Shomik Ghosh, Partner på Sierra Ventures – Intervju-serie

Shomik Ghosh är en partner på Sierra Ventures. Han var tidigare partner på Boldstart Ventures, där han fokuserade på att investera i tekniska grundare som bygger produkter för att lösa företagsproblem, såsom Cloudquery, Kiln AI och Noded AI. Innan dess var han en tillväxtinvesterare på Top Tier Capital, som investerade från serie B till före IPO, såsom CircleCI, Anaplan och Shape Security.

Sierra Ventures är ett riskkapitalbolag i tidig fas som fokuserar på att stödja innovativa företag och djup teknologi-startups. Företaget investerar primärt i seed- och serie A-faser över områden som artificiell intelligens, cybersäkerhet, företagsinfrastruktur och molnteknologier. På senare tid har Sierra Ventures lagt särskild tonvikt på tidiga AI-investeringar, som stöder företag som bygger grundläggande AI-plattformar, maskinlärningsinfrastruktur, autonoma system och företags AI-applikationer. Genom sin investeringsstrategi och nätverk av erfarna branschrådgivare hjälper företaget framväxande teknologiföretag att finslipa produktstrategin, skala upp verksamheten och påskynda antagandet av avancerade AI-lösningar inom branscherna.

Du har gått från tillväxtinvesterare på Top Tier Capital Partners till att leda tidiga AI-investeringar på Sierra Ventures, efter att ha stöttat framgångsrika företag på Boldstart Ventures. Hur har den resan format ditt sätt att skilja på gränsöverskridande AI och tillämpad AI idag?

Mycket har förändrats under den tiden. AI är en massiv möjliggörande förändring som har trängt in i branscherna snabbare än tidigare tekniska paradigmförändringar, eftersom AI står på axlarna av tidigare förändringar. Molnberäkning, PC/enhetsenheter och varje tidigare AI-förbättring har gett byggstenarna för modern AI att spridas snabbt. Detta är också varför effekten känns så snabb och plötslig, med drastiska förändringar som sker på aktiemarknaden och till och med påverkar modern krigföring. Vad vi letar efter är grundare som tar ett steg in i framtiden. De omfamnar alla risker med att bygga funktioner och kapaciteter för en värld som ännu inte existerar, men som kan imponera på kunder med aldrig tidigare skådade resultat och möjliggöra snabbare tillväxt. Både i gränsöverskridande AI och tillämpad AI finns detta, från robotik till vertikala AI-applikationer.

På ett praktiskt sätt, hur definierar du “gränsöverskridande AI” kontra “tillämpad AI” när du utvärderar tidiga startups, och var ser du de största missförstånden i hur dessa kategorier diskuteras i den bredare AI-berättelsen?

Gränsöverskridande AI innebär att man använder teknologi för att tackla problem på gränsen till vad som är möjligt. Hittills har vi inte haft robotar som meningsfullt har möjliggjort bransch utanför lager, vi har inte haft nya halvledarchip eller glasögon designade med hjälp av ny laser-teknik och råmaterial. Tillämpad AI innebär att man använder teknologi för att tackla problem som är kända idag men som tidigare inte var möjliga att lösa i samma utsträckning. Ett bra exempel är röstassistenter där företag som Smallest AI hjälper kunder att leverera mänskliga chattupplevelser och leverera resultat till kunder snarare än en produkt som hjälper till att uppnå resultatet. Detta är en viktig förändring som tillämpad AI för med sig till branscherna.

Från din utgångspunkt att arbeta nära grundare över modellinnovation, robotik och vertikal AI, var sker de mest meningsfulla genombrotten just nu?

Genombrotten sker överallt! AI-kodgenerering möjliggör snabbare produktcykler än tidigare. Modeller levererar nya kapaciteter med minneshantering och RL-miljöer anpassade för olika användningsfall, så att hallucinationer minskar snabbt medan noggrannheten för kunskapsarbete förbättras exponentiellt. Allt detta bygger på varandra. Inom robotik ser vi tidiga tecken på att skalningslagar fungerar precis som i LLM. Detta är ett stort genombrott, eftersom LLM tidigare främst var baserade på text eller bilder, men nu visar modeller som tränats på den fysiska världen som måste förstå fysik liknande skalningslagar. Nya artiklar som den om rekursiva LLM visar hur modeller kan förbättra sig själva genom att arbeta tillsammans. Vi ser system 1 och 2 modellstrukturer börja dyka upp som liknar dynamiken i hjärnan. Domänspecifika modeller blir lättare att träna och destillera från gränsöverskridande OSS-resonemodeller för att hjälpa vertikal AI-byggare att leverera bättre resultat till kunder.

När du bedömer ett tidigt AI-företag, hur balanserar du teknisk nyhet mot produkt-marknadsanpassning och verklig kundtraktion?

Till slut är teknisk nyhet i sig oftast mer användbar för forskningsfältet. I grundmodellerna till exempel kan teknisk nyhet faktiskt leda till ett genombrott som sedan presenterar en ny skalningsvertikal. Men för de flesta startups är teknisk nyhet ett medel för att uppnå ett bättre resultat för kunder. Startup-grundare bör inte bygga något bara för att det är tekniskt svårt att bygga, utan snarare som ett resultat av att bygga på det sättet, leder det till bättre kundresultat och även en bättre vallgrav runt företaget som gör det svårare för andra att kopiera. I AI-kodgenereringens tidevarv kan mycket av den tekniska nyheten snabbt brytas, så alltmer handlar det om att förstå resultatdriven ingenjörskonst kontra bara ren teknisk ingenjörskonst.

Bortom tekniken i sig, vad letar du specifikt efter i en grundare som bygger ett AI-företag i de tidigaste stadierna?

Vi vill se grundare som bygger för framtiden som ännu inte har hänt. De gör beräknade vadslagning på agenter, modeller och hårdvaruförbättringar som sannolikt kommer att hända inom den närmaste framtiden och bygger produkter som kan dra nytta av det. Sedan vill vi att grundaren ska förklara varför den framtiden kommer att hända och varför bygga för den framtiden nu kommer att förbättra kundernas liv 10 gånger i framtiden genom att förbereda sig för det nu. Vi vill också ha grundare som helt omfamnar AI. Om du inte använder Cursor, Codex, Claude Code för att experimentera och lära, är det svårt att föreställa sig framtiden med tanke på den takt med vilken dessa produkter förbättrar programvaruuniversumet. Dessa förändringar har en nedströms effekt på hårdvaruuniversumet, eftersom hårdvara och programvara alltmer är tätt integrerade för att möjliggöra autonomt beslutsfattande av hårdvaran för att leverera bättre kundresultat.

Vilka signaler tyder på att ett tekniskt ambitiöst AI-företag har potentialen att utvecklas till ett skalbart, företagsklart företag snarare än att förbli ett forskningsdrivet företag?

Vanligtvis har grundare som har startat i ett forskningsdrivet företag ett slutmål i sikte. De kan vilja fortsätta att bedriva forskning för att främja fältet, men de förstår också att kommersialisering av den tillämpade forskningen hjälper till att ge bränsle för dessa framsteg. Så vi försöker förstå hur en grundare som för närvarande är i forskningsläge tänker på tillämpningarna av den forskningen och vilka hypoteser de har för att testa forskningens framsteg i världen längs vägen för att minska riskerna i forskningsstadiet.

För grundare som bygger högt tekniska plattformar utan omedelbar intäkts synlighet, hur bör de strukturera milstolpar och investerarsamtal annorlunda än startups med tydligare nära tid intäktsvägar?

Mycket svårt att säga. Varje startup har unika aspekter. Ett robotföretag kan inte ha intäkts synlighet under lång tid, men milstolpar längs vägen kunde vara framväxande kapaciteter, skalningslagar i modeller, handlingar som tidigare inte var möjliga att förekomma. Inom AI-infrastruktur kan det vara att leverera till 2-3 designpartners en produkt som ger resultat som team är glada att använda och villig att ta chansen att använda produkten i produktion, även om det är tidigt. Inom vertikal AI har du vanligtvis en tydligare nära tid intäktsväg, eftersom om du levererar ett kundresultat i en vertikal som löser ett stort smärtproblem, är kunder villiga att betala för det vanligtvis omedelbart.

Det har varit en betydande momentum kring startups som bygger AI-agenter – vad är din syn på de långsiktiga framgångsmöjligheterna för företag som fokuserar primärt på autonoma agenter inom företagsmiljöer?

Jensen Huang från Nvidia (NVDA ) sa att Openclaw var ChatGPT-ögonblicket för den agentbaserade eran. Jag tycker att det säger allt. Tidsplanen för agenter inom företaget är inte längre en långsiktig satsning, utan en som snabbt kommer att förverkligas, oavsett om företagen vill det eller inte, eftersom datoranvändning, webbläsare och personliga agenter sprider sig genom organisationen från botten och upp. Erans är här, företagen kommer att anta agenter i alla aspekter av organisationen och de kommer att behöva styrning, säkerhet, övervakning, infrastruktur, beräkning och datajärnvägar för att betjäna allt detta.

Vilka mönster ser du i de typer av AI-grundare eller domäner som lockar till sig bestående investerarförtroende kontra de som kan överindexera på berättelsen?

Jag tycker att det finns för många områden av möjligheter för grundare att bygga i samma områden. Legal tech som Harvey, Legora, Eudia har alla gjort bra, men fortfarande finns det nya företag som kommer ut varje dag inom detta område. Mitt budskap till grundare är att AI är en massiv möjliggörande förändring. Det påverkar varje aspekt av världen. Med tanke på det är ytan av produkter att bygga och problem att lösa obegränsad. Tänk större än att bara följa efter ett framgångsrikt företag som du har sett samla in mycket pengar. Vi kan använda AI för att leverera livsförändrande resultat, och jag skulle uppmuntra grundare att lägga mer tid på att tänka på problem de skulle älska att lösa och sedan arbeta bakåt för att se hur AI kan hjälpa till att lösa dem.

Om du ser framåt, hur förväntar du dig att tidiga AI-företagsbyggnad kommer att utvecklas under de kommande fem åren, när kapaciteterna mognar och marknaderna stabiliseras?

Jag är inte säker på att “marknadsstabilisering” är en term jag skulle använda. Jag tycker att AI förbättras exponentiellt och som ett resultat kommer det att finnas mycket omvälvning. Men omvälvning skapar oändliga möjligheter, och tidiga företagsbyggnad går in i en av de mest dynamiska erorna vi har sett på senare tid. Vi glömmer, men företag som OpenAI och Anthropic är mindre än ett decennium gamla och är redan ansedda som mega-techföretag. Det finns ett fönster av tid när kapaciteterna expanderar snabbt för att bygga så många massiva företag. Det är en av de mest spännande tiderna i tech som jag har upplevt i mitt liv.

Tack för det underbara samtalet, entreprenörer som vill lära sig mer kan besöka Sierra Ventures.