Priya Saiprasad, General Partner på Touring Capital – Intervjuserie

När mjukvara kan utföra arbete förändras produkten, den adresserbara marknaden, prismodellen och ekonomin för företaget som levererar den. Vi ville bygga Touring kring den möjligheten från början.

Vårt fokus är på företag som närmar sig eller visar tidig produkt‑marknadspassning, när den tekniska potentialen börjar omvandlas till kundadoption. Det är ett särskilt avgörande skede inom AI: grundarna bestämmer vilka arbetsflöden de ska äga, hur mycket autonomi kunderna kommer att acceptera, och hur man omvandlar tidig efterfrågan till återkommande tillväxt.

Vi ville också bidra med ett företagsskapande perspektiv baserat på vår erfarenhet av riskkapital, M&A och stora teknikplattformar. Vår ambition är att hjälpa grundare att bygga företag vars konkurrensfördelar fördjupas i takt med att tekniken utvecklas. Det kräver övertygelse om möjligheten och en vilja att ständigt ompröva de underliggande antagandena.

Du har hävdat att några av de största AI‑möjligheterna skiftar bort från att bara bygga större grundmodeller och mot företag som tillämpar AI på specifika industrier. Vad har förändrats teknologiskt eller ekonomiskt för att göra applikationslagret så attraktivt nu?

Modellerna har blivit dramatiskt mer kapabla och tillgängliga, vilket förändrar var entreprenörer kan skapa värde. Du behöver inte längre bygga den underliggande intelligensen från grunden för att skapa något kraftfullt.

Det förflyttar frågan från “Vem har den bästa modellen?” till “Vem kan tillämpa den intelligensen för att lösa ett problem på ett sätt som fundamentalt förändrar ekonomin eller arbetsflödet?”

De mest övertygande företagen placerar inte bara en LLM framför en befintlig mjukvaruprodukt. De använder AI för att ompröva hur arbete utförs. I vissa fall innebär det att automatisera stora delar av ett arbetsflöde. I andra fall innebär det att låta ett mycket mindre team producera avsevärt mer resultat.

Det är där jag tror att nästa våg av värdeskapande kommer att ske: företag som kan ta alltmer kapabel intelligens och omvandla den till en produkt som kunder litar på för meningsfullt arbete.

När du ser över sektorer idag, vilka industrier tror du når en verklig AI‑inflektionspunkt, där AI kan fundamentalt omstrukturera arbetsflöden snarare än bara göra befintlig mjukvara mer effektiv?

Jag är särskilt intresserad av industrier som kombinerar betydande kunskapsarbete, komplexa befintliga arbetsflöden och historiskt låga nivåer av mjukvarupenetration.

Finansiella tjänster, sjukvård, juridik, industri och bilindustri är bra exempel. Dessa branscher har ofta enorma mängder värdefull information och mycket specialiserade arbetsflöden, men en stor del av arbetet är fortfarande fragmenterat, manuellt eller beroende av erfarna personer som flyttar information mellan system.

Möjligheten handlar inte bara om att göra dessa arbetare 10 % mer produktiva. De mer intressanta företagen omdesignar arbetsflödet kring vad AI nu kan göra.

Det kan man se hos företag som Numa, som använder AI‑agenter för att automatisera kundinteraktioner och återförsäljningsverksamhet, och Daloopa, som tillämpar AI på de mycket tidskänsliga data‑ och forskningsarbetsflöden som används av finansinstitut. Den gemensamma nämnaren är en djup förståelse för det underliggande arbetet. AI är kraftfullt, men det eliminerar inte behovet av att förstå den bransch du bygger för.

Touring Capital betonar data‑vallar, produkt‑flyghjul och domänspecifik expertis när de utvärderar AI‑företag. Hur ser ett verkligen försvarbart vertikalt AI‑företag ut, och hur skiljer man det från ett företag vars huvudsakliga fördel bara är att omsluta en tredjeparts stor språkmodell?

Ett verkligen försvarbart AI‑företag blir starkare när det är i drift.

Den underliggande modellen kan förbättras över tid, och ett företag kan byta modell helt, men företagets värde bör inte försvinna bara för att modellen under förändras. Det som räknas är vad företaget äger kring den modellen: kundrelationen, arbetsflödet, den proprietära datan, integrationerna och förtroendet att ta på sig allt viktigare arbete.

En av de saker vi noggrant observerar är om produkten blir mer djupt integrerad över tid. Litar kunderna på den med mer arbete? Ökar användning och resultat kumulativt? Lär sig företaget av sina implementeringar på sätt som förbättrar produkten?

Dessa dynamiker skapar ett mycket starkare företag än att bara ha ett bra gränssnitt ovanpå en tredjepartsmodell. Funktioner kan konvergera mycket snabbt inom AI. Ihållande användning och djupare antagande av arbetsflöden är mycket svårare att replikera.

Allteftersom grundmodeller blir mer kapabla och alltmer standardiserade, stärker det vertikala AI‑företag genom att ge dem billigare intelligens att bygga på, eller skapar det en risk att modellleverantörerna själva absorberar mer av applikationslagret?

Båda dynamikerna kan inträffa samtidigt. Bättre modeller utökar vad applikationsföretag kan leverera, samtidigt som de möjliggör för modellleverantörer att gå djupare in i produkter och arbetsflöden.

Frågan vid due diligence är hur ett företags position förändras när den underliggande intelligensen förbättras. Vi ställer två frågor samtidigt: vad blir möjligt för detta företag med nästa generations modeller, och vilken del av dess nuvarande värdeerbjudande kan bli en standardmodellkapacitet? Det hjälper till att skilja företag som drar nytta av framsteg från företag vars differentiering beror på en tillfällig begränsning.

Vertikala verksamheter kan bygga hållbara positioner genom specialiserade arbetsflöden, kundåtkomst, integrationer, utvärderingssystem och det operativa ansvar de tar på sig. Dessa fördelar kräver kontinuerliga investeringar; domänexpertis i sig är inte ett permanent skydd.

De företag jag finner mest övertygande har en tydlig väg för att ta på sig mer värdefullt arbete när modellerna förbättras. Deras kunder får bättre resultat, deras leverans‑ekonomi stärks, och deras samlade kunskap blir mer användbar. Det är den relation till modellutveckling som vi vill understödja.

Traditionella programvara‑som‑tjänst‑företag har historiskt utvärderats med hjälp av mått som årlig återkommande intäkt, bruttomarginaler, retention och platsutökning. Hur förändrar AI de mått du förlitar dig på, särskilt när inferenskostnader, användningsbaserad prissättning och resultatbaserade affärsmodeller blir viktigare?

ARR, retention och bruttomarginaler är fortfarande viktiga. Problemet är att de på egen hand inte längre ger oss tillräcklig information.

Ett AI‑företag kan växa till tiotals miljoner i ARR otroligt snabbt medan den underliggande användningen inom dess kundbas redan minskar. Kunden kan fortfarande ha ett avtal, men när förnyelsen närmar sig har produkten i praktiken ersatts. Det är vad vi kallar latent churn.

Så vi tittar i allt högre grad under prismodellen och frågar vilket arbete som faktiskt utförs. Ökar antalet arbetsflöden och resultat över tid? Litar kunden på att produkten utför mer arbete? Fortsätter användningen efter den initiala entusiasmen kring implementeringen?

Vi granskar också mycket närmare ekonomin bakom tillväxten. AI‑företag kan ersätta mänsklig personal med automation, men beräkning blir en verklig del av arbetskraften och kostnadsstrukturen. Därför tittar vi på begrepp som arbetsflödesintensitet, effektivitetsmultiplikatorer, intäkt per justerad anställd och kostnadsleverage.

Den större frågan är om tillväxten blir mer hållbar och effektiv över tid. Spektakulär tillväxt och hållbar tillväxt är inte nödvändigtvis samma sak.

Många AI‑agenter designas inte bara för att assistera anställda utan för att fullfölja hela arbetsflöden autonomt. Hur förändrar det marknadsmöjligheten för företagsprogramvara, och kan AI‑företag så småningom ta en del av de arbetskraftsbudgetar som historiskt har legat utanför programvaruutgifter?

Jag tror att detta är en av de viktigaste förändringarna inom företagsprogramvara.

Historiskt sett såldes mjukvara i stor utsträckning som ett verktyg som hjälpte en anställd att utföra sitt arbete. Den anställde förblev ansvarig för att producera arbetet, och mjukvarubudgeten var separerad från lönekostnadsbudgeten.

AI förändrar den ekvationen eftersom mjukvara alltmer kan utföra delar av jobbet själv.

Det utökar marknadsmöjligheten avsevärt. Du säljer inte längre bara ett produktivitetsverktyg ur en IT- eller mjukvarubudget. Om en produkt på ett tillförlitligt sätt kan ta ansvar för meningsfullt arbete och leverera ett mätbart resultat, kan den även potentiellt fånga värde från lönekostnadsbudgetar.

Den viktiga distinktionen är mellan en AI-assistent och ett AI-system som kunderna litar på för att faktiskt utföra uppgifterna. Det sistnämnda har potential att bli mycket mer värdefullt, men det måste också visa verklig pålitlighet, ansvarstagande och ekonomisk hållbarhet. Kunderna kommer i slutändan inte bry sig om hur sofistikerad AI:n är om produkten inte konsekvent kan leverera det resultat den lovat.

Du sitter för närvarande i styrelserna för företag inklusive Numa och Daloopa, som tillämpar teknik på mycket olika vertikaler såsom fordonsoperationer och finansiella data. Vad har dessa företag lärt dig om vad som krävs för att framgångsrikt introducera AI i industrier med djupt etablerade arbetsflöden och domänexpertis?

Den största lärdomen är att AI inte eliminerar vikten av domänexpertis. På många sätt gör den den ännu viktigare.

För att framgångsrikt introducera AI i en etablerad bransch måste du förstå arbetsflödet tillräckligt djupt för att veta var automatisering faktiskt skapar värde och var mänskligt omdöme fortfarande är viktigt. Du måste också förstå hur kunderna kommer att anta produkten, hur den passar in i deras befintliga system och AI-adoptionscykel, samt vad som krävs för att vinna deras förtroende.

Numa och Daloopa verkar i mycket olika marknader, men båda är djupt kopplade till det specifika arbete som deras kunder behöver utföra. De mest framgångsrika vertikala AI-företagen börjar inte med ”Var kan vi placera AI?” utan med ett meningsfullt problem eller arbetsflöde och omformar sedan detta kring vad AI nu kan göra.

Det är också därför jag tror att domänexpertis kan bli en betydande fördel över tid. Ju djupare du förstår arbetet, desto effektivare kan du bygga en produkt som kunderna är villiga att förlita sig på.

Tourings senaste investeringar omfattar både domänspecifika applikationer och möjliggörande AI-infrastruktur. Hur tänker du kring balansen mellan att investera i applikationslagret kontra den infrastruktur som krävs för att driva det, och var tror du att den större möjligheten för riskkapitalavkastning på skala finns idag?

Vi ser inte möjligheten som uteslutande existerande i ett enda lager av stacken. Vi fokuserar på var viktiga flaskhalsar uppstår och var ett företag kan bygga en meningsfull position när AI-adoptionen skalar.

På applikationssidan är vi entusiastiska över företag som kan omvandla AI till mätbart ekonomiskt värde genom att äga viktiga arbetsflöden och leverera verkliga resultat. På infrastruktursidan är vi intresserade av de företag som löser de begränsningar som avgör om AI faktiskt kan distribueras effektivt i stor skala.

Våra investeringar i företag som Infinity och Parasail speglar detta. Det ena adresserar mjukvaruchallenge att göra olika AI-chip redo att köra moderna modeller, medan det andra hjälper utvecklare att distribuera och skala AI-arbetsbelastningar utan att själva behöva hantera den underliggande infrastrukturen.

Den bättre möjligheten bestäms inte nödvändigtvis av om ett företag befinner sig inom applikationer eller infrastruktur. Den avgörande frågan är om företaget löser ett viktigt och hållbart problem med potential att bli allt mer värdefullt i takt med att AI-marknaden utvecklas.

Med enorma mängder kapital som nu är koncentrerade kring ett relativt litet antal frontier AI-företag, var tror du att investerare fortfarande underskattar möjligheten, och vilka AI-inhemska kategorier eller affärsmodeller får mycket mindre uppmärksamhet än de förtjänar?

Ett område som jag finner särskilt intressant är mitten av marknaden.

Just nu har riskkapital blivit alltmer barbellat. Det finns enormt intresse för lovande företag i de tidigaste stadierna, särskilt de med exceptionella team och övertygande teknik. Det finns också betydande kapital tillgängligt för de allra största, mest beprövade företagen.

Men mitten, särskilt de traditionella Serie B- och C-stadierna, har blivit mycket svårare.

AI har komprimerat förväntningarna. Företag kan nu gå från noll till meningsfull intäkt snabbare än någonsin tidigare, vilket har höjt ribban avsevärt när ett företag börjar generera intäkter. Tillväxt som skulle ha betraktats som extraordinär för några år sedan kanske inte längre sticker ut på dagens marknad.

Det skapar både risk och möjlighet.

Vissa företag pressas att optimera för vad fundraising‑marknaden vill ha vid ett givet tillfälle: 5‑faldig tillväxt, 10‑faldig tillväxt, ett visst intäktsmål, oavsett om den utvecklingen skapar ett hållbart företag. Marknaden kan förändras dramatiskt på sex till nio månader, så grundarna måste vara försiktiga så att de inte bygger enbart för förväntningarna inför nästa finansieringsrunda.

För investerare tror jag att det finns en verklig möjlighet att identifiera företag som har starka underliggande fundament men som inte passar in i dagens marknads extremer. Utmaningen är att vara tillräckligt disciplinerad för att skilja hållbar tillväxt från ett företag som bara dras framåt av den nuvarande AI‑finansieringscykeln.

Tack för den fantastiska intervjun, läsare som vill lära sig mer om detta riskkapitalföretag bör besöka Touring Capital.