Jonathan Horn, VD och medgrundare av Treefera – Intervju-serie

Jonathan Horn, VD och medgrundare av Treefera, är en teknikentreprenör och tidigare investmentbankir med djup kunskap inom riskhantering, artificiell intelligens och storskalig dataanalys. Innan han grundade Treefera 2022 hade han ledande roller på både J.P. Morgan och Citigroup, där han fokuserade på risk, data och komplexa finansiella system. Med sin bakgrund inom finansiell riskmodellering lanserade Horn Treefera för att tackla en av de mest bestående blind fläckarna i globala leverantörskedjor: “första milen”, där råvaror härrör. Under hans ledning har företaget snabbt vuxit till en ledande leverantör av AI-driven leverantörskedjeintelligens, som hjälper företag att få realtidsöversikt över inköp, miljörisker, regelefterlevnad och operativ motståndskraft.

Treefera grundades i London 2022 och är ett AI-aktiverat företag för leverantörskedjeintelligens som fokuserar på att bringa transparens till den första milen av globala råvaruleverantörskedjor. Deras proprietära datastruktur kombinerar satellitbilder, spatiala och tidsmässiga data, AI-modeller och riskanalys för att ge organisationer realtidsinsikt i inköp, regelefterlevnad, hållbarhet och leverantörskedjerisk. Plattformen hjälper företag att övervaka allt från avskogningsexponering och koldioxidpåverkan till råvarurisker, vilket möjliggör mer informerade beslut över inköp, finans och drift. Genom att omvandla fragmenterad miljö- och leverantörskedjedata till agerbar intelligens syftar Treefera till att stärka leverantörskedjeresiliens i en alltmer volatil och reglerad global ekonomi

Du grundade Treefera efter seniora roller inom risk, AI och dataanalys på J.P. Morgan och Citi. Vilken specifik lucka såg du i hur företag förstod jordbruks- och mjuka råvarorisker som övertygade dig om att Treefera behövde existera?

Naturbaserade råvaror representerar 2,1 biljoner dollar i global handel, men datan som ligger till grund för riskbedömning för dessa tillgångar var manuell, försenad och strukturellt inkorrekt. När jag arbetade med riskmodeller på J.P. Morgan och Citi såg jag pris- och exponeringsbeslut som byggde på data som samlades in för hand, var benägen för utelämnande och ofta veckor eller månader efter verkligheten. Sextio procent av leverantörskedjerisken uppstår vid den första milen, innan råvaror når en hamn eller en börs, men det var just där synligheten var som tunnast.

Det som övertygade mig att bygga Treefera var konvergensen av två saker: omfattningen av problemet och ankomsten av verktyg som kunde hantera det. Satellitupplösning och täckning hade nått en punkt där man kunde observera skördemönster på fältets nivå över stora produktionsområden till minimal kostnad. AI hade mognat till den punkt där den kunde omvandla den råa signalen till något finansiellt tolkningsbart. Ingen kopplade dessa punkter på ett rigoröst, vetenskapligt sätt. Företag var fortfarande baserade på regeringsrapporter som försenade marknadsförhållandena med månader, nationella genomsnitt som maskerade lokala variationer och linjära modeller som inte kunde hantera klimatvolatilitet. Gapet mellan vad som var känt och vad som var möjligt att veta var enormt. Det gapet är där Treefera befinner sig.

Treefera beskrivs ofta som en AI-aktiverad intelligensplattform, men er tillvägagångssätt är uttryckligen inte centrerat kring LLM. Hur förklarar du skillnaden mellan prediktiv AI för leverantörskedjor och de generativa AI-system som för närvarande dominerar samtalet?

Generativ AI och stora språkmodeller löser ett fundamentalt annorlunda problem. De är produktivitetsverktyg: oerhört användbara för att förenkla upprepade uppgifter, som utkast och sammanfattningar. Den kommersiella utmaningen för dessa system är antagande, att få människor att ändra hur de arbetar. Det är ett marknadsutbildningsproblem, inte ett vetenskapligt.

Treefera använder AI för att lösa vetenskapliga problem med finansiell kvalitetskrav. Våra djupa inlärningsmodeller är utbildade för att tolka satellitbilder, klimatsignaler och skördibiologi för att producera skörde- och produktionsområdesprognoser som är tillräckligt exakta för att informera kapitalallokeringsbeslut. Frågan vi besvarar är inte “vad säger detta dokument?” Det är “vad kommer denna region att ge på tre månader, och hur säker bör du vara?” Dessa är inte samma klass av problem och de kräver inte samma klass av modell. LLM är optimerade för språk; våra modeller är optimerade för fysisk världstolkning. Att blanda ihop dem leder till att man använder fel verktyg för ett problem det inte är byggt för.

Många AI-företag hävdar att bättre prestanda kräver mer beräkning, större modeller och större tillgång till GPU:er. Treefera verkar utmana den antagandet. Vad betyder “återhållsam beräkning” i praktiken, och varför är det viktigt för tillämpad AI?

Den rådande antagandet inom AI är att skala motsvarar prestanda: fler parametrar, fler GPU:er, mer molninfrastruktur. För tillämpad AI i domänspecifika sammanhang är den antagandet fel, och det producerar onödig kostnad och energiavfall.

Återhållsam beräkning, i praktiken, betyder tre saker för oss. Först kopplar vi loss beräkning från tid. De flesta av våra bearbetningsuppgifter behöver inte ske vid en specifik sekund. Istället för att köra alltid-på-infrastruktur identifierar vi perioder med överskottsnätverkskapacitet och lånar beräkningskraft under dessa fönster.

Andra, vi decentraliserar arbetsbelastningar. Istället för att dirigera allt genom en enda molnhubb distribuerar vi över ett nätverk av tillgängliga noder, inklusive blockchain-infrastruktur, som bär signifikant ledig kapacitet vid vissa perioder. Om en nod blir ineffektiv dirigeras uppgifter dynamiskt om.

Tredje, vi rättar storleken på hårdvaran. Vi använder NVIDIA (NVDA ) AG6 istället för toppklasschips, där prestandan är ekvivalent för våra arbetsbelastningar till en bråkdel av energi- och kostnaden. Anledningen till att detta är viktigt bortom effektivitet är precision. Återhållsam beräkning tvingar disciplin kring vilken beräkning du faktiskt behöver. Det producerar smalare, mer tolkningsbara modeller – den typ av finansiella och operativa beslutsfattare faktiskt kan använda. De behöver inte en större modell; de behöver ett mer exakt svar.

Ert plattform rapporteras leverera prediktiva utdata om skördeavkastning, markanvändning och leverantörskedjerisk utan att förlita sig på alltid-på-molninfrastruktur. Hur kopplar ni loss beräkning från tid samtidigt som ni levererar kommersiellt användbar, nära realtidsintelligens?

Nära realtidsintelligens och kontinuerlig beräkning är inte samma sak. Våra kunder behöver veckouppdaterade prognoser; de behöver inte den beräkning som genererar dessa prognoser för att köra kontinuerligt.

Vi kartlägger våra bearbetningscykler till den naturliga rytmen i datan. Satellitbilder anländer på en kadens. Väderinmatningar uppdateras på en kadens. De analytiska frågorna våra modeller besvarar är också kadensdrivna: vad är skördeutvecklingen för denna region, vad har förändrats denna vecka i planterad yta. Så vi förplanerar beräkningsjobb för att köra mot dessa datafönster, lånar kapacitet från distribuerad infrastruktur under låg efterfrågeperioder. Utdata till kunden är en veckodatafeed som är aktuell, agerbar och modellklar. Infrastrukturen bakom den körs bara när det finns något meningsfullt att bearbeta. Den arkitekturen är också mer motståndskraftig. En distribuerad arbetsbelastning som dirigerar runt felaktiga noder är mer tillförlitlig än en ensam alltid-på-server med en enda felaktig punkt.

Jordbruks- och mjuka råvarumarknader förlitar sig fortfarande tungt på försenade, undersökningar eller fragmenterade data. Hur förändrar AI sättet företag, banker, försäkringsbolag och handlare kan bedöma risk innan den blir synlig i officiella rapporter?

Det strukturella problemet med undersökningar är att de är bakåtblickande av design. När en regeringsbyrå publicerar en leverantörsuppskattning är de fysiska förhållandena som ligger till grund för den veckor eller månader gamla.

AI förändrar detta genom att skifta informationskällan från undersökningar till direkt observation. Satellitbilder, klimatsignaler och skördedata är tillgängliga nu, inte om sex veckor när en rapport sammanställs och publiceras. Vad våra modeller gör är att översätta den fysiska datan till det finansiella språk som handlare, underwriters och analytiker faktiskt använder: skördeprognoser med angivna osäkerhetsintervall, produktionsområdesuppskattningar med veckouppdateringar, stresspoäng som kvantifierar risk vid ursprung innan den yppar sig i priser.

År 2022 flaggade våra US-majsmodeller en nedåtriktad revidering fem veckor innan USDA publicerade sin. I januari 2025 yppade våra modeller en stresspoäng på 0,76 över Ghanas kakaobälte; COCOBOD reviderade inte sin säsongprognos förrän i juni. Informationsfördelen är inte marginal; den är strukturell. Företag som fortfarande väntar på officiella rapporter för att fatta leverantörs- och prissättningsbeslut opererar med en fördröjning som deras motparter kanske inte delar.

“Första milen” av leverantörskedjor har historiskt sett varit en av de minst transparenta områdena för globala företag. Varför blir första milens synlighet så kritisk nu, särskilt när klimatvolatilitet, reglering och geopolitisk osäkerhet ökar?

Tre krafter konvergerar och var och en är individuellt betydande.

Klimatvolatilitet ökar frekvensen och allvarlighetsgraden av produktionschocker vid ursprung. Samma väderhändelse har nu en större leverantörsrisk eftersom skördessystem är mer stressade och extrema händelser är mindre förutsägbara från historiska genomsnitt. Linjära riskmodeller byggda på historiska normer är strukturellt olämpliga för att hantera detta. Du behöver realtidsfysisk observation för att se vad som faktiskt händer på fältet.

Reglering skapar en direkt ansvarslänk mellan vad som händer vid den första milen och vad ett företag kan sälja eller finansiera. EUDR, CSRD, TCFD: dessa ramverk kräver att företag vet, med bevis, var deras råvaror kommer ifrån och vad förhållandena vid ursprung var. “Vi litade på leverantören” är inte längre en försvarbar position. Detta ansvar tvingar spårbarhet och ursprung från en inköpspreferens till en laglig krav.

Geopolitisk störning har gjort enkelursprungsberoende till en styrelserisk. När en region står för en dominant andel av en råvaras globala leverantör och den regionen blir politiskt eller fysiskt otillförlitlig, har företag utan första milens synlighet ingen tidig varning. De upptäcker det när marknaden redan har omprissat.

Det finns också en bredare förändring som sker i dataekosystemet i sig. Google (GOOGL ) Earth AI:s nyliga lansering av pan-tropiska råvarukartor – årliga 10-metersskördeavtryck för kakao, kaffe, oljepalm och gummi, släppt som öppen data – är en användbar indikator på vart saker är på väg. Den fysiska världen är alltmer läsbar från rymden, och kraven på leverantörskedjetransparens är nu mainstream nog att locka storteknikinvesteringar i stor skala. Treefera välkomnar detta. En rikare grundläggande datalager höjer golvet för hela marknaden och skapar en gemensam medvetenhet om att bättre information inte bara är möjlig, den är tillgänglig.

Vad öppna upptäcktskartor inte kan göra är att stänga intelligensgapet. Att veta var skördar är planterade är inte detsamma som att veta hur denna säsong utvecklas, vad förhållandena vid ursprung betyder för er leverantörsrisk eller var er portfölj är i fara. Översättningen från observation till finansiell kvalitetsinsikt är vad Treefera är byggt för.

Första milens okunskap var tidigare kommersiellt tolerabel när världen var mer förutsägbar. Den är det inte längre.

Er kundbas inkluderar stora organisationer som JP Morgan, Microsoft (MSFT ), Bayer och Anew. Vilka är de vanligaste problemen företag försöker lösa med Treefera: regelefterlevnad, leverantörskedjerisk, prognostisering, hållbarhet, inköp eller något annat?

Det centrala problemet företag kommer till oss med är en version av samma sak: de har betydande finansiell exponering för vad som händer vid den första milen av jordbruks- och mjuka råvaruleverantörskedjor och ingen tillförlitlig mekanism för att se det innan det kostar dem. Den specifika ramen skiljer sig åt beroende på sektor.

För handlare och råvaruexponerade finansiella institutioner är frågan informationsfördel: se leverantörsskift innan de syns i priser eller officiella data. För jordbrukslån och försäkringsgivare är det riskbedömning; de tecknar eller finansierar verksamheter vars prestation direkt styrs av förhållanden de inte kan observera. För företag med hållbarhets- eller regelefterlevnadsåtaganden är frågan bevis: bevisa, med försvarbara data, att deras leverantörskedjor möter de standarder som regulatorer och motparter nu kräver.

Det traditionella svaret – lita på leverantören, vänta på regeringsrapporten, köp konsensusuppskattningen – är inte längre tillräckligt. Precisionen och hastigheten de behöver finns inte i den offentliga dataekosystemet. Den finns vid den första milen.

Treefera har rapporterat 6x år-över-år-tillväxt, noll omsättning och en överskriven serie B på två år. Vad antyder den här nivån av antagande om företagskrav på AI-system som är precisa, effektiva och operativt grundade snarare än bara storskaliga?

Noll omsättning är det mest talande signalen. Intäktsökning kan reflektera kommersiell genomförande; noll omsättning reflekterar produkt-marknadsanpassning. Kunder som har använt datan för en hel säsong, backtestat den mot sina egna modeller och fattat beslut baserat på den, och sedan förnyat, berättar för er att signalen är äkta och att den förändrar hur de opererar.

Det pekar också på betydande outnyttjad företagskrav på AI som är precisa, granskbara och operativt integrerbara – krav som underskattas av ett landskap som är tungt viktat mot generativa verktyg och storskaliga allmänna modeller. Leverantörskedje- och riskproffs behöver en prognos med ett angivet osäkerhetsintervall som de kan stå bakom i en riskkommitté. När den ribban är uppfylld – domänspecifik data, finansiell kvalitet, transparent metodik – prioriterar företag det. Den överskrivna finansieringen reflekterar investerarerkännande av samma dynamik: marknaden är stor, problemet är strukturellt och den befintliga datainfrastrukturen var inte byggd för att lösa det.

Om vi ser framåt, tror du att den nästa fasen av tillämpad AI kommer att definieras mindre av modellskala och mer av operativ effektivitet, domänspecifik data och mätbara affärsresultat?

Ja, och bevisen för det är redan synliga.

Storskalig AI börjar nå gränserna för vad råskala kan lösa. Att lägga till parametrar förbättrar inte en skördeprognos om den underliggande datan är grov, försenad eller geografiskt felaktig. Den marginala värdet av beräkning minskar när flaskhalsen är datakvalitet och domänspecifikhet, inte modellstorlek.

Den nästa fasen kommer att definieras av domänspecifik utbildningsdata, rätt storleksmodeller och verifierbara utdata. I sektorer som jordbruk, finans och leverantörskedja, där beslut har finansiella och operativa konsekvenser, har frågan aldrig varit “hur stor är modellen?” Det har varit “hur tillförlitlig är svaret och hur snabbt kan jag agera på det?” Skala ensam kan inte besvara det. Företagen som kommer att leda inom tillämpad AI under de närmaste fem åren kommer att ha byggt proprietära datapipeliner in i den fysiska världen, tränat modeller på den datan med lämplig vetenskaplig rigor och demonstrerat mätbar precision i realtid. Teknologin blir alltmer en kommoditet; datan och domänkompetensen är inte det.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Treefera.