Priya Saiprasad, Partner Generalny w Touring Capital – Seria wywiadów

Gdy oprogramowanie może wykonywać pracę, zmienia to produkt, rynek docelowy, model cenowy oraz ekonomię firmy, która je dostarcza. Chcieliśmy od samego początku budować Touring wokół tej możliwości.

Nasza uwaga skupia się na firmach zbliżających się do lub wykazujących wczesne dopasowanie produktu do rynku, kiedy techniczna obietnica zaczyna przekładać się na przyjęcie przez klientów. To szczególnie istotny etap w AI: założyciele decydują, które procesy przejąć, jaką autonomię zaakceptują klienci oraz jak przekształcić wczesny popyt w powtarzalny wzrost.

Chcieliśmy również wnieść perspektywę budowania firm, opartą na naszym doświadczeniu w venture, M&A oraz dużych platformach technologicznych. Naszą ambicją jest pomaganie założycielom w tworzeniu przedsiębiorstw, których przewagi konkurencyjne pogłębiają się wraz z postępem technologicznym. Wymaga to przekonania o szansie i gotowości do ciągłego przeglądania leżących u jej podstaw założeń.

Argumentowałeś, że niektóre z największych szans w AI odchodzą od prostego budowania większych modeli bazowych i skierowują się ku firmom stosującym AI w konkretnych branżach. Co zmieniło się technologicznie lub ekonomicznie, że warstwa aplikacji jest teraz tak atrakcyjna?

Modele stały się dramatycznie bardziej wydajne i dostępne, co zmienia miejsca, w których przedsiębiorcy mogą tworzyć wartość. Nie musisz już budować podstawowej inteligencji od podstaw, aby stworzyć coś potężnego.

To przesuwa pytanie z „Kto ma najlepszy model?” na „Kto potrafi zastosować tę inteligencję, aby rozwiązać problem w sposób, który zasadniczo zmienia ekonomię lub proces pracy?”

Najbardziej przekonujące firmy nie polegają jedynie na umieszczeniu LLM przed istniejącym produktem oprogramowania. Wykorzystują AI do przemyślenia sposobu wykonywania pracy. W niektórych przypadkach oznacza to automatyzację dużych fragmentów procesu. W innych pozwala to znacznie mniejszemu zespołowi generować znacznie większy wynik.

To właśnie tam, moim zdaniem, nastąpi duża część kolejnej fali tworzenia wartości: firmy, które potrafią przyjąć coraz bardziej zaawansowaną inteligencję i przekształcić ją w produkt, któremu klienci ufają w wykonywaniu istotnej pracy.

Patrząc na różne sektory dzisiaj, które branże uważasz za osiągające prawdziwy punkt zwrotny AI, w którym AI może zasadniczo przekształcić procesy pracy, a nie tylko uczynić istniejące oprogramowanie bardziej wydajnym?

Szczególnie interesują mnie branże, w których występuje połączenie znaczącej pracy wiedzy, skomplikowanych istniejących procesów i historycznie niższego poziomu penetracji oprogramowania.

Usługi finansowe, opieka zdrowotna, sektor prawny, przemysł i motoryzacja są dobrymi przykładami. Branże te często dysponują ogromnymi ilościami cennych informacji i wysoce wyspecjalizowanymi procesami, ale wiele zadań pozostaje wciąż podzielonych, ręcznych lub zależnych od doświadczonych osób przenoszących informacje między systemami.

Szansa nie polega po prostu na zwiększeniu produktywności tych pracowników o 10%. Bardziej interesujące firmy przekształcają przepływ pracy wokół tego, co AI może teraz zrobić.

Widać to w firmach takich jak Numa, które wykorzystują agenty AI do automatyzacji interakcji z klientami i operacji w salonach dealerskich, oraz Daloopa, która stosuje AI w wysoce czasowo wrażliwych przepływach danych i badań używanych przez instytucje finansowe. Wspólnym wątkiem jest głębokie zrozumienie podstawowej pracy. AI jest potężne, ale nie eliminuje potrzeby rozumienia branży, dla której budujesz rozwiązanie.

Touring Capital podkreśla znaczenie fosfów danych, wirów produktowych i ekspertyzy domenowej przy ocenie firm AI. Jak wygląda naprawdę defensywna pionowa firma AI i jak odróżnić ją od firmy, której główną przewagą jest po prostu opakowanie zewnętrznego dużego modelu językowego?

Naprawdę defensywna firma AI staje się silniejsza w miarę jej działania.

Podstawowy model może z czasem się poprawiać, a firma może całkowicie zmienić model, ale wartość biznesu nie powinna zniknąć, ponieważ podkład zmienia się. Liczy się to, co firma posiada wokół tego modelu: relacje z klientami, przepływ pracy, własne dane, integracje oraz zaufanie do podejmowania coraz ważniejszych zadań.

Jedną z rzeczy, na które zwracamy szczególną uwagę, jest to, czy produkt staje się z czasem głębiej osadzony. Czy klienci coraz bardziej mu ufają, powierzając mu więcej pracy? Czy użycie i wyniki się kumulują? Czy firma uczy się na swoich wdrożeniach w sposób, który ulepsza produkt?

Te dynamiki tworzą znacznie silniejszy biznes niż jedynie posiadanie dobrego interfejsu na wierzchu zewnętrznego modelu. Funkcje w AI mogą bardzo szybko się zbiegać. Utrzymujące się użycie i głębsze przyjęcie przepływu pracy są znacznie trudniejsze do powielenia.

W miarę jak modele bazowe stają się bardziej zdolne i coraz bardziej towarowe, czy to wzmacnia pionowe firmy AI, dając im tańszą inteligencję do budowy, czy też tworzy ryzyko, że sami dostawcy modeli przejmą większą część warstwy aplikacyjnej?

Obie dynamiki mogą zachodzić jednocześnie. Lepsze modele rozszerzają to, co firmy aplikacyjne mogą dostarczyć, jednocześnie pozwalając dostawcom modeli zagłębiać się w produkty i przepływy pracy.

Pytanie w due diligence brzmi, jak pozycja firmy zmienia się w miarę poprawy podstawowej inteligencji. Zadajemy dwa pytania jednocześnie: co stanie się możliwe dla tego biznesu przy kolejnej generacji modeli i która część jej obecnej propozycji wartości może stać się standardową zdolnością modelu? To pomaga odróżnić firmy korzystające z postępu od tych, których wyróżnienie zależy od tymczasowego ograniczenia.

Biznesy pionowe mogą budować trwałe pozycje dzięki wyspecjalizowanym przepływom pracy, dostępowi do klientów, integracjom, systemom oceny i odpowiedzialności operacyjnej, którą przyjmują. Te przewagi wymagają ciągłych inwestycji; ekspertyza domenowa sama w sobie nie jest trwałą ochroną.

Firmy, które uważam za najbardziej przekonujące, mają wyraźną ścieżkę do przejmowania bardziej wartościowej pracy w miarę poprawy modeli. Ich klienci uzyskują lepsze wyniki, ekonomia dostaw się wzmacnia, a zgromadzona wiedza staje się użyteczniejsza. To jest relacja z postępem modeli, którą chcemy wspierać.

Tradycyjne firmy oferujące oprogramowanie jako usługę były historycznie oceniane przy użyciu wskaźników takich jak roczny przychód powtarzalny, marże brutto, retencja i rozbudowa miejsc. Jak AI zmienia metryki, na których polegasz, szczególnie gdy koszty inferencji, ceny oparte na użyciu i modele biznesowe oparte na wynikach stają się ważniejsze?

ARR, retencja i marże brutto wciąż mają znaczenie. Problem polega na tym, że same w sobie już nie dostarczają nam wystarczającej ilości informacji.

Firma AI może bardzo szybko osiągnąć dziesiątki milionów dolarów ARR, podczas gdy podstawowe użycie wśród jej klientów już maleje. Klient może nadal być w umowie, ale gdy nadchodzi odnowienie, produkt został de facto zastąpiony. To opisujemy jako ukryty churn.

Dlatego coraz częściej patrzymy pod cenę i pytamy, jaka praca jest faktycznie wykonywana. Czy liczba przepływów pracy i wyników rośnie w czasie? Czy klient ufa produktowi, by wykonał więcej zadań? Czy użycie utrzymuje się po początkowym entuzjazmie wdrożenia?

Patrzymy także znacznie bliżej na ekonomię stojącą za wzrostem. Firmy AI mogą zastępować ludzką siłę roboczą automatyzacją, ale obliczenia stają się realną częścią siły roboczej i struktury kosztów. Dlatego analizujemy takie pojęcia jak intensywność przepływu pracy, mnożniki efektywności, przychód na dostosowanego pracownika oraz dźwignię kosztową.

Ważniejsze pytanie brzmi, czy wzrost staje się z czasem bardziej trwały i efektywny. Spektakularny wzrost i trwały wzrost nie muszą być tym samym.

Wiele agentów AI jest projektowanych nie tylko do wspierania pracowników, ale do autonomicznego realizowania całych przepływów pracy. Jak to zmienia możliwości rynkowe oprogramowania korporacyjnego i czy firmy AI ostatecznie mogą przejąć część budżetów na pracę, które historycznie nie były częścią wydatków na oprogramowanie?

Uważam, że to jeden z najważniejszych zwrotów w oprogramowaniu korporacyjnym.

Historycznie oprogramowanie było w dużej mierze sprzedawane jako narzędzie pomagające pracownikowi wykonywać jego pracę. Pracownik pozostawał odpowiedzialny za wytwarzanie efektu, a budżet na oprogramowanie był oddzielny od budżetu na pracę.

AI zmienia tę równanie, ponieważ oprogramowanie może coraz częściej wykonywać części pracy samodzielnie.

To znacząco zwiększa możliwości rynkowe. Nie sprzedajesz już tylko narzędzia zwiększającego wydajność z budżetu IT lub oprogramowania. Jeśli produkt może wiarygodnie przejąć odpowiedzialność za istotną pracę i wygenerować mierzalny rezultat, może również przechwycić wartość z budżetów przeznaczonych na pracę.

Ważna różnica polega na odróżnieniu asystenta AI od systemu AI, któremu klienci ufają w kwestii rzeczywistego wykonania. Ten drugi ma potencjał stać się znacznie cenniejszy, ale musi także wykazać rzeczywistą niezawodność, odpowiedzialność i opłacalność. Ostatecznie klienci nie będą się przejmować, jak zaawansowane jest AI, jeśli produkt nie będzie konsekwentnie dostarczał obiecanego rezultatu.

Obecnie zasiadasz w radach nadzorczych firm, w tym Numa i Daloopa, które stosują technologię w bardzo różnych sektorach, takich jak operacje motoryzacyjne i dane finansowe. Czego te firmy nauczyły cię o tym, co jest potrzebne, aby skutecznie wprowadzić AI do branż z głęboko zakorzenionymi przepływami pracy i specjalistyczną wiedzą dziedzinową?

Najważniejszą lekcją jest to, że AI nie eliminuje znaczenia wiedzy dziedzinowej. W wielu aspektach czyni ją jeszcze ważniejszą.

Aby skutecznie wprowadzić AI do ugruntowanego sektora, musisz dokładnie zrozumieć przepływ pracy, aby wiedzieć, gdzie automatyzacja rzeczywiście tworzy wartość, a gdzie wciąż ma znaczenie ludzka ocena. Musisz także zrozumieć, jak klienci przyjmą produkt, jak wpisuje się on w ich istniejące systemy i cykl adopcji AI oraz co jest potrzebne, aby zdobyć ich zaufanie.

Numa i Daloopa działają na bardzo różnych rynkach, ale obie są ściśle powiązane ze specyficzną pracą, którą ich klienci muszą wykonać. Najbardziej udane firmy AI w konkretnych branżach nie zaczynają od pytania: „Gdzie możemy zastosować AI?”. Zaczynają od istotnego problemu lub przepływu pracy, a następnie przekształcają go wokół tego, co AI może teraz zrobić.

To także powód, dla którego uważam, że wiedza dziedzinowa może z czasem stać się znaczącą przewagą. Im głębiej rozumiesz pracę, tym skuteczniej możesz stworzyć produkt, na którym klienci będą chcieli polegać.

Ostatnie inwestycje Touring obejmują zarówno aplikacje specyficzne dla danej dziedziny, jak i infrastrukturę umożliwiającą AI. Jak postrzegasz równowagę między inwestowaniem w warstwę aplikacji a infrastrukturą niezbędną do jej zasilania i gdzie uważasz, że dziś istnieje większa szansa na zwroty na poziomie venture?

Nie postrzegamy tej szansy jako wyłącznie istniejącej w jednej warstwie stosu. Skupiamy się na tym, gdzie pojawiają się istotne wąskie gardła i gdzie firma może zbudować znaczącą pozycję w miarę skalowania adopcji AI.

Po stronie aplikacji cieszą nas firmy, które potrafią przetłumaczyć AI na wymierną wartość ekonomiczną, przejmując istotne przepływy pracy i dostarczając realne wyniki. Po stronie infrastruktury interesują nas firmy rozwiązujące ograniczenia decydujące o tym, czy AI może być faktycznie wdrażane efektywnie w dużej skali.

Nasze inwestycje w firmy takie jak Infinity i Parasail odzwierciedlają to podejście. Jedna zajmuje się wyzwaniem programowym, aby różne chipy AI były gotowe do uruchamiania nowoczesnych modeli, podczas gdy druga pomaga deweloperom wdrażać i skalować obciążenia AI bez konieczności samodzielnego zarządzania podstawową infrastrukturą.

Lepsza szansa nie jest koniecznie określana przez to, czy firma działa w obszarze aplikacji czy infrastruktury. Kluczowe pytanie brzmi, czy firma rozwiązuje istotny i trwały problem z potencjałem, aby stawać się coraz cenniejszym w miarę rozwoju rynku AI.

Przy ogromnych ilościach kapitału skoncentrowanych obecnie wokół stosunkowo niewielkiej liczby wiodących firm AI, gdzie uważasz, że inwestorzy nadal niedoszacowują szans, i które kategorie lub modele biznesowe natywne dla AI otrzymują znacznie mniej uwagi, niż zasługują?

Jednym obszarem, który uważam za szczególnie interesujący, jest środek rynku.

Obecnie venture stało się coraz bardziej obciążone. Istnieje ogromny apetyt na obiecujące firmy na najwcześniejszych etapach, szczególnie te z wyjątkowymi zespołami i przekonującą technologią. Dostępny jest również znaczny kapitał dla największych, najbardziej sprawdzonych firm.

Jednak środek, szczególnie tradycyjne etapy Series B i C, stał się znacznie trudniejszy.

AI skompresowało oczekiwania. Firmy mogą teraz przejść od zera do znaczących przychodów szybciej niż kiedykolwiek wcześniej, co znacznie podniosło poprzeczkę, gdy firma zaczyna generować przychody. Wzrost, który kilka lat temu byłby uznany za niezwykły, może już nie wyróżniać się na dzisiejszym rynku.

To tworzy zarówno ryzyko, jak i szansę.

Niektóre firmy są zmuszane optymalizować się pod kątem tego, czego rynek pozyskiwania funduszy chce w danym momencie: wzrost 5‑krotny, 10‑krotny, określony próg przychodów, niezależnie od tego, czy ta trajektoria tworzy trwały biznes. Rynek może zmienić się dramatycznie w ciągu sześć do dziewięć miesięcy, więc założyciele muszą uważać, aby nie budować wyłącznie pod oczekiwania kolejnej rundy finansowania.

Dla inwestorów uważam, że istnieje realna szansa na identyfikację firm, które mają solidne podstawowe fundamenty, ale nie pasują idealnie do skrajności dzisiejszego rynku. Wyzwanie polega na zachowaniu wystarczającej dyscypliny, aby odróżnić trwały wzrost od firmy, która po prostu jest przyspieszana przez obecny cykl finansowania AI.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej o tej firmie VC, powinni odwiedzić Touring Capital.