Thomas Cuvelier, Partner, US & Europa, RTP Global – Intervju-serie

Thomas Cuvelier, Partner, US & Europa, RTP Global är en New York-baserad investerare som fokuserar på att stödja grundare i USA och Europa som bygger företag som definierar sin kategori. Han är särskilt intresserad av entreprenörer som drivs av personliga erfarenheter av att lösa verkliga problem, snarare än de som enbart vill starta ett företag. Med en bakgrund inom datavetenskap och statistik, investerar han i tekniskt starka team från för-seed till serie A, vanligtvis med en investering på 1-10 miljoner dollar. Hans investerings erfarenhet omfattar hela företagslivscykeln, från tidig fas till tillväxt och sena köp, formad av tid tillbringad i stora globala tech-hubbar som San Francisco, New York, London, Berlin och Paris, och ger en stark tväratlantisk perspektiv på teknologi, talang och marknader. Han talar också flytande franska, mandarin och japanska.

RTP Global är ett globalt riskkapitalbolag som investerar i teknikdrivna företag i Nordamerika, Europa och Asien. Grundat 2000, fokuserar företaget på att stödja ambitiösa grundare i seed- och serie A-fasen, med en track record som inkluderar företag som Datadog (DDOG ), Delivery Hero och Cred. RTP Global opererar med en långsiktig investeringsfilosofi, ofta stödjer företag under många år, och återinvestera kapital från tidigare framgångar i nya företag. Deras globala närvaro och nätverk möjliggör för grundare att skala upp internationellt, medan deras sektorfokus omfattar områden som AI, fintech, SaaS och datainfrastruktur.

Du har stöttat en bred palett av AI-nativa startups, inklusive arbetsflödes-orchestreringsplattformar som Kestra, robotikdata-plattformar som Mecka AI och vertikala SaaS-företag som Archy och DualEntry. Från din erfarenhet av att investera i dessa olika sektorer, vilka mönster ser du i de typer av AI-startups som får riktigt fäste idag?

En intressant mönster kan ses i profilen hos grundarna bakom framgångsrika AI-startups. Jag ser alltmer entreprenörer som drivs av, och bygger, AI-nativa lösningar för att lösa smärtor som de själva har upplevt i traditionella branscher (det kan vara ERP-system eller klumpiga mjukvaror inom områden som hälsovård). Det finns en separat grupp av entreprenöriella grundare som har upptäckt en möjlighet att störa en traditionell aspekt av ett globalt företag och bygger runt detta. Trenden är att generationen av AI-nativa grundare kommer samman.

Det är också värt att notera att fäste skapas över en bred landskap. Tunga industrier som tidigare var “oövervinnliga” för störningar från startups, som robotik och statliga tjänster, kan nu störas och är lämpliga för VC-investeringar.

Senaste lanseringar från stora modellleverantörer som Anthropic har utlöst en debatt om huruvida vertikala AI-startups fortfarande har försvarbara vallgravar. Hur ser du på utvecklingen mellan grundläggande modeller och applikationslagersföretag?

Anthropics lanseringar utgör en hot mot startup-ekosystemet, men vi måste vara precisa. Företag som erbjuder SaaS till SMB och oreglerade industrier är sårbara. De har inte en vallgrav som grundläggande modellföretag kan bryta igenom med effektiv ytnivå-verktyg.

Men lockelsen av ytnivå-verktyg sträcker sig bara så långt. Komplexa arbetsflöden i reglerade industrier är bäst betjänade av AI-applikationer med djup integration med branschspecifika verktyg som har utformats av team med djup kännedom om sin bransch. De vertikala AI-startups som ligger bakom sådana applikationer har försvarbara vallgravar och kan vädera stormen.

Du har föreslagit att vissa serie B- och C-AI-startups kan stå inför strukturella utmaningar på grund av snabba framsteg inom grundläggande modeller. Vilka arkitektoniska misstag gjorde dessa företag, och vilka lärdomar bör yngre startups dra av detta?

Problemet som många AI-startups i serie B- och C-fasen står inför är att deras produkter i grunden är instrumentpaneler för att komma åt LLM som endast har ett fåtal underliggande integrationer. Dessa företag fick snabbt fäste med hobbyist- och företagsadoption under de senaste åren och höll stora belopp. Men om vi framåtser till idag, och de grundläggande modellspelarna är väl positionerade för att utmana deras affärsmodell.

För nya grundare är lärdomen att undvika att ta för mycket tillförsikt från någon upplevd teknisk vallgrav eller historisk kundlåsning. AI-assisterad programvaruutveckling och affärsutveckling gör att dagens genombrott kan bli morgondagens kommoditetserbjudande. Att bygga vallgravar runt egenskaper som fortfarande är svåra att replikera – djup integration, djup branschspecifik expertis och blomstrande användargemenskaper – är en bättre strategi.

När du utvärderar AI-startups idag, vad utgör egentligen försvarbarhet? Är det proprietär data, arbetsflödesintegration, regulatorisk komplexitet, distribution eller något annat?

Jag skulle säga att allt detta är viktigt. Jag kan inte betona tillräckligt den djupa integrationen. Vi pratar om integration med 100-tals branschspecifika verktyg och applikationer för att vara en nivå av djup som är svårt att avsätta.

Som jag nämnde ovan, tror jag att de grundläggande modellernas inträde i vertikala industrier endast kan sträcka sig så långt. Reglerade industrier och deras kritiska arbetsflöden är för komplexa för grundläggande modeller, och här ligger den bästa möjligheten för AI-startups att fylla och bygga försvarbara företag.

Utöver det jag listar, skulle jag också lägga till att användarretention och community-utveckling förblir viktiga byggstenar för försvarbarhet. Äkta användarloyalitet på grund av att en produkt är bra och en njutning att använda är svårt att bygga upp, men också svårt att störa.

Många investerare säger nu att den tekniska vallgraven inom AI minskar. Håller du med, och om så, vilka nya former av konkurrensfördelar växer fram?

Det är ett faktum att den tekniska vallgraven minskar. Om din produkt kan byggas under en helg, då har du inte en teknisk vallgrav – och konsten att göra möjligt från en helg med AI blir alltmer sofistikerad.

I en värld där programvara är lätt att ersätta, blir kundlojalitet som stöds av en fantastisk användarupplevelse avgörande.

Från ett riskkapitalperspektiv, vilka egenskaper letar du efter hos grundare som bygger AI-företag idag? Finns det specifika egenskaper, erfarenheter eller sätt att tänka som sticker ut när du bestämmer dig för att stödja en grundare?

Personligen är den viktigaste egenskapen klarhet på slutkunder. När grundare känner till kunderna som sina egna händer, och hur deras produkt passar in i kundens verklighet, då faller andra viktiga element för att bygga framgångsrika AI-företag – som att vara vägledd av djup sektorsspecifik expertis – på plats.

Andra viktiga egenskaper är en produktfokuserad grundar-personlighet och starka personliga nätverk som inkluderar företagsbeslutsfattare som kan bli kunder i framtiden.

Du har investerat i företag som verkar inom reglerade sektorer som försäkring, hälsovård och finansiella tjänster. Varför tror du att reglerade industrier kan erbjuda starkare långsiktiga möjligheter för AI-startups?

Industrier som hälsovård, läkemedel, finansiella tjänster, försäkring och den offentliga sektorn är mogna för störning av AI-startups som byggs från grunden med varje industris behov och arbetsflöden i åtanke. Inverkan av LLM och agens AI är så revolutionerande att det inte bara “går förbi” industrier som historiskt sett har varit långsamma att anta teknologi.

Dessa industrier är så lockande för startups eftersom de fortfarande domineras av etablerade företag som inte kan enkelt vända sina produkter för AI. Och, som jag nämnde, är de mindre lämpade för störning från grundläggande modeller.

Det har varit en ökande diskussion om en potentiell våg av sammanslagningar och förvärv bland AI-företag i mellanstadiet. Vilka signaler ser du som tyder på att konsolidering kan accelerera under de närmaste åren?

Den tydligaste signalen är värderingskompression som möter kontanttryck samtidigt. Många AI-företag i mellanstadiet hölls vid 2021-2023 toppmultipel och står nu inför en nedåtriktad omvärdering om de går tillbaka till marknaden, vilket gör ett strategiskt förvärv plötsligt mer smakligt än en förödmjukande omprissättning. På förvärvssidan har hyperskalarna och stora plattformsföretag tillbringat de senaste två åren med att integrera AI-kapacitet och inser nu att att bygga allt på egen hand är långsammare än att köpa differentierad distribution eller proprietär data-tillgångar.

Den andra signalen är talang- och datavallgraven-dynamik: när grundläggande modellkommoditisering accelererar, ligger det försvarbara värdet alltmer i proprietär utbildningsdata och marknadsföring snarare än modellarkitektur i sig, vilket är exakt vad acqui-hires och strategiska sammanslagningar fångar effektivt.

Slutligen är den regulatoriska miljön tyst becoming mer tillåtande; den nuvarande amerikanska administrationen har signalerat en lättare antitrust-hållning, vilket tar bort hinder för stora strategiska företag som tidigare var försiktiga med affärsgranskning. Sätt alltihop samman och du har motiverade säljare, motiverade köpare och en tydligare regulatorisk väg: den kombinationen har historiskt sett föregått en M&A-våg.

AI-startups kan nå tidig fäste snabbt, ibland nå sin första miljon i intäkter snabbare än tidigare generationer av SaaS-företag. Men att skala bortom det verkar vara där många kämpar. Vad skiljer företagen som bryter igenom från de som fastnar?

Skiljelinjen mellan AI-grundare som når intäkts tak och de som upprepat slår igenom milstolpar är marknadsföringshastighet. Leverera funktioner och produkter som styrs av en användargemenskapsåterkopplingsloop. Tänk inte två gånger om global tillväxt. Gör rätt försäljningsrekryteringar. Skottsäkra distributionskanaler. Dessa är avgörande principer för marknadsföringshastighet som sätter AI-startups isär från mängden.

Om tre till fem år, vilka typer av AI-startups är du mest entusiastisk över att stödja just nu, och vilka kategorier tror du redan är överbelagda eller sårbara?

Jag känner mig entusiastisk över möjligheterna för AI att störa hälsovård och läkemedel (fulla av komplexa och starkt reglerade arbetsflöden som kan störas), industriell verksamhet (där teknologisk störning i allmänhet fortfarande har miles att springa) och finansiella tjänster (särskilt regelefterlevnad och redovisning/ERP). Den marknaden för högnivå, SMB-riktade AI-produkter är mättad och ett område av startup-sårbarhet. Det är samma sak för alla AI-startups med en produkt som kan replikeras lätt. Tekniska vallgravar är inte längre pålitliga.