Priya Saiprasad, Touring Capital Genel Ortağı – Röportaj Serisi

Yazılım iş yapabildiğinde, ürün, hedef pazar, fiyatlandırma modeli ve bunu sunan şirketin ekonomisi değişir. Touring’i bu fırsat etrafında baştan inşa etmek istedik.

Odak noktamız, erken ürün-pazar uyumuna yaklaşan veya bunu gösteren şirketlerdir; bu aşamada teknik vaat, müşteri benimsemesine dönüşmeye başlar. Bu, yapay zekâda özellikle kritik bir aşamadır: kurucular hangi iş akışlarını sahiplenmek, müşterilerin ne kadar özerklik kabul edeceği ve erken talebi tekrarlanabilir büyümeye nasıl dönüştüreceği konusunda karar verir.

Ayrıca, risk sermayesi, M&A ve büyük teknoloji platformlarındaki deneyimlerimizle şekillenen bir şirket kurma perspektifi getirmek istedik. Amacımız, kurucuların teknolojinin ilerlemesiyle rekabet avantajları derinleşen işletmeler inşa etmelerine yardımcı olmaktır. Bu, fırsata dair inanç ve altında yatan varsayımları sürekli yeniden gözden geçirme isteği gerektirir.

En büyük yapay zeka fırsatlarından bazılarının yalnızca daha büyük temel modeller inşa etmekten, AI’yi belirli sektörlerde uygulayan şirketlere kaydığını savundunuz. Teknolojik ya da ekonomik olarak ne değişti ki uygulama katmanı şu anda bu kadar çekici hale geldi?

Modeller dramatik bir şekilde daha yetenekli ve erişilebilir hale geldi, bu da girişimcilerin değer yaratabileceği alanları değiştiriyor. Güçlü bir şey inşa etmek için temel zekayı sıfırdan oluşturmanıza artık gerek yok.

Bu, soruyu “En iyi modele kim sahip?” yerine “Bu zekâyı, ekonomiyi ya da iş akışını kökten değiştirecek bir şekilde sorunu çözmek için kim uygulayabilir?” şeklinde değiştirir.

En çekici şirketler sadece mevcut bir yazılım ürününün önüne bir LLM koymuyor. İşin nasıl yapıldığını yeniden düşünmek için AI’yi kullanıyorlar. Bazı durumlarda bu, bir iş akışının büyük bölümlerinin otomatikleştirilmesi anlamına geliyor. Diğer durumlarda ise çok daha küçük bir ekibin önemli ölçüde daha fazla çıktı üretmesine olanak tanıyor.

Bence değerin bir sonraki dalgasının ortaya çıkacağı yer burada: giderek daha yetenekli zekâyı alıp müşterilerin anlamlı işler yapmasına güvenebileceği bir ürüne dönüştürebilen şirketler.

Bugün sektörlere baktığınızda, yapay zekânın sadece mevcut yazılımı daha verimli hale getirmek yerine iş akışlarını kökten yeniden yapılandırabileceği gerçek bir AI dönüm noktasına ulaştığını düşündüğünüz hangi endüstriler var?

Özellikle önemli bilgi işi, karmaşık mevcut iş akışları ve tarihsel olarak düşük yazılım penetrasyonu kombinasyonuna sahip sektörlerle ilgileniyorum.

Finans hizmetleri, sağlık, hukuk, sanayi ve otomotiv iyi örneklerdir. Bu sektörler genellikle büyük miktarda değerli bilgi ve yüksek derecede özelleşmiş iş akışlarına sahiptir, ancak işin büyük bir kısmı hâlâ parçalanmış, manuel ya da deneyimli kişilerin sistemler arasında bilgi taşımasına bağlıdır.

Fırsat sadece bu çalışanları %10 daha üretken hâle getirmekle sınırlı değil. Daha ilginç şirketler, iş akışını artık yapay zekânın neler yapabildiği etrafında yeniden tasarlıyor.

Bunu, müşteri etkileşimlerini ve bayi operasyonlarını otomatikleştirmek için AI ajanları kullanan Numa gibi şirketlerde ve finans kurumları tarafından kullanılan son derece zaman duyarlı veri ve araştırma iş akışlarına AI uygulayan Daloopa’da görebilirsiniz. Ortak nokta, temel işi derinlemesine anlamaktır. AI güçlüdür, ancak üzerine inşa ettiğiniz sektörü anlamak gerekliliğini ortadan kaldırmaz.

Touring Capital, AI şirketlerini değerlendirirken veri hendekleri, ürün döngüleri ve sektöre özgü uzmanlığa vurgu yapar. Gerçekten savunulabilir bir dikey AI işletmesi nasıl görünür ve ana avantajı sadece üçüncü taraf bir büyük dil modelini sarmak olan bir şirketten nasıl ayırt edilir?

Gerçekten savunulabilir bir AI işletmesi, faaliyet gösterdikçe daha da güçlenir.

Alttaki model zamanla gelişebilir ve bir şirket modeli tamamen değiştirebilir, ancak işin değeri model değiştiği için ortadan kalkmamalıdır. Önemli olan, şirketin bu modelin etrafında sahip olduğu şeylerdir: müşteri ilişkisi, iş akışı, sahip olunan veri, entegrasyonlar ve giderek daha önemli işleri üstlenme güveni.

Dikkat ettiğimiz konulardan biri, ürünün zaman içinde daha derinlemesine yerleşip yerleşmediğidir. Müşteriler ona daha fazla işi emanet ediyor mu? Kullanım ve sonuçlar birikiyor mu? Şirket, dağıtımlarından ürünün iyileşmesine katkı sağlayacak şekilde öğreniyor mu?

Bu dinamikler, sadece üçüncü taraf bir modelin üzerinde iyi bir arayüze sahip olmaktan çok daha güçlü bir iş yaratır. Özellikler AI’da çok hızlı bir şekilde birleşebilir. Sürekli kullanım ve daha derin iş akışı benimsemesi ise çok daha zor taklit edilebilir.

Temel modeller daha yetenekli ve giderek daha çok meta hâline geldikçe, bu durum dikey AI şirketlerini daha ucuz zekâ üzerine inşa etmelerini sağlayarak güçlendirir mi, yoksa model sağlayıcılarının kendilerinin uygulama katmanının daha fazlasını absorbe etme riskini mi doğurur?

Her iki dinamik aynı anda gerçekleşebilir. Daha iyi modeller, uygulama şirketlerinin sunabileceklerini genişletirken, model sağlayıcılarının ürün ve iş akışlarına daha fazla girmesine de olanak tanır.

İnceleme sorusu, alttaki zekâ geliştiğinde bir şirketin konumunun nasıl değiştiğidir. İki soruyu birlikte sorarız: bir sonraki model nesliyle bu iş için ne gibi olanaklar ortaya çıkar ve mevcut değer önerisinin hangi bölümü standart bir model yeteneği haline gelebilir? Bu, ilerlemeden faydalanan şirketleri, farklılıklarını geçici bir sınırlamaya dayandıran şirketlerden ayırmamıza yardımcı olur.

Dikey işletmeler, özelleşmiş iş akışları, müşteri erişimi, entegrasyonlar, değerlendirme sistemleri ve üstlendikleri operasyonel sorumluluklar sayesinde kalıcı konumlar oluşturabilir. Bu avantajlar sürekli yatırım gerektirir; sadece alan uzmanlığı kalıcı bir koruma sağlamaz.

Bence en çekici şirketler, modeller geliştikçe daha değerli işleri üstlenmek için net bir yol haritasına sahiptir. Müşterileri daha iyi sonuçlar elde eder, teslimat ekonomileri güçlenir ve birikmiş bilgi daha faydalı hâle gelir. Bu, model ilerlemesiyle kurmak istediğimiz ilişkidir.

Geleneksel yazılım‑hizmet (SaaS) şirketleri tarihsel olarak yıllık yinelenen gelir, brüt marjlar, tutma oranı ve oturum genişlemesi gibi metriklerle değerlendirilmiştir. AI, özellikle çıkarım maliyetleri, kullanım‑bazlı fiyatlandırma ve sonuç‑bazlı iş modelleri daha önemli hâle geldikçe, güvenilen metrikleri nasıl değiştiriyor?

ARR, tutma oranı ve brüt marjlar hâlâ önemlidir. Sorun, tek başlarına artık yeterli bilgi vermemeleridir.

Bir AI şirketi, müşteri tabanındaki temel kullanım zaten düşerken bile ARR’de on milyonlarca dolara inanılmaz hızlı bir şekilde büyüyebilir. Müşteri hâlâ sözleşme altında olabilir, ancak yenileme zamanı geldiğinde ürün etkili bir şekilde yerine geçmiştir. Buna gizli kayıp (latent churn) diyoruz.

Bu yüzden fiyatlandırma modelinin altına giderek gerçekte hangi işin yapıldığını soruyoruz. İş akışı ve sonuç sayısı zaman içinde artıyor mu? Müşteri ürüne daha fazla işi emanet etmeye güveniyor mu? Kullanım, dağıtımın ilk heyecanından sonra da devam ediyor mu?

Ayrıca büyümenin arkasındaki ekonomiye çok daha yakından bakıyoruz. AI şirketleri otomasyonla insan çalışan sayısını azaltabilir, ancak bilgi işlem gerçek bir iş gücü ve maliyet yapısı parçası hâline gelir. Bu yüzden iş akışı yoğunluğu, verimlilik çarpanları, ayarlanmış çalışan başına gelir ve maliyet kaldıraçları gibi kavramları inceliyoruz.

Daha büyük soru, büyümenin zaman içinde daha kalıcı ve verimli hâle gelip gelmediğidir. Çarpıcı büyüme ile kalıcı büyüme mutlaka aynı şey değildir.

Birçok AI ajanı, sadece çalışanlara yardımcı olmakla kalmayıp tüm iş akışlarını otonom olarak tamamlayacak şekilde tasarlanıyor. Bu durum, kurumsal yazılım pazar fırsatını nasıl değiştirir ve AI şirketleri tarihsel olarak yazılım harcamalarının dışındaki iş gücü bütçelerinin bir kısmını yakalayabilir mi?

Bence bu, kurumsal yazılımdaki en önemli dönüşümlerden biri.

Tarihsel olarak, yazılım büyük ölçüde bir çalışanın işini yapmasına yardımcı olan bir araç olarak satılıyordu. Çalışan, işi üretmekten sorumlu olmaya devam ediyordu ve yazılım bütçesi, işgücü bütçesinden ayrıydı.

Yapay zeka bu denklemi değiştiriyor çünkü yazılım giderek daha fazla işin bir kısmını kendisi yerine getirebiliyor.

Bu, pazar fırsatını önemli ölçüde genişletir. Artık sadece bir BT ya da yazılım bütçesinden bir verimlilik aracı satmıyorsunuz. Bir ürün, anlamlı işi güvenilir bir şekilde üstlenip ölçülebilir bir sonuç üretebiliyorsa, işgücü bütçelerinden de değer yakalayabilir.

Önemli ayrım, bir yapay zeka asistanı ile müşterilerin gerçekten uygulayacağına güvendiği bir yapay zeka sistemi arasındadır. İkincisi çok daha değerli olma potansiyeline sahiptir, ancak gerçek güvenilirlik, sorumluluk ve ekonomik açıdan kanıtlaması gerekir. Müşteriler nihayetinde, ürün vaat ettiği sonucu tutarlı bir şekilde sunamıyorsa, yapay zekanın ne kadar sofistike olduğuna aldırış etmez.

Şu anda Numa ve Daloopa gibi, otomotiv operasyonları ve finansal veri gibi çok farklı dikeylerde teknoloji uygulayan şirketlerin yönetim kurullarında yer alıyorsunuz. Bu şirketler, derinlemesine yerleşik iş akışları ve alan uzmanlığına sahip sektörlerde yapay zekayı başarılı bir şekilde tanıtmak için neler gerektiği konusunda size ne öğretti?

En büyük ders, yapay zekanın alan uzmanlığının önemini ortadan kaldırmadığıdır. Birçok açıdan, bunu daha da önemli kılar.

Yapay zekayı köklü bir sektöre başarılı bir şekilde tanıtmak için, iş akışını o kadar derinlemesine anlamalısınız ki otomasyonun gerçekten nerede değer yarattığını ve insan yargısının hâlâ nerede önemli olduğunu bilebilesiniz. Ayrıca müşterilerin ürünü nasıl benimseyeceklerini, mevcut sistemlerine ve yapay zeka benimseme döngüsüne nasıl uyduğunu ve güvenlerini kazanmak için neler gerektiğini de anlamalısınız.

Numa ve Daloopa çok farklı pazarlarda faaliyet gösteriyor, ancak ikisi de müşterilerinin gerçekleştirmesi gereken belirli işe derinlemesine bağlıdır. En başarılı dikey yapay zeka şirketleri “Yapay zekayı nereye koyabiliriz?” sorusuyla başlamaz. Önce anlamlı bir sorun ya da iş akışı belirler ve ardından yapay zekanın şimdi neler yapabileceği etrafında yeniden tasarlar.

Bu, alan uzmanlığının zaman içinde önemli bir avantaj haline gelebileceğini düşündüğüm bir diğer nedendir. İşi ne kadar derinlemesine anlarsanız, müşterilerin güvenle kullanmak isteyeceği bir ürünü o kadar etkili bir şekilde inşa edebilirsiniz.

Touring’in son yatırımları hem alan‑spesifik uygulamaları hem de yapay zekayı mümkün kılan altyapıyı kapsıyor. Uygulama katmanına yatırım ile onu çalıştıracak altyapıya yatırım arasındaki dengeyi nasıl değerlendiriyorsunuz ve bugün girişim ölçeğinde daha büyük getiri fırsatının nerede olduğunu düşünüyorsunuz?

Fırsatı yalnızca yığının bir katmanında var olarak görmüyoruz. Önemli darboğazların ortaya çıktığı ve bir şirketin yapay zeka benimsemesi ölçeklendikçe anlamlı bir konum oluşturabileceği alanlara odaklanıyoruz.

Uygulama tarafında, önemli iş akışlarını sahiplenerek ve gerçek sonuçlar üreterek yapay zekayı ölçülebilir ekonomik değere dönüştürebilen şirketlerden heyecan duyuyoruz. Altyapı tarafında ise, yapay zekanın ölçekli bir şekilde verimli bir şekilde dağıtılıp dağıtılamayacağını belirleyen kısıtlamaları çözen şirketlerle ilgileniyoruz.

Infinity ve Parasail gibi şirketlere yaptığımız yatırımlar bunu yansıtıyor. Biri, farklı yapay zeka çiplerini modern modelleri çalıştırmaya hazır hâle getirme yazılım sorununu ele alıyor, diğeri ise geliştiricilerin altyapıyı kendileri yönetmek zorunda kalmadan yapay zeka iş yüklerini dağıtıp ölçeklendirmelerine yardımcı oluyor.

Daha iyi fırsat, bir şirketin uygulamalarda mı yoksa altyapıda mı konumlandığına göre belirlenmez. Ana soru, şirketin yapay zeka pazarı gelişirken giderek daha değerli hale gelme potansiyeline sahip önemli ve kalıcı bir sorunu çözüp çözmediğidir.

Şu anda büyük miktarda sermaye, nispeten az sayıda öncü yapay zeka şirketi etrafında yoğunlaştığında, yatırımcıların hâlâ fırsatı nerede küçümsediğini ve hangi yapay zeka‑yerli kategorilerin ya da iş modellerinin hak ettiklerinden çok daha az ilgi gördüğünü düşünüyorsunuz?

Özellikle ilginç bulduğum bir alan, pazarın ortasıdır.

Şu anda risk sermayesi giderek daha fazla silahlandırılmış durumda. Özellikle olağanüstü ekipleri ve çekici teknolojileri olan, en erken aşamalardaki vaat eden şirketlere büyük bir iştah var. Aynı zamanda en büyük, en kanıtlanmış şirketler için de önemli miktarda sermaye mevcut.

Ancak orta seviye, özellikle geleneksel Seri B ve C aşamaları, çok daha zor hale geldi.

Yapay zeka beklentileri sıkıştırdı. Şirketler artık sıfırdan anlamlı bir gelire daha önce hiç görülmemiş bir hızla ulaşabiliyor, bu da bir işletme gelir elde etmeye başladığında çıtayı büyük ölçüde yükseltiyor. Birkaç yıl önce olağanüstü kabul edilen büyüme, bugün pazarda artık öne çıkmayabilir.

Bu hem risk hem de fırsat yaratıyor.

Bazı şirketler, belirli bir anda fon toplama piyasasının istediği şey için – 5x büyüme, 10x büyüme, belirli bir gelir hedefi – optimize etmeye zorlanıyor, bu yolun sürdürülebilir bir iş yaratıp yaratmadığına bakılmaksızın. Piyasa altı ila dokuz ay içinde dramatik bir şekilde değişebilir, bu yüzden kurucular bir sonraki finansman turunun beklentilerine sadece hizmet edecek şekilde inşa etmemeye dikkat etmelidir.

Yatırımcılar için, sağlam temel unsurlara sahip ancak bugünün pazarının uç noktalarına tam olarak uymayan şirketleri belirlemede gerçek bir fırsat olduğunu düşünüyorum. Zorluk, sürdürülebilir büyümeyi, mevcut AI finansman döngüsü tarafından sadece öne çekilen bir şirketten ayıracak kadar disiplinli olabilmektir.

Harika röportaj için teşekkür ederiz, bu VC firmasını daha yakından tanımak isteyen okuyucular Touring Capital adresini ziyaret etmelidir.