Jonathan Horn, CEO i współzałożyciel Treefera – seria wywiadów

Jonathan Horn, CEO i współzałożyciel Treefera, jest przedsiębiorcą technologicznym i byłym dyrektorem inwestycyjnym z głęboką wiedzą w zakresie zarządzania ryzykiem, sztucznej inteligencji i analizy danych na dużą skalę. Przed założeniem Treefera w 2022 roku pełnił stanowiska kierownicze w J.P. Morgan i Citigroup, gdzie koncentrował się na ryzyku, danych i złożonych systemach finansowych. Wykorzystując swoje doświadczenie w modelowaniu ryzyka o wysokiej jakości, Horn założył Treefera, aby rozwiązać jeden z najbardziej uporczywych punktów ślepych w globalnych łańcuchach dostaw: “pierwszy mil”, gdzie pochodzą surowce. Pod jego kierownictwem firma szybko rozwinęła się w wiodącego dostawcę rozwiązań opartych na sztucznej inteligencji do zarządzania łańcuchami dostaw, pomagając przedsiębiorstwom uzyskać wgląd w czasie rzeczywistym do źródeł, ryzyk środowiskowych, wymogów zgodności i operacyjnej wytrzymałości.

Założona w Londynie w 2022 roku, Treefera to firma wykorzystująca sztuczną inteligencję do dostarczania informacji o łańcuchach dostaw, skupiająca się na zapewnieniu przejrzystości w pierwszym milu globalnych łańcuchów dostaw surowców. Ich własna tkanina danych łączy obrazy satelitarne, dane przestrzenne i czasowe, modele sztucznej inteligencji oraz analizy ryzyka, aby dostarczyć organizacjom informacje w czasie rzeczywistym na temat źródeł, zgodności, zrównoważonego rozwoju i ryzyka łańcucha dostaw. Platforma pomaga firmom monitorować wszystko, od narażenia na wylesianie i wpływu na środowisko do ryzyka związanego z pozyskiwaniem surowców, umożliwiając bardziej świadome decyzje w dziedzinie zakupów, finansów i operacji. Przekształcając fragmentaryczne dane środowiskowe i łańcucha dostaw w informacje działania, Treefera ma na celu wzmocnienie wytrzymałości łańcucha dostaw w coraz bardziej niestabilnej i uregulowanej gospodarce światowej.

Założyłeś Treeferę po pełnieniu stanowisk związanych z ryzykiem, sztuczną inteligencją i analizą danych w J.P. Morgan i Citi. Jaki konkretny problem widziałeś w sposobie, w jaki przedsiębiorstwa rozumiały ryzyko rolnicze i surowców miękkich, co przekonało cię, że Treefera musi istnieć?

Surowce oparte na naturze reprezentują 2,1 bln dolarów handlu światowego, a dane podstawowe dla oceny ryzyka tych aktywów były ręczne, opóźnione i strukturalnie niedokładne. Pracując z modelami ryzyka w J.P. Morgan i Citi, widziałem decyzje dotyczące cen i narażenia, które opierały się na danych pochodzących z pierwszego mila łańcuchów dostaw rolniczych: zbieranych ręcznie, podatnych na pominięcie i często tygodnie lub miesiące za rzeczywistością. Sześćdziesiąt procent ryzyka dostaw pochodzi z pierwszego mila, zanim surowce dotrą do portu lub giełdy, a to właśnie tam widoczność była najcieńsza.

To, co mnie przekonało do budowy Treefera, to zbieg dwóch czynników: skala problemu i pojawienie się narzędzi zdolnych go rozwiązać. Rozdzielczość i pokrycie satelitarne osiągnęły punkt, w którym można było obserwować stan upraw na poziomie pola w głównych regionach produkcji przy minimalnych kosztach. Sztuczna inteligencja dojrzała do punktu, w którym mogła przekształcić surowy sygnał w coś finansowo interpretowalnego. Nikt nie łączył tych kropel w sposób rygorystyczny, oparty na nauce. Przedsiębiorstwa nadal wyceniały ryzyko na podstawie raportów rządowych, które opóźniały się o miesiące w stosunku do rzeczywistości, średnich krajowych, które maskowały lokalne wahania, oraz liniowych modeli, które nie mogły radzić sobie z klimatyczną zmiennością. Przerwa między tym, co było możliwe do poznania, a tym, co było znane, była ogromna. To właśnie tam Treefera się mieści.

Treefera jest często opisywana jako platforma wykorzystująca sztuczną inteligencję, ale twój podejście jest wyraźnie niezorientowane na LLM. Jak wyjaśnisz różnicę między przewidywaną sztuczną inteligencją dla łańcuchów dostaw a systemami generatywnymi, które obecnie dominują dyskusję?

Sztuczna inteligencja generatywna i duże modele językowe rozwiązują fundamentalnie inny problem. Są one narzędziami produkcyjnymi: niezwykle użytecznymi do uproszczenia powtarzalnych zadań, takich jak redagowanie i podsumowywanie. Komercyjne wyzwanie dla tych systemów polega na przyjęciu, nauczeniu ludzi, aby zmienili sposób pracy. To jest problem edukacji rynku, a nie naukowy.

Treefera wykorzystuje sztuczną inteligencję do rozwiązywania naukowych problemów o wymaganiach finansowych. Nasze głębokie modele uczące są szkolone do interpretowania obrazów satelitarnych, sygnałów klimatycznych i biologii upraw, aby wyprodukować prognozy plonów i obszarów upraw o dokładności wystarczającej do poinformowania decyzji o alokacji kapitału. Pytanie, na które odpowiadamy, nie brzmi “co mówi ten dokument?”, ale “jaki będzie plon w tym regionie za trzy miesiące i jak pewni możemy być?” To nie są te same klasy problemów i nie wymagają one tej samej klasy modelu. LLM są zoptymalizowane pod kątem języka; nasze modele są zoptymalizowane pod kątem interpretacji świata fizycznego. Pomylenie tych dwóch prowadzi do zastosowania niewłaściwej klasy narzędzi do problemu, którego nie zostały one stworzone.

Wiele firm AI twierdzi, że lepsza wydajność wymaga większej obliczeniowej mocy, większych modeli i większego dostępu do GPU. Treefera zdaje się kwestionować to założenie. Co oznacza “oszczędna obliczeniowo” w praktyce, i dlaczego jest to ważne dla zastosowanej sztucznej inteligencji?

Panujące założenie w AI brzmi: skala równa się wydajność – więcej parametrów, więcej GPU, więcej infrastruktury chmurowej. Dla zastosowanej sztucznej inteligencji w kontekstach specyficznych dla domeny to założenie jest błędne i prowadzi do niepotrzebnych kosztów i marnowania energii.

Oszczędna obliczeniowo, w praktyce, oznacza dla nas trzy rzeczy. Po pierwsze, rozdzielamy obliczenia od czasu. Większość naszych zadań przetwarzania nie musi się odbywać o konkretnym momencie. Zamiast uruchamiać infrastrukturę zawsze włączoną, identyfikujemy okresy nadmiaru pojemności sieci i pożyczamy obliczenia podczas tych okien.

Po drugie, decentralizujemy obciążenia. Zamiast kierować wszystko przez centralny hub chmurowy, rozdzielamy je na sieć dostępnych węzłów, w tym infrastrukturę blockchain, która ma znaczącą pojemność w pewnych okresach. Jeśli jeden węzeł staje się niewydajny, zadania są dynamicznie przekierowywane.

Po trzecie, prawidłowo rozmiarujemy sprzęt. Używamy NVIDIA AG6 zamiast najwyższej klasy chipów, gdzie wydajność jest równoważna dla naszych obciążeń przy ułamku energii i kosztów. Powód, dla którego to ma znaczenie, wykracza poza efektywność – oszczędna obliczeniowo wymusza dyscyplinę co do tego, jakie obliczenia są naprawdę potrzebne. To produkuje lżejsze, bardziej interpretowalne modele – tego rodzaju, których decydenci finansowi i operacyjni mogą naprawdę użyć. Nie potrzebują większego modelu; potrzebują bardziej dokładnej odpowiedzi.

Twoja platforma ma dostarczać dane wyjściowe predykcyjne dotyczące plonów, użytkowania ziemi i ryzyka dostaw bez polegania na infrastrukturze chmurowej zawsze włączonej. Jak rozdzielasz obliczenia od czasu, jednocześnie dostarczając komercyjnie użyteczne, prawie w czasie rzeczywistym informacje?

Informacje w czasie rzeczywistym i ciągłe obliczenia to nie to samo. Nasi klienci potrzebują cotygodniowych aktualizacji prognoz; nie potrzebują obliczeń, które generują te prognozy, aby działy nieprzerwanie.

Mapujemy nasze cykle przetwarzania na naturalny rytm danych. Obrazy satelitarne przychodzą z określoną częstotliwością. Dane pogodowe są aktualizowane z określoną częstotliwością. Analityczne pytania, na które nasze modele odpowiadają, są również napędzane przez tę częstotliwość: jaki jest trend plonów dla tego regionu, co się zmieniło w tym tygodniu w obszarach zasianych. Więc nasze zadania obliczeniowe są zaplanowane do uruchomienia przeciwko tym oknom danych, pożyczając pojemność z rozproszonej infrastruktury podczas okresów niskiego popytu. Wynik dla klienta jest cotygodniowym strumieniem danych, który jest bieżący, użyteczny i gotowy do modelowania. Infrastruktura za tym nie działa, dopóki nie ma nic znaczącego do przetworzenia. Ta architektura jest również bardziej odporne. Rozproszone obciążenie, które dynamicznie omija awaryjne węzły, jest bardziej niezawodne niż pojedynczy serwer zawsze włączony z jednym punktem awarii.

Rynki rolnicze i surowców miękkich nadal opierają się w dużej mierze na opóźnionych, opartych na ankietach lub fragmentarycznych danych. Jak sztuczna inteligencja zmienia sposób, w jaki firmy, banki, ubezpieczyciele i handlowcy mogą oceniać ryzyko, zanim stanie się ono widoczne w oficjalnych raportach?

Strukturalny problem z raportowaniem opartym na ankietach polega na tym, że jest ono z natury nastawione wstecz. Do czasu, gdy agencja rządowa opublikuje szacunek podaży, warunki fizyczne, na których się opiera, są stare o tygodnie lub miesiące. Rynki, które poruszają się na podstawie tych danych, reagują na historię.

Sztuczna inteligencja zmienia to, przenosząc źródło informacji z ankiet na bezpośrednią obserwację. Obrazy satelitarne, sygnały klimatyczne i dane rozwoju upraw są dostępne teraz, a nie za sześć tygodni, gdy raport zostanie skompilowany i opublikowany. To, co nasze modele robią, to tłumaczenie tych danych fizycznych na język finansowy, który handlowcy, ubezpieczyciele i analitycy naprawdę używają: prognozy plonów z określonymi przedziałami niepewności, szacunki powierzchni upraw z cotygodniowymi aktualizacjami, wskaźniki stresu, które ilościowo określają ryzyko w miejscu pochodzenia, zanim pojawi się w cenach.

W 2022 roku nasze modele kukurydzy w USA wskazały rewizję spadkową pięć tygodni przed opublikowaniem przez USDA. W styczniu 2025 roku nasze modele ujawniły wskaźnik stresu na poziomie 0,76 w pasmie kakao w Ghanie; COCOBOD nie zmienił prognozy sezonu aż do czerwca. Przewaga informacyjna nie jest marginalna; jest strukturalna. Przedsiębiorstwa, które nadal czekają na oficjalne raporty, aby podejmować decyzje o dostawach i cenach, działają z opóźnieniem, którego ich kontrahenci mogli nie podzielić.

“Pierwszy mil” łańcuchów dostaw historycznie był jednym z najmniej przejrzystych obszarów dla globalnych przedsiębiorstw. Dlaczego widoczność pierwszego mila staje się teraz tak krytyczna, zwłaszcza wraz ze wzrostem zmienności klimatycznej, regulacji i niepewności geopolitycznej?

Trzy siły zbiegają się i każda z nich jest indywidualnie istotna.

Zmienność klimatyczna zwiększa częstotliwość i nasilenie wstrząsów produkcyjnych w miejscu pochodzenia. Ten sam zdarzenie pogodowe ma teraz większy wpływ na dostawy, ponieważ systemy upraw są bardziej zestresowane, a ekstremalne zdarzenia są mniej przewidywalne z historycznych średnich. Liniowe modele ryzyka, zbudowane na historycznych normach, są strukturalnie niewydolne, aby radzić sobie z tym. Potrzebujesz obserwacji fizycznej w czasie rzeczywistym, aby zobaczyć, co naprawdę dzieje się w polu.

Regulacja tworzy bezpośredni związek pomiędzy tym, co dzieje się w pierwszym milu, a tym, co przedsiębiorstwo może sprzedać lub sfinansować. EUDR, CSRD, TCFD: te ramy wymagają od przedsiębiorstw, aby wiedziały, z dowodami, skąd pochodzą ich surowce i jakie były warunki w miejscu pochodzenia. “Ufaliśmy dostawcy” nie jest już defensywną pozycją. To zobowiązanie powoduje, że śledzenie i pochodzenie przechodzą od preferencji zakupowych do wymogu prawnego.

Geopolityczne zakłócenia uczyniły zależność od jednego regionu ryzykiem w sali zarządu. Gdy jeden region stanowi dominujący udział w globalnej podaży surowca i ten region staje się politycznie lub fizycznie niewiarygodny, przedsiębiorstwa bez widoczności pierwszego mila nie mają mechanizmu wczesnego ostrzegania. Dowiadują się, gdy rynek już wycenił.

Istnieje również szerszy trend w ekosystemie danych. Ostatnie wprowadzenie przez Google Earth AI map surowców pan-tropikalnych – coroczne mapy 10-metrowe dla kakao, kawy, oleju palmowego i kauczuku, wydanych jako dane otwarte – jest przydatnym wskaźnikiem, w którym kierunku zmierzają rzeczy. Świat fizyczny staje się coraz bardziej czytelny z kosmosu, a popyt na przejrzystość łańcucha dostaw jest już na tyle powszechny, że przyciąga inwestycje big-tech na dużą skalę. Treefera witamy to. Bogatsza warstwa danych podstawowych podnosi podłogę dla całego rynku i tworzy wspólną świadomość, że lepsze informacje nie są tylko możliwe, ale dostępne.

Co nie może zrobić otwarte mapy odkryć, to zamknąć lukę w informacjach. Wiedza, gdzie są posadzone uprawy, nie jest taka sama, jak wiedza, jak ten sezon się rozwija, co warunki w miejscu pochodzenia oznaczają dla twojego narażenia na dostawy, czy gdzie twoje portfolio jest narażone na ryzyko. Przekładanie obserwacji na wskazówki finansowe jest tym, na czym Treefera się koncentruje.

Pierwszy mil nieświadomości był kiedyś komercyjnie tolerowany, gdy świat był bardziej przewidywalny. Nie jest już.

Twoja baza klientów obejmuje duże organizacje, takie jak JP Morgan, Microsoft, Bayer i Anew. Jakie są najczęstsze problemy, z którymi przedsiębiorstwa próbują rozwiązać za pomocą Treefera: zgodność, ryzyko dostaw, prognozowanie, zrównoważony rozwój, zakupy, czy coś innego?

Podstawowy problem, który przedsiębiorstwa przywożą do nas, to wersja tego samego: mają znaczące narażenie finansowe na to, co dzieje się w pierwszym milu łańcuchów dostaw rolniczych, i nie mają wiarygodnego mechanizmu, aby zobaczyć to, zanim to ich kosztuje. Konkretny kontekst różni się w zależności od sektora.

Dla handlowców i instytucji finansowych narażonych na surowce pytanie brzmi: informacyjna przewaga – widzenie zmian w dostawach, zanim pojawią się one w cenach lub oficjalnych danych. Dla pożyczkodawców i ubezpieczycieli rolnictwa jest to ocena ryzyka; są oni zaangażowani w finansowanie lub ubezpieczanie operacji, których wyniki są bezpośrednio zarządzane przez warunki, których nie mogą obserwować. Dla korporacji z zobowiązaniami zrównoważonego rozwoju lub zgodności pytanie brzmi: dowód – udowodnienie, z defensywnymi danymi, że ich łańcuchy dostaw spełniają standardy, których wymagają regulatorzy i kontrahenci.

Tradycyjna odpowiedź – zaufaj dostawcy, czekaj na raport rządowy, kup konsensus szacunku – nie jest już wystarczająca. Dokładność i szybkość, których potrzebują, nie istnieją w publicznej przestrzeni danych. Istnieją one w pierwszym milu.

Treefera zgłosiła 6-krotny wzrost rok do roku, zero churnu i przelicytowaną rundę Series B w ciągu dwóch lat. Co sugeruje ten poziom przyjęcia o popycie przedsiębiorstw na systemy AI, które są precyzyjne, efektywne i operacyjnie ugruntowane, a nie tylko duże?

Zero churn jest najbardziej wymownym sygnałem. Wzrost przychodu może odzwierciedlać wykonanie komercyjne; zero churn odzwierciedla dopasowanie do rynku. Klienci, którzy używali danych przez pełny sezon, przetestowali je przeciwko własnym modelom i podjęli decyzje na ich podstawie, a następnie odnowili, mówią nam, że sygnał jest prawdziwy i zmienia sposób, w jaki działają.

Wskazuje to również na znaczący niezaspokojony popyt przedsiębiorstw na sztuczną inteligencję, która jest precyzyjna, audytowalna i operacyjnie integrowalna – popyt, który jest niedostatecznie obsługiwany przez krajobraz, który jest silnie ukierunkowany na narzędzia generatywne i duże, ogólne modele. Specjaliści ds. łańcucha dostaw i ryzyka potrzebują prognozy z określonym przedziałem niepewności, którą mogą zaufać w komitecie ds. ryzyka. Gdy ta poprzeczka jest osiągnięta – dane specyficzne dla domeny, finansowa dokładność, przejrzysta metodyka – przedsiębiorstwa priorytetowo traktują to. Przelicytowana runda finansowania odzwierciedla uznanie inwestorów tej samej dynamiki: rynek jest duży, problem jest strukturalny, a istniejąca infrastruktura danych nie została zbudowana, aby go rozwiązać.

Spójrzając w przyszłość, uważasz, że następna faza zastosowanej sztucznej inteligencji będzie określona mniej przez skalę modelu, a bardziej przez efektywność operacyjną, dane specyficzne dla domeny i mierne wyniki biznesowe?

Tak, a dowody na to są już widoczne.

Sztuczna inteligencja o dużej skali zaczyna osiągać granice tego, co surowa skala może rozwiązać. Dodawanie parametrów nie poprawia prognozy plonów, jeśli podstawowe dane są grube, opóźnione lub geograficznie nieprawidłowe. Marginalna wartość obliczeń maleje, gdy wąskie gardło jest jakością danych i precyzją domeny, a nie rozmiarem modelu.

Następna faza będzie określona przez dane szkoleniowe specyficzne dla domeny, modele o odpowiednim rozmiarze i weryfikowalne dane wyjściowe. W sektorach takich jak rolnictwo, finanse i łańcuchy dostaw, gdzie decyzje mają finansowe i operacyjne konsekwencje, pytanie nie brzmi “jak duży jest model?”, ale “jak niezawodna jest odpowiedź i jak szybko mogę na nią działać?” Skala sama w sobie nie może odpowiedzieć na to. Firmy, które będą prowadzić w zastosowanej sztucznej inteligencji w ciągu najbliższych pięciu lat, zbudują własne potoki danych do świata fizycznego, przeszkolą modele na tych danych z odpowiednim rygorem naukowym i wykażą mierne dokładności w warunkach na żywo. Technologia staje się coraz bardziej towarem; dane i ekspertyza domenowa nie są.

Dziękuję za wspaniały wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Treeferę.