forsvarbare voller og kan motstå stormen.

Du har foreslått at noen Serie B- og C-AI-startups nå kan møte strukturelle utfordringer på grunn av raske fremskritt i grunnleggende modeller. Hvilke arkitektoniske feil gjorde disse selskapene, og hvilke lærdommer bør yngre startups trekke fra dette?

Problemet som mange AI-startups på Serie B- og C-stadiet møter, er at deres produkter i kjernen er dashboards for å grensesnitt med LLM-er som bare har noen få underliggende integrasjoner. Disse selskapene fikk raskt grep med hobbyist- og bedrifts-adoptsjon over de siste årene og samlet inn store summer. Men, hvis vi ser frem til i dag, er de grunnleggende modell-spillerne godt posisjonert til å utfordre deres forretningsmodell.

For nye gründere er lærdommen å unngå å ta for mye komfort fra noen oppfattede teknologiske voller eller historisk kunde-lås. AI-assistert programvare-utvikling og forretnings-skala gjør at i dagens gjennombrudd kan bli morgendagens kommoditet-tilbud. Bygging av voller rundt egenskaper som fortsatt er vanskelige å replikere – dybde-integrasjon, dybde-industri-spesifikke ekspertise og blomstrende bruker-samfunn – er en bedre spill.

Når du vurderer AI-startups i dag, hva utgjør faktisk forsvarbarhet? Er det proprietær data, arbeidsflyt-integrasjon, regulatorisk kompleksitet, distribusjon eller noe helt annet?

Jeg ville si at alle disse er viktige. Jeg kan ikke understreke nok hvor viktig dybde-integrasjon er. Vi snakker om integrasjon med over 100 bransje-spesifikke verktøy og applikasjoner for å være et nivå av dybde som er vanskelig å forskyve.

Som nevnt ovenfor, tror jeg at grunnleggende modell-pushing inn i vertikale industrier bare kan strekke seg så langt. Regulerte industrier og deres kritiske arbeidsflyter er for komplekse for grunnleggende modeller, og her ligger den beste gapen for AI-startups til å fylle og bygge forsvarbare forretninger.

Andre enn det du listar, ville jeg også legge til at bruker-tilbakehold og samfunns-bygging fortsatt er viktige byggestener for forsvarbarhet. Ekte bruker-loyalitet fordi et produkt er bra og en glede å bruke, er vanskelig å bygge opp, men også vanskelig å forstyrre.

Mange investorer sier nå at teknologiske voller i AI er mindre. Er du enig, og hvis ja, hva slags nye former for konkurransefordel er på vei?

Det er en faktum at teknologiske voller er mindre. Hvis ditt produkt kan bygges over en helg, så har du ikke en teknologisk voll – og kunsten å mulig med AI over en helg blir stadig mer sofistikert.

I en verden der programvare er lett å erstatte, blir kunde-loyalitet støttet av en usedvanlig bruker-erfaring kritisk.

Fra et venture-kapital-perspektiv, hva slags egenskaper søker du etter i gründere som bygger AI-selskaper i dag? Er det bestemte trekk, erfaringer eller måter å tenke på som skiller seg ut når du bestemmer deg for å støtte en gründer?

Personlig er det #1-trekket en krystallklar forståelse av sluttkunder. Når gründere kjenner kundene sine som sin egen hånd, og hvordan deres produkt passer inn i kundens virkelighet, så faller andre viktige elementer for å bygge suksessfulle AI-selskaper – som å bli ledet av dyp sektor-ekspertise – på plass.

Andre viktige egenskaper er en produkt-fokusert gründer-personlighet og sterke personlige nettverk som inkluderer bedrifts-beslutningstakere som kan bli kunder nedover linjen.

Du har investert i selskaper som opererer i regulerte sektorer som forsikring, helsevesen og finansielle tjenester. Hvorfor tror du at regulerte industrier kan tilby sterkere langsiktige muligheter for AI-startups?

Industrier som helsevesen, legemidler, finansielle tjenester, forsikring og offentlig sektor er modne for forstyrrelse av AI-startups som er bygget fra bunnen av med hver industris behov og arbeidsflyter i mente. Virkningen av LLM-er og agens-ai er så revolusjonerende at den ikke bare “går forbi” industrier som har vært langsomme til å adoptere teknologi.

Disse industrene er så tiltrekkende for startups fordi de fortsatt er dominert av legacy-software-innovatører som ikke kan enkelt endre sine produkter for AI. Og, som nevnt ovenfor, er de mindre egnet for forstyrrelse fra grunnleggende modeller.

Det har vært en økende diskusjon om en mulig bølge av fusjoner og oppkjøp blant mid-stage AI-selskaper. Hva slags signaler ser du som tyder på at konsolidering kan akselerere i de neste par årene?

Det klareste signalet er verdi-komprimering som møter kontant-trykk samtidig. Mange mid-stage AI-selskaper samlet inn på 2021-2023 topp-multiples og står nå overfor ned-verdi-territorium hvis de går tilbake til markedet, noe som gjør en strategisk oppkjøp plutselig mer smakfullt enn en ydmyk om-prising. På oppkjøper-siden har hyperskalerte og store plattform-selskaper brukt de siste to årene på å integrere AI-kapasiteter og innser nå at å bygge alt på egen hånd er langsommere enn å kjøpe differensiert distribusjon eller proprietær data-asset.

Det andre signalet er talent- og data-voll-dynamikken: Etterhvert som grunnleggende modell-kommodifisering akselererer, ligger den forsvarbare verdien stadig mer i proprietær trening-data og markedsføring snarere enn modell-arkitektur i seg selv, noe som er akkurat det som oppkjøp og strategiske oppkjøp fanger effektivt.

Til slutt er det regulerte miljøet som stille og rolig blir mer tillatende; den nåværende amerikanske administrasjonen har signalisert en lettere antitrust-holdning, noe som fjerner barrierer for store strategiske selskaper som tidligere var forsiktige med tanke på oppkjøps-undersøkelser. Sett det sammen og du har motiverte selgere, motiverte kjøpere og en klarer regulativ rute: Den kombinasjonen har historisk forutsett en oppkjøps-bølge.

AI-startups kan nå tidlig grep raskt, noen ganger nå sitt første million i omsetning raskere enn tidligere generasjoner av SaaS-selskaper. Men å skala forbi det ser ut til å være der mange stryker. Hva skiller selskapene som bryter gjennom fra de som stagnerer?

Skillelinjen mellom AI-gründere som når omsetnings-tak og gründerne som gjentakende knuser milepæler, er markedsførings-hastighet. Levering av funksjoner og produkter ledet av en bruker-samfunns-tilbakemeldings-løkke. Ikke tenk to ganger om global vekst. Få de riktige salgs-ansettelsene. Sikre distribusjons-kanaler. Disse er avgjørende prinsipper for markedsførings-hastighet som skiller AI-startups fra mengden.

Ser du for deg de neste tre til fem årene, hvilke slags AI-startups er du mest spennende å støtte nå, og hvilke kategorier tror du allerede er overmettet eller sårbare?

Jeg føler meg spennende over mulighetene for AI til å forstyrre helsevesen og legemidler (fullt av komplekse og høyt regulerte arbeidsflyter som kan forstyrres), industrielle (hvor teknologisk forstyrrelse generelt fortsatt har miles til å løpe) og finansielle (spesielt compliance og regnskap/ERP). Markedet for høyt-nivå, SMB-orienterte AI-produkter er mettet og et område av startup-sårbarhet. Det er det samme tilfelle for enhver AI-startup med et produkt som kan lett replikeres. Teknologiske voller er ikke pålitelige lenger.