Jonathan Horn, CEO și Co-Fondator al Treefera – Seria de Interviuri

Jonathan Horn, CEO și Co-Fondator al Treefera, este un antreprenor în tehnologie și fost director executiv în investment banking, cu expertiză profundă în managementul riscului, inteligența artificială și analiza datelor la scară largă. Înainte de a fonda Treefera în 2022, a ocupat funcții de conducere senior în cadrul J.P. Morgan și Citigroup, unde s-a concentrat pe risc, date și sisteme financiare complexe. În urma experienței sale în modelarea riscului de calitate financiară, Horn a lansat Treefera pentru a aborda una dintre cele mai persistente puncte oarbe în lanțurile globale de aprovizionare: “prima milă”, unde își au originea materiile prime. Sub conducerea sa, compania a crescut rapid și a devenit un furnizor de top de inteligență a lanțului de aprovizionare bazată pe IA, ajutând întreprinderile să obțină vizibilitate în timp real asupra surselor, riscurilor de mediu, cerințelor de conformitate și rezilienței operaționale.

Înființată la Londra în 2022, Treefera este o companie de inteligență a lanțului de aprovizionare bazată pe IA, axată pe aducerea transparenței în prima milă a lanțurilor globale de aprovizionare cu materii prime. Țesătura sa de date proprietară combină imagini satelitare, date spațiale și temporale, modele de IA și analize de risc pentru a oferi organizațiilor informații în timp real despre surse, conformitate, durabilitate și risc de lanț de aprovizionare. Platforma ajută companiile să monitorizeze totul, de la expunerea la defrișări și impactul asupra carbonului la riscurile de sursă a materiilor prime, permițând o luare a deciziilor mai informată în cadrul achizițiilor, finanțelor și operațiunilor. Prin transformarea datelor fragmentate de mediu și lanț de aprovizionare în informații acționabile, Treefera își propune să consolideze reziliența lanțului de aprovizionare într-o economie globală din ce în ce mai volatilă și reglementată.

Ați fondat Treefera după ce ați ocupat funcții senior de risc, IA și analize de date la J.P. Morgan și Citi. Ce lacună specifică ați văzut în modul în care întreprinderile înțeleg riscul materiilor prime agricole și al bunurilor de consum care v-a convins că Treefera trebuie să existe?

Materiile prime naturale reprezintă 2,1 trilioane de dolari din comerțul mondial, dar datele care stau la baza evaluării riscului pentru aceste active erau manuale, întârziate și structural inexacte. Lucrând cu modele de risc la J.P. Morgan și Citi, am văzut decizii de preț și expunere care depindeau de date care proveneau din prima milă a lanțurilor de aprovizionare agricolă: colectate manual, predispuse la omisiuni și adesea cu săptămâni sau luni în urmă realității. Șaizeci la sută din riscul de aprovizionare își are originea în prima milă, înainte ca materiile prime să ajungă la un port sau la o bursă, dar acolo era exact locul unde vizibilitatea era cea mai slabă.

Ceea ce m-a convins să construiesc Treefera a fost convergența a două lucruri: amploarea problemei și sosirea unor instrumente capabile să o abordeze. Rezoluția și acoperirea satelitului au ajuns la un punct în care puteai observa starea culturilor la nivel de câmp în regiunile majore de producție la un cost minim. IA a ajuns la un nivel în care putea transforma acel semnal brut în ceva financiar interpretabil. Nimeni nu conecta aceste puncte într-un mod riguros, științific. Întreprinderile încă mai prețuiau riscul pe baza rapoartelor guvernamentale care întârziau condițiile de pe teren cu luni, medii naționale care mascau variațiile locale și modele liniare care nu puteau face față volatilității climatice. Diferența dintre ceea ce era cunoscut și ceea ce era posibil de știut era enormă. Acea diferență este locul în care se află Treefera.

Treefera este descrisă adesea ca o platformă de inteligență bazată pe IA, dar abordarea dvs. este în mod explicit nu centrată pe LLM. Cum explicați diferența dintre IA predictivă pentru lanțuri de aprovizionare și sistemele de IA generative care domină în prezent conversația?

IA generativă și modelele de limbaj mare rezolvă o problemă fundamental diferită. Sunt instrumente de productivitate: extraordinar de utile pentru simplificarea sarcinilor repetitive, cum ar fi redactarea și rezumarea. Provocarea comercială pentru aceste sisteme este adoptarea, obținerea schimbării modului în care oamenii lucrează. Acesta este un problemă de educare a pieței, nu una științifică.

Treefera utilizează IA pentru a rezolva probleme științifice cu cerințe de precizie financiară. Modelele noastre de învățare profundă sunt antrenate pentru a interpreta imagini satelitare, semnale climatice și biologie a culturilor pentru a produce previziuni de recoltă și suprafețe de producție suficient de precise pentru a informa decizii de alocare a capitalului. Întrebarea pe care o răspundem nu este “ce spune acest document?” Este “ce va produce această regiune în trei luni și cu ce încredere ar trebui să fim?” Acestea nu sunt aceeași clasă de problemă și nu necesită aceeași clasă de model. LLM-urile sunt optimizate pentru limbaj; modelele noastre sunt optimizate pentru interpretarea lumii fizice. A confunda cele două conduce la aplicarea clasei greșite de instrumente pentru o problemă pentru care nu a fost construit.

Numeroase companii de IA susțin că o performanță mai bună necesită mai multe calcule, modele mai mari și acces mai mare la GPU. Treefera pare să conteste această presupunere. Ce înseamnă “calcul frugal” în practică și de ce este important pentru IA aplicată?

Presupunerea dominantă în IA este că scară egală performanță: mai multe parametri, mai multe GPU, mai multă infrastructură de cloud. Pentru IA aplicată în contexte specifice de domeniu, acea presupunere este greșită și produce costuri și irosirea energiei inutile.

Calculul frugal, în practică, înseamnă trei lucruri pentru noi. În primul rând, decuplăm calculul de timp. Cele mai multe dintre sarcinile noastre de procesare nu necesită să se execute la un anumit moment. În loc să rulăm infrastructura care rulează mereu, identificăm perioadele de capacitate de rețea excesivă și împrumutăm calculul în timpul acelor ferestre.

În al doilea rând, descentralizăm sarcinile de lucru. În loc să direcționăm totul printr-un hub de cloud unic, distribuim sarcinile de lucru pe o rețea de noduri disponibile, inclusiv infrastructura blockchain, care are o capacitate semnificativă disponibilă în anumite perioade. Dacă un nod devine ineficient, sarcinile se reroutează dinamic.

În al treilea rând, dimensionăm corect hardware-ul. Utilizăm NVIDIA (NVDA ) AG6 în loc de procesoare de top, unde performanța este echivalentă pentru sarcinile noastre de lucru, la o fracțiune din energia și costul necesare. Motivul pentru care acest lucru contează dincolo de eficiență este precizia. Calculul frugal impune disciplină cu privire la ce calcul este realmente necesar. Acest lucru produce modele mai slabe, mai interpretabile – tipul de modele pe care decidenții financiari și operaționali le pot realmente utiliza. Ei nu au nevoie de un model mai mare; au nevoie de un răspuns mai precis.

Platforma dvs. livrează aparent ieșiri predictive privind recolta, utilizarea terenului și riscul de aprovizionare fără a se baza pe infrastructura de cloud care rulează mereu. Cum decuplați calculul de timp și totuși livrați informații comerciale utile, aproape în timp real?

Informații aproape în timp real și calcul continuu nu sunt același lucru. Clienții noștri au nevoie de previziuni actualizate săptămânal; nu au nevoie ca calculul care generează acele previziuni să ruleze continuu.

hartăm ciclurile noastre de procesare la ritmul natural al datelor. Imaginile satelitare sosesc la un anumit ritm. Intrapările meteo se actualizează la un anumit ritm. Întrebările analitice pe care le răspund modelele noastre sunt, de asemenea, conduse de ritm: care este traiectoria recoltei pentru această regiune, ce s-a schimbat în această săptămână în zona plantată. Deci, programăm sarcinile de calcul pentru a rulează împotriva acelor ferestre de date, împrumutând capacitate de la infrastructura distribuită în perioadele cu cerere scăzută. Ieșirea pentru client este un flux de date săptămânal care este actual, acționabil și gata pentru model. Infrastructura din spatele acestuia rulează doar atunci când există ceva semnificativ de procesat. Această arhitectură este, de asemenea, mai rezilientă. O sarcină de lucru distribuită care se reroutează în jurul nodurilor eșuate este mai fiabilă decât un server care rulează mereu cu un singur punct de eșec.

Piața materiilor prime agricole și a bunurilor de consum încă se bazează în mare măsură pe date întârziate, bazate pe sondaje sau fragmentate. Cum schimbă IA modul în care companiile, băncile, asigurătorii și comercianții pot evalua riscul înainte ca acesta să devină vizibil în rapoartele oficiale?

Problema structurală cu raportarea bazată pe sondaje este că este întârziată din punct de vedere al proiectării. Până când o agenție guvernamentală publică o estimare a ofertei, condițiile fizice care stau la baza acesteia sunt vechi de săptămâni sau luni. Piețele care se mișcă pe baza acestor date reacționează la istorie.

IA schimbă acest lucru prin schimbarea sursei de informații de la sondaje la observație directă. Imaginile satelitare, semnalele climatice și datele despre biologia culturilor sunt disponibile acum, nu peste șase săptămâni, când un raport este compilat și publicat. Ceea ce fac modelele noastre este să traducă aceste date fizice în limbajul financiar pe care comercianții, asigurătorii și analiștii îl folosesc realmente: previziuni de recoltă cu intervale de incertitudine specificate, estimații de suprafață de producție cu actualizări săptămânale, scoruri de stres care cuantifică riscul la origine înainte ca acesta să apară în prețuri.

În 2022, modelele noastre de porumb din SUA au semnalat o revizuire descrescătoare cu cinci săptămâni înainte ca USDA să publice raportul său. În ianuarie 2025, modelele noastre au evidențiat un scor de stres de 0,76 în zona de cacao din Ghana; COCOBOD nu a revizuit prognoza sezonieră până în iunie. Avantajul informațional nu este marginal; este structural. Întreprinderile care încă așteaptă rapoarte oficiale pentru a lua decizii de aprovizionare și prețuri operează cu o întârziere pe care contrapartidele lor nu o pot împărtăși.

“Prima milă” a lanțurilor de aprovizionare a fost istoric una dintre cele mai puțin transparente zone pentru întreprinderile globale. De ce vizibilitatea primei mile devine atât de critică acum, mai ales pe măsură ce volatilitatea climatică, reglementarea și incertitudinea geopolitică cresc?

Trei forțe converg și fiecare este individual semnificativă.

Volatilitatea climatică crește frecvența și gravitatea șocurilor de producție la origine. Același eveniment meteorologic are acum un impact mai mare asupra lanțului de aprovizionare, deoarece sistemele de culturi sunt mai stresate și evenimentele extreme sunt mai puțin previzibile din medii istorice. Modelele de risc liniare construite pe norme istorice sunt structural inadecvate pentru a face față acestui lucru. Aveți nevoie de observație fizică în timp real pentru a vedea ce se întâmplă realmente în câmp.

Reglementarea creează o legătură directă de răspundere între ceea ce se întâmplă în prima milă și ceea ce o întreprindere poate vinde sau finanța. EUDR, CSRD, TCFD: aceste cadre necesită întreprinderilor să știe, cu dovezi, de unde provin materiile prime și care au fost condițiile de origine. “Am încredere în furnizor” nu mai este o poziție defensivă. Acea răspundere determină trasabilitatea și proveniența de la o preferință de achiziție la o cerință legală.

Întreruperea geopolitică a făcut ca dependența de o singură regiune să devină un risc la nivelul consiliului de administrație. Când o regiune reprezintă o cotă dominantă din oferta globală a unei materii prime și acea regiune devine nepredictibilă din punct de vedere politic sau fizic, întreprinderile fără vizibilitate în prima milă nu au niciun mecanism de avertizare timpurie. Află când piața a repricat deja.

Există, de asemenea, o schimbare mai largă care se petrece în ecosistemul de date însuși. Lansarea recentă de către Google (GOOGL ) Earth AI a hărților de materii prime pan-tropicale – amprente anuale de culturi la 10 metri pentru cacao, cafea, ulei de palmier și cauciuc, lansate ca date deschise – este un indicator util al direcției în care se îndreaptă lucrurile. Lumea fizică devine din ce în ce mai lizibilă din spațiu, iar cererea de transparență a lanțului de aprovizionare este acum suficient de mainstream pentru a atrage investiții la scară largă din partea marilor tehnologii. Treefera salută acest lucru. Un strat de date fundamentale mai bogat ridică nivelul de bază pentru întreaga piață și creează o conștientizare comună că informații mai bune nu sunt doar posibile, ci și disponibile.

Ce nu pot face hărțile de descoperire deschise este să închidă lacuna de informații. A ști unde sunt plantate culturile nu este același lucru cu a ști cum evoluează această sezon, ce înseamnă condițiile de origine pentru expunerea dvs. la materii prime sau unde este portofoliul dvs. expus la risc. Traducerea din observație în informații financiare de calitate este ceea ce Treefera este construit pentru a face.

Ignorarea primei mile era comercial tolerabilă când lumea era mai previzibilă. Acest lucru nu mai este valabil.

Baza dvs. de clienți include organizații majore, cum ar fi JP Morgan, Microsoft (MSFT ), Bayer și Anew. Care sunt cele mai comune probleme pe care întreprinderile le încearcă să le rezolve cu Treefera: conformitate, risc de aprovizionare, previziune, durabilitate, achiziții sau altceva?

Problema de bază pe care întreprinderile o aduc în fața noastră este o versiune a aceluiași lucru: au o expunere financiară semnificativă la ceea ce se întâmplă în prima milă a lanțurilor de aprovizionare agricolă și nu au un mecanism fiabil pentru a vedea acest lucru înainte ca acesta să le coste. Cadru specific diferă în funcție de sector.

Pentru comercianți și instituții financiare expuse la materii prime, întrebarea este avantajul informațional: a vedea schimbări de ofertă înainte ca acestea să apară în prețuri sau date oficiale. Pentru instituțiile de credit și asigurători agricoli, este evaluarea riscului; ei sunt garanți sau finanțează operațiuni ale căror performanță este guvernată direct de condiții pe care nu le pot observa. Pentru corporații cu obligații de durabilitate sau conformitate, întrebarea este dovada: a dovedi, cu date defensabile, că lanțurile lor de aprovizionare îndeplinesc standardele pe care regulatorii și contrapartidele le cer acum.

Răspunsul tradițional – a avea încredere în furnizor, a aștepta raportul guvernamental, a cumpăra estimarea consensuală – nu mai este suficient. Precizia și viteza de care au nevoie nu există în ecosistemul de date public. Există în prima milă.

Treefera a raportat o creștere de 6 ori de la an la an, zero pierderi de clienți și un al doilea tur de finanțare suprasubscris în doi ani. Ce sugerează acest nivel de adoptare despre cererea întreprinderilor pentru sisteme de IA care sunt precise, eficiente și operațional integrate, mai degrabă decât doar la scară largă?

Pierderea zero de clienți este cel mai convingător semnal. Creșterea veniturilor poate reflecta execuția comercială; pierderea zero de clienți reflectă potrivirea pieței și produsului. Clienții care au folosit datele pentru o întreagă sezon, le-au testat împotriva propriilor modele și au luat decizii pe baza lor, și apoi au reînnoit, ne spun că semnalul este real și că acesta schimbă modul în care operează.

Acest lucru indică, de asemenea, o cerere semnificativă neatinsă a întreprinderilor pentru IA care este precisă, auditabilă și integrabilă operațional – o cerere care este slab servită de un peisaj dominat de instrumente generative și de modele generale la scară largă. Profesioniștii din lanțul de aprovizionare și din domeniul riscului au nevoie de o previziune cu un interval de incertitudine specificat pe care să-l poată susține într-un comitet de risc. Când acea bară este atinsă – date specifice de domeniu, precizie financiară, metodologie transparentă – întreprinderile o prioritizează. Finanțarea suprasubscrisă reflectă recunoașterea investitorilor a aceleiași dinamici: piața este mare, problema este structurală, iar infrastructura de date existentă nu a fost construită pentru a o rezolva.

Privind spre viitor, credeți că următoarea fază a IA aplicate va fi definită mai puțin de scară și mai mult de eficiență operațională, date specifice de domeniu și rezultate comerciale măsurabile?

Da, iar dovada pentru acest lucru este deja vizibilă.

IA la scară largă începe să atingă limitele a ceea ce poate rezolva scala brută. Adăugarea de parametri nu îmbunătățește o previziune a recoltei dacă datele subiacente sunt grosolane, întârziate sau geografic nepotrivite. Valoarea marginală a calculului este în scădere atunci când blocajul este calitatea datelor și precizia de domeniu, nu mărimea modelului.

Următoarea fază va fi definită de date de antrenare specifice de domeniu, modele dimensionate corect și ieșiri verificabile. În sectoare cum ar fi agricultura, finanțele și lanțul de aprovizionare, unde deciziile au consecințe financiare și operaționale, întrebarea nu a fost niciodată “cât de mare este modelul?” A fost “cât de fiabil este răspunsul și cât de repede pot acționa pe baza lui?” Scala singură nu poate răspunde la această întrebare. Companiile care vor conduce în IA aplicată în următorii cinci ani vor fi construit conducte de date proprietare în lumea fizică, au antrenat modele pe aceste date cu o rigurozitate științifică adecvată și au demonstrat precizie măsurabilă în condiții de viață. Tehnologia devine din ce în ce mai mult o marfă; datele și expertiza de domeniu nu sunt.

Mulțumim pentru acest interviu minunat, cititorilor care doresc să afle mai multe despre Treefera.