Shomik Ghosh, Partner på Sierra Ventures – Intervjuserie

Shomik Ghosh är en partner på Sierra Ventures. Tidigare var han 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 börsnotering, såsom CircleCI, Anaplan och Shape Security.

Sierra Ventures är ett riskkapitalbolag i tidig fas som fokuserar på att stödja innovativa företag och djup teknik-startups. Företaget investerar främst i seed- och serie A-faser inom områden som artificiell intelligens, cybersäkerhet, företagsinfrastruktur och molnteknik. Under de senaste åren har Sierra Ventures lagt särskild tonvikt på tidiga AI-investeringar, som stödjer företag som bygger grundläggande AI-plattformar, maskinlärningsinfrastruktur, autonoma system och företags AI-applikationer. Genom sin investeringsstrategi och nätverk av erfarna branschrådgivare hjälper företaget framväxande teknikföretag att förbättra sin produktstrategi, skala upp verksamheten och påskynda antagandet av avancerade AI-lösningar inom branscherna.

Du har gått från tillväxtinvesteringar på Top Tier Capital 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 frontier AI och applied AI idag?

Mycket har förändrats under den tiden. AI är en enorm möjliggörande förändring som har trängt in i branscherna snabbare än tidigare tekniska paradigmförändringar, eftersom AI står på axlarna av tidigare förändringar. Molnteknik, PC/mobila enheter och varje tidigare AI-förbättring har gett byggstenarna för modern AI att spridas snabbt. Det är också varför effekten känns så snabb och plötslig, med drastiska förändringar 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 Frontier och Applied AI finns detta, från robotik till vertikala AI-applikationer.

I praktiska termer, hur definierar du “frontier AI” jämfört med “applied AI” när du utvärderar tidiga startups, och var ser du de största missförstånden i hur dessa kategorier diskuteras i den bredare AI-berättelsen?

Frontier AI innebär att man använder tekniken för att tackla problem på gränsen till vad som är möjligt. Hittills har vi inte haft robotar som meningsfullt har möjliggjort industri utanför lager, vi har inte haft nya halvledarchip eller glasögon designade med hjälp av ny laser-teknik och råmaterial. Applied AI innebär att man använder tekniken 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 Applied AI för med sig till branscherna.

Från din utsiktspunkt, där du arbetar 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 till olika användningsfall, så att hallucinationer minskar snabbt medan noggrannheten för kunskapsarbete förbättras exponentiellt. Allt detta förstärker varandra. Inom robotik ser vi tidiga tecken på att skalningslagar fungerar lika bra 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 Recursive 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 frontier OSS resonemodsmodeller för att hjälpa vertikala 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 vanligtvis 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 slutmål, nämligen att leverera 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 också en bättre vallgrav runt verksamheten som gör det svårare för andra att kopiera. I AI-kodgenereringens tidevarv kan teknisk nyhet snabbt överbryggas, så alltmer handlar det om att förstå resultatdriven ingenjörskonst snarare än bara teknisk ingenjörskonst.

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

Vi vill se grundare som bygger för en framtid som ännu inte har hänt. De gör kalkylerade insatser på agenter, modeller och hårdvaruförbättringar som sannolikt kommer att ske 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 ske 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 startat ett forskningsdrivet företag ett slutmål i sikte. De kan vilja fortsätta 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 kring 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 intäktsyn, hur bör de strukturera milstolpar och investerarsamtal annorlunda än startups med tydligare nära tidperspektiv för kommersialisering?

Mycket svårt att säga. Varje startup har unika aspekter. Ett robotföretag kan inte ha intäktsyn i lång tid, men milstolpar längs vägen kunde vara framväxande kapaciteter, skalningslagar i modeller, handlingar som tidigare inte var möjliga. Inom AI-infrastruktur kan det vara att leverera till 2-3 designpartners en produkt som ger resultat som team är glada över och vill ta chansen att använda produkten i produktion, även om det är tidigt. Inom vertikal AI har du vanligtvis en tydligare nära tidsperspektiv för kommersialisering, 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 funnits en betydande momentum kring startups som bygger AI-agenter – vad är din syn på den långsiktiga framgångspotentialen för företag som fokuserar primärt på autonoma agenter inom företagsmiljöer?

Jensen Huang från Nvidia 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 insats, utan en som snabbt förverkligas, oavsett om företagen vill det eller inte, eftersom datoranvändning, webbläsare och personliga agenter sprids genom organisationerna, börjande med underifrån-användning. Agent-eran är här, företag kommer att anta agenter i varje aspekt av organisationen, och de kommer att behöva styrning, säkerhet, övervakning, infrastruktur, beräkning och data-räls för att betjäna allt detta.

Vilka mönster ser du i typer av AI-grundare eller domäner som lockar till sig varaktig investerarförtroende, jämfört med de som kanske överbetonar berättelsen?

Jag tycker att det finns för många områden med möjligheter för grundare att bygga inom samma områden. Legal tech som Harvey, Legora, Eudia har alla gjort bra, men ändå kommer det nya företag ut varje dag inom detta område. Mitt budskap till grundare är att AI är en enorm möjliggörande förändring. Den påverkar varje aspekt av världen. Med tanke på det är ytan av produkter att bygga och problem att lösa oändlig. 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 vilja lösa och sedan arbeta bakåt för att se hur AI kan hjälpa till att lösa dem.

Om du blickar framåt, hur förväntar du dig att tidig AI-företagsbyggnad kommer att utvecklas under de närmaste fem åren, medan kapaciteter mognar och marknader 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 tidig företagsbyggnad är på väg in i en av de mest dynamiska era vi har sett på senare tid. Vi glömmer, men företag som OpenAI och Anthropic är mindre än ett decennium gamla och anses redan vara mega-techföretag. Det finns ett fönster av tid medan kapaciteterna expanderar snabbt, och det finns möjlighet att bygga många stora företag. Det är en av de mest spännande tiderna i tech som jag har upplevt i mitt liv.

Tack för den utmärkta intervjun. Entreprenörer som vill lära sig mer kan besöka Sierra Ventures.