Recenzja książki: „Inwestowanie w AI: sześć modeli myślowych pomagających odróżnić trwałe przewagi od pułapek” Roba Maya

Z przyjemnością sięgnąłem po Inwestowanie w AI: sześć modeli myślowych pomagających odróżnić trwałe przewagi od pułapek, głównie dlatego, że od lat śledzę Roba Maya za pośrednictwem jego newslettera o inwestowaniu w AI. Moim zdaniem Roba Maya wyróżnia na tle wielu inwestorów gotowość do unikania myślenia stadnego i rozumowania od pierwszych zasad. Wykracza poza dominującą narrację i pyta, jak naprawdę działa dana firma, skąd biorą się jej przewagi i czy przetrwają one kolejną zmianę technologiczną.

Właśnie w tym ta książka błyszczy. To pierwsza znana mi pozycja, która podchodzi do inwestowania w AI w taki sposób. Zamiast po prostu wskazywać ekscytującą technologię lub rozwijający się rynek, zachęca czytelników do przemyślenia na nowo sposobu analizowania firm budowanych wokół AI. Szanse są ogromne, ale rozpoznanie obiecujących możliwości AI i wskazanie firmy wartej inwestycji to dwie zupełnie różne umiejętności.

Gdy narracja o AI zderza się z rzeczywistością

Rob May osadza swoje rozważania w historiach, które będą znajome każdemu, kto śledził ekosystem AI. Jasper stał się ulubieńcem mediów i pozyskał 125 mln dolarów przy wycenie 1,5 mld dolarów. Następnie ChatGPT udostępnił konsumentom zaawansowane możliwości generowania tekstu, podważając wartość produktu opartego na dostępie do podobnych podstawowych funkcji. Rob May wykorzystuje ten zwrot, by pokazać, jak szybko pozorna przewaga może stać się podatna na podważenie.

W tym przykładzie interesuje mnie pytanie, przed którym staje inwestor lub założyciel firmy: czego klient nadal potrzebuje od twojej firmy, gdy podstawowa technologia staje się powszechnie dostępna? Co odróżnia firmę z możliwą do obrony przewagą od kolejnej nakładki na AI? Wczesna przewaga może zyskać firmie na czasie, ale nie odpowiada na to pytanie. Kontrola nad przepływem pracy, dystrybucja, specjalistyczna wiedza i relacje z klientami stają się znacznie ważniejsze, gdy dostęp do modelu ulega utowarowieniu.

DeepSeek pokazuje drugą stronę tej niepewności. Książka omawia zaskoczenie, jakie wywołało pojawienie się modelu klasy GPT-4, którego podawany koszt trenowania wyniósł 5,576 mln dolarów. Wniosek inwestycyjny jest istotny: założenia dotyczące kosztów konkurowania mogą zmieniać się znacznie szybciej, niż przewiduje model wyceny.

Dlaczego trzeba przemyśleć na nowo zasady SaaS

Rob May wraca do dawnych okresów zimy AI i twierdzi, że szeroki zakres dzisiejszych wdrożeń przełamał dawny schemat, w którym obiecujące demonstracje ustępowały miejsca powszechnemu rozczarowaniu. Jego zdaniem użyteczna AI jest już tak mocno osadzona w rzeczywistych procesach pracy, że nie da się jej po prostu odesłać z powrotem do laboratorium. Mimo to, nawet przy dalszym upowszechnianiu się tej technologii, wskazanie kolejnej firmy wartej miliard dolarów, która potrafi wykorzystać ten trend, nadal może być trudne.

Wskazuje cztery fundamentalne różnice, które pomagają wyjaśnić tę zmianę: AI może wykonywać pracę umysłową, uczyć się na podstawie danych, zmieniać oczekiwania osób, które z niej korzystają, i stać się nieodłącznym elementem życia pokolenia dorastającego z tą technologią. Szczególnie interesujący jest trzeci punkt — refleksyjność. Gdy klienci doświadczą jakiejś możliwości, zaczynają oczekiwać jej także w innych miejscach. Wraz z upowszechnianiem się technologii zmienia się rynek, na którym działa firma.

Największą zmianę przynosi tempo skalowania. Firmy działające w obszarze AI mogą osiągać znaczną skalę w czasie, który wcześniej był osiągalny jedynie dla wyjątkowych przypadków. Ocena ich działalności nadal wymaga jednak zrozumienia modelu biznesowego. Pobieranie opłat za zadanie lub za rezultat tworzy inną zależność między wartością, przychodami i kosztami niż sprzedaż określonej liczby licencji na oprogramowanie.

Niektóre zasady dotyczące SaaS pozostają bardzo aktualne. Znaczenie nadal ma wiedza branżowa. Narzędzia dostosowane do konkretnego sektora, które rozumieją jego rzeczywiste problemy, mogą zbudować istotną przewagę. Własne pętle danych mogą się wzmacniać, a głębokie integracje mogą generować koszty zmiany dostawcy. Wyzwanie polega na odróżnieniu trwałych atutów od funkcji, które klient może uzyskać od dziesiątek innych dostawców.

Sześć modeli myślowych, które pomagają zadawać lepsze pytania

Książka porządkuje główną argumentację wokół sześciu modeli myślowych: postrzegania AI jako zbioru technologii; podważania tradycyjnych założeń dotyczących SaaS; oczekiwania poważnych wstrząsów na rynkach; rozpoznawania zmian na rynkach i w strategiach firm; rozumienia szybszego skalowania; oraz uważnej oceny kosztu własnego sprzedaży w przypadku AI.

Modele te dobrze ze sobą współgrają, ponieważ każdy ujawnia inną słabość powierzchownej tezy inwestycyjnej. Nazwanie firmy „firmą AI” niewiele mówi o jej ekonomice. Gwałtowny wzrost przychodów niewiele mówi o trwałości. Wysoka marża brutto dzisiaj niewiele mówi o tym, co się stanie, gdy klienci zaczną oczekiwać, że produkt będzie wykonywał trudniejsze zadania.

Najbardziej cenię w tej książce nawyk zadawania kolejnego pytania. Po sprawdzeniu, czy technologia działa, warto zapytać, czy działa wystarczająco niezawodnie w rzeczywistym procesie pracy klienta. Po sprawdzeniu, czy klienci płacą, warto zapytać, za co płacą i czy prawdopodobnie będą nadal ponosić te wydatki. Dzięki temu książka pozostaje przydatna także poza kontekstem, w którym powstały opisane w niej przykłady.

Botkeeper i znaczenie zmian kosztów

Jednym z najbardziej przydatnych studiów przypadku jest Botkeeper, firma automatyzująca prowadzenie ksiąg rachunkowych, w którą zainwestował Rob May. Opisuje firmę, która początkowo w dużym stopniu polegała na pracy księgowych i osiągała marżę brutto na poziomie około 20–25%. Taki wynik nie przemawiał do inwestorów oczekujących marż typowych dla firm programistycznych. Praca wykonywana przez te osoby generowała jednak również dane, które mogły pomóc zautomatyzować ten proces. Rob May podaje, że później marża brutto przekroczyła 70%, gdy coraz więcej zadań przejmowało oprogramowanie.

Wynika z tego dla mnie, że warto przyjrzeć się temu, co powstaje dzięki zaangażowaniu ludzi. Jeśli każde wykonane zadanie pomaga systemowi sprawniej poradzić sobie z kolejnym, początkowe koszty usług mogą finansować rozwój firmy o większym potencjale skalowania. Jeśli natomiast każdy nowy klient wymaga bez końca proporcjonalnego zwiększania nakładu pracy ręcznej, rachunek ekonomiczny wygląda zupełnie inaczej.

Rob May analizuje również przeciwny trend: koszty wnioskowania, które rosną wraz ze wzrostem wykorzystania. System AI może potrzebować większej mocy obliczeniowej, wielokrotnych prób lub weryfikacji przez człowieka, aby wykonać trudniejsze zadania. Produkt, który wydaje się atrakcyjny w niewielkim projekcie pilotażowym, może stać się kosztowny, gdy klienci zaczną wykorzystywać go do złożonych zadań. Dlatego kierunek zmian kosztów jest równie ważny jak obecna marża.

Efektywność nie zawsze oznacza trwałą przewagę konkurencyjną

Kolejnym przydatnym podejściem jest zaproponowany przez Roba Maya podział wartości AI na trzy kategorie: AI skomodytyzowaną, podstawową AI i AI wspierającą ekspansję. W szerokim ujęciu chodzi o rozwiązania, które konkurenci mogą łatwo wdrożyć, rozwiązania wzmacniające dotychczasową przewagę firmy oraz rozwiązania otwierające nowe możliwości biznesowe.

Jego hipotetyczny przykład linii lotniczej ułatwia zrozumienie pierwszej kategorii. Linia lotnicza wdraża agenta AI do obsługi klienta i zwiększa swoją efektywność. Następnie podobne narzędzia wdrażają konkurenci. To, co przez krótki czas wydawało się czynnikiem wyróżniającym firmę, staje się oczekiwanym standardem w branży, a część korzyści ekonomicznych może zostać zniwelowana przez konkurencję.

To przydatne antidotum na traktowanie każdej informacji o wdrożeniu AI jako dowodu na to, że firma zyskuje na sile. Chcę wiedzieć, co pozostaje wyjątkowe, gdy konkurenci uzyskują dostęp do porównywalnych narzędzi. Firma, która łączy AI z własnymi danymi zwrotnymi, rozległą wiedzą operacyjną lub trudnym do skopiowania sposobem obsługi klienta, ma bardziej przekonującą odpowiedź niż firma ogłaszająca wdrożenie tej samej automatyzacji, którą może kupić każdy.

Szukaj osób zarządzających, które potrafią wykorzystać AI w praktyce

Książka zawiera wiele praktycznych spostrzeżeń, między innymi podkreśla, jak ważne jest wspieranie osób zarządzających, które potrafią rzeczywiście wdrożyć AI w firmie. Konkretny plan zmiany procesów pracy i zakresów odpowiedzialności przekonuje znacznie bardziej niż prezentacja obiecująca wdrożenie AI w całej organizacji.

Rozważania Roba Maya na temat jakości przychodów potwierdzają tę tezę. Płatne projekty pilotażowe i testy koncepcji mogą przynieść imponujące wyniki na wczesnym etapie, ale należy je odróżniać od przychodów związanych z bieżącą działalnością operacyjną. Warto zapytać, jaka część biznesu przetrwałaby, gdyby klienci już jutro przestali eksperymentować.

Uważam, że to szczególnie cenna wskazówka dla założycieli firm. Wygranie projektu pilotażowego to postęp, ale stworzenie produktu, który staje się częścią codziennej działalności klienta, jest zupełnie innym osiągnięciem. Wczesne zrozumienie tej różnicy może wpłynąć na priorytety dotyczące produktu, rekrutację i sposób mierzenia sukcesu firmy.

Ostateczna ocena

Najważniejszy wniosek jest taki, że ta książka nie powinna być przeznaczona wyłącznie dla inwestorów. Przedsiębiorcy mogą równie wiele zyskać, rozumiejąc, co sprawia, że firma AI jest atrakcyjna dla inwestorów, jak powstają trwałe przewagi i jak uniknąć pułapek czyhających na startupy, zanim ich konsekwencje staną się kosztowne.

Najlepiej potraktować tę książkę jako narzędzie do kształtowania własnego osądu, a nie listę akcji do kupienia. Jej największą zaletą jest to, że pomaga czytelnikom precyzyjniej określić, dlaczego wierzą w dany biznes. Przykłady nieuchronnie się zestarzeją wraz z rozwojem branży, ale dyscyplina polegająca na kwestionowaniu założeń sprawia, że książka pozostaje użyteczna przez długi czas.

Inwestowanie w AI: sześć modeli myślowych pomagających odróżnić trwałe przewagi od pułapek oferuje podejście oparte na pierwszych zasadach, dzięki któremu zacząłem czytać newsletter Roba Maya. To przemyślana i wartościowa lektura dla inwestorów próbujących odróżnić biznes oparty na trwałej przewadze od atrakcyjnej opowieści oraz dla przedsiębiorców, którzy chcą zbudować taki biznes.