Bokrecension: Investera i AI: Sex mentala modeller för att skilja vallgravar från fällor av Rob May

Jag såg fram emot att läsa Investera i AI: Sex mentala modeller för att skilja vallgravar från fällor, framför allt eftersom jag i flera år har följt Rob May genom hans nyhetsbrev om AI-investeringar. Det som enligt min mening skiljer Rob May från många andra investerare är hans vilja att undvika grupptänkande och resonera utifrån grundläggande principer. Han ser bortom den rådande berättelsen och frågar hur ett företag faktiskt fungerar, var dess fördelar kommer ifrån och om de kan bestå vid nästa tekniska skifte.

Det är här boken glänser. Det är den första bok jag har stött på som närmar sig AI-investeringar på just det här sättet. I stället för att bara peka ut en spännande teknik eller en växande marknad uppmanar den läsarna att tänka om kring hur de analyserar företagen som byggs kring tekniken. Möjligheterna är enorma, men att känna igen en lovande AI-förmåga och att identifiera ett investeringsbart företag är två helt olika färdigheter.

När AI-berättelsen möter verkligheten

Rob May förankrar resonemanget i berättelser som känns igen av alla som har följt AI-ekosystemet. Jasper blev en mediefavorit och tog in 125 miljoner dollar till en värdering på 1,5 miljarder dollar. Sedan gjorde ChatGPT kraftfull textgenerering direkt tillgänglig för konsumenter och utmanade värdet i en produkt som byggde på tillgång till liknande grundläggande funktioner. Rob May använder den omsvängningen för att undersöka hur snabbt en till synes stark konkurrensfördel kan bli sårbar.

Det jag tycker är intressant med det här exemplet är frågan som det tvingar investerare och grundare att ställa sig: vad behöver kunden fortfarande från ditt företag när den underliggande tekniken blir allmänt tillgänglig? Vad skiljer ett företag med en försvarbar konkurrensvallgrav från ännu en AI-tjänst som bara paketerar en modell? Ett tidigt försprång kan ge mer tid, men det besvarar inte frågan. Kontroll över arbetsflöden, distribution, specialistkunskap och kundrelationer blir alla mycket viktigare när tillgången till modellen blir en standardiserad tjänst.

DeepSeek visar en annan sida av den osäkerheten. Boken tar upp den omvälvande nyheten om en modell i GPT-4-klassen som enligt uppgift hade en träningskostnad på 5,576 miljoner dollar. Investeringslärdomen är betydande: antaganden om kostnaden för att konkurrera kan förändras mycket snabbare än en värderingsmodell förutser.

Varför SaaS-modellen behöver omprövas

Rob May återbesöker AI-vintrarna och hävdar att dagens breda användning har brutit det gamla mönstret med lovande demonstrationer följda av utbredd besvikelse. Enligt hans resonemang är användbar AI nu inbyggd i alltför många verkliga arbetsflöden för att bara kunna dra sig tillbaka till laboratoriet. Trots den fortsatta användningen kan det ändå vara svårt att identifiera nästa enhörningsföretag som kan dra nytta av den.

Han pekar ut fyra grundläggande skillnader som bidrar till att förklara skiftet: AI kan utföra kognitivt arbete, lära sig av data, förändra förväntningarna hos dem som använder den och bli en självklar del av livet för en generation som växer upp med den. Den tredje punkten – reflexivitet – är särskilt intressant. När kunder väl har upplevt en viss förmåga börjar de förvänta sig den även på andra håll. Marknaden som ett företag verkar på förändras i takt med att tekniken tas i bruk.

Den största omvälvningen är hur snabbt verksamheter kan skalas upp. AI-företag kan nå betydande storlek på tidsramar som tidigare var förbehållna exceptionella undantag. Men för att utvärdera dem måste man fortfarande förstå affärsmodellen. Att ta betalt per uppgift eller per resultat skapar ett annat samband mellan värde, intäkter och kostnader än att sälja ett fast antal programvarulicenser.

Vissa lärdomar från SaaS är fortfarande mycket relevanta. Branschkunskap spelar fortfarande roll. Vertikalspecifika verktyg som förstår en branschs verkliga problem kan skapa betydande fördelar. Egna dataslingor kan förstärka sig över tid, och djupa integrationer kan skapa byteskostnader. Utmaningen är att skilja dessa varaktiga styrkor från funktioner som kunden kan få från dussintals andra leverantörer.

Sex mentala modeller som hjälper oss att ställa bättre frågor

Boken strukturerar sitt huvudresonemang kring sex mentala modeller: att förstå AI som en samling tekniker; att ifrågasätta traditionella antaganden om SaaS; att räkna med stora omvälvningar på marknaden; att känna igen förändringar i marknader och företagsstrategier; att förstå snabbare uppskalning; och att noggrant utvärdera AI:s kostnad för sålda varor.

De fungerar väl tillsammans eftersom var och en blottlägger en annan svaghet i en ytlig investeringstes. Att kalla ett företag för ett ”AI-företag” säger inte mycket om dess ekonomi. En dramatisk intäktsökning säger inte mycket om hur bestående den är. En stark bruttomarginal i dag säger inte mycket om vad som händer när kunderna börjar be produkten utföra svårare arbetsuppgifter.

Det jag uppskattar mest är vanan att ställa en följdfråga. När du har frågat om tekniken fungerar, fråga om den fungerar tillräckligt tillförlitligt för kundens faktiska arbetsflöde. När du har frågat om kunderna betalar, fråga vad de betalar för och om de sannolikt kommer att fortsätta med det. Det gör boken användbar även efter den tidpunkt då exemplen skrevs.

Botkeeper och betydelsen av kostnadsutvecklingen

En av de mest användbara fallstudierna handlar om Botkeeper, ett företag inom automatisering av bokföring som Rob May investerade i. Han beskriver ett företag som till en början i hög grad förlitade sig på mänskliga redovisningskonsulter och hade bruttomarginaler på ungefär 20 till 25 procent. Det verkade inte särskilt attraktivt för investerare som förväntade sig de marginaler som är vanliga inom programvarubranschen. Men det arbete som de anställda utförde genererade också data som kunde bidra till att automatisera processen. Rob May uppger att bruttomarginalerna senare översteg 70 procent i takt med att mer arbete flyttades över till programvara.

Lärdomen jag drar av det här är att undersöka vad det mänskliga arbetet bidrar till att bygga upp. Om varje slutförd uppgift hjälper systemet att hantera nästa uppgift mer effektivt kan de tidiga servicekostnaderna finansiera en verksamhet som är lättare att skala upp. Om varje ny kund däremot för alltid kräver en proportionell ökning av det manuella arbetet pekar kalkylen åt ett annat håll.

Rob May undersöker också den motsatta utvecklingen: inferenskostnader som ökar i takt med användningen. Ett AI-system kan behöva mer beräkningskraft, upprepade försök eller mänsklig granskning för att klara svårare uppgifter. En produkt som verkar attraktiv i ett mindre pilotprojekt kan bli dyr när kunderna förlitar sig på den för komplicerade arbetsuppgifter. Därför är kostnadernas utveckling lika viktig som den nuvarande marginalen.

Effektivitet är inte automatiskt en konkurrensvallgrav

Ett annat användbart ramverk är Rob Mays tredelning av AI-värde: standardiserad AI, kärn-AI och expansions-AI. I stora drag handlar det om förmågor som konkurrenter enkelt kan ta till sig, förmågor som stärker ett företags befintliga fördel och förmågor som öppnar för nya affärsmöjligheter.

Hans hypotetiska exempel med ett flygbolag gör den första kategorin lätt att förstå. Ett flygbolag inför en AI-baserad supportagent och blir effektivare. Konkurrenterna börjar sedan använda liknande verktyg. Det som en kort tid verkade särskiljande blir en branschförväntan, och en del av den ekonomiska nyttan kan konkurreras bort.

Det här är ett välkommet motgift mot att se varje AI-nyhet som ett tecken på ett starkare företag. Jag vill veta vad som fortfarande är särskiljande när konkurrenterna har tillgång till jämförbara verktyg. Ett företag som kombinerar AI med egenutvecklad återkoppling, djup verksamhetskunskap eller ett kundarbetsflöde som är svårt att kopiera har ett mer övertygande svar än ett företag som tillkännager samma automatisering som alla andra kan köpa.

Leta efter operativa ledare som kan omsätta AI i praktiken

Boken är full av praktiska iakttagelser, bland annat om vikten av att satsa på företagsledare som faktiskt kan ta till sig AI. En konkret plan för att förändra arbetsflöden och ansvarsfördelning är betydligt mer övertygande än en presentation som utlovar AI i hela organisationen.

Rob Mays resonemang om intäkternas kvalitet förstärker den här bilden. Betalda pilotprojekt och koncepttester kan ge imponerande siffror i ett tidigt skede, men de bör skiljas från intäkter som kommer från löpande produktionsarbete. Den relevanta frågan är hur stor del av verksamheten som skulle finnas kvar om kunderna slutade experimentera i morgon.

Jag tycker att det här är särskilt värdefullt för grundare. Att vinna ett pilotprojekt är ett framsteg, men att bygga en produkt som blir en del av kundens verksamhet är en annan prestation. Att förstå den skillnaden tidigt kan påverka produktprioriteringar, rekrytering och hur företaget mäter framgång.

Slutbedömning

Min viktigaste slutsats är att den här boken inte enbart bör läsas av investerare. Entreprenörer har lika mycket att vinna på att förstå vad som gör ett AI-företag investeringsbart, hur hållbara fördelar uppstår och vilka fallgropar nystartade företag kan undvika innan de blir kostsamma.

Boken passar bäst som ett ramverk för bedömningar, inte som en lista över aktier att köpa. Dess främsta bidrag är att hjälpa läsarna att bli mer precisa i fråga om varför de tror på ett företag. Exemplen kommer oundvikligen att åldras i takt med att branschen utvecklas; det är vanan att ifrågasätta antaganden som gör boken användbar även på lång sikt.

Investera i AI: sex tankemodeller för att skilja vallgravar från fällor bjuder på det grundläggande tänkande som först fick mig att börja läsa Rob Mays nyhetsbrev. För investerare som försöker skilja en försvarbar affärsverksamhet från en övertygande berättelse, och för entreprenörer som försöker bygga den förstnämnda, är det en tankeväckande och läsvärd bok.