Кредит зображення: створено інструментами Unbounded AI
Протягом останніх дев’яти місяців, як інвестори венчурного капіталу, більшість нових стартапів/нових ідей, які ми бачили, пов’язані зі штучним інтелектом (ШІ), особливо з генеративним ШІ (Generative AI), що не досить здивовано. Ми бачили сотні презентацій стартапів у цьому просторі, але інвестували лише в декілька з них. Мабуть, ми не єдині, хто зіткнувся з такою ситуацією, оскільки лише в першому кварталі 2023 року в стартапи GenAI було інвестовано 1,7 мільярда доларів, а у другому кварталі це число може зрости в п’ять разів.
Ми хотіли б поділитися деякими гарячими темами та проектами, свідками яких ми є, важливими характеристиками, на які звертають увагу інвестори, та елементами, які відрізняють «добре від чудового» з фінансової точки зору. Цей простір ще зародився, і нічого невідомо, але ми сподіваємося, що наведене нижче стане в нагоді засновникам, оскільки вони прагнуть виділитися в цьому просторі, де конкуренція зростає.
Очікувані венчурні інвестиції в підкатегорію генеративного штучного інтелекту (Джерело: Dealroom)
1. Які ідеї ми зазвичай бачимо?
Ранній етап (Pre-Seed/Seed/A раунд)
На дуже ранніх стадіях ми бачимо, як з’являється велика кількість «генеративних» компаній. Самі ці компанії побудовані на базовій моделі, або як додаток, що обслуговує кінцевого користувача, або як рівень «проміжного програмного забезпечення», який знаходиться між моделлю та додатком.
Ідея 1: використовуйте моделі для створення текстового вмісту, який може створювати новий або вдосконалювати наявний текст в електронній пошті, базах знань та інших програмах.
Ідея 2: «Другий пілот X»; Агенти штучного інтелекту працюють разом з людьми-операторами, щоб розширити їхню здатність писати код, створювати презентації та виконувати інші завдання. Ми бачили багато додатків другого пілота, націлених на конкретні випадки вертикального використання, а також деякі намагалися створити більш «персоналізованого» другого пілота.
**Ідея 3: інструмент LLM (Large Language Model) для керування вбудованими та векторними базами даних. **
Підсумок: Щоб бути диференційованим генеративним AI-стартапом на ранній стадії, дуже важливо мати один або кілька рівів. Мотиви можуть варіюватися від несправедливого доступу до розповсюдження, таланту AI/ML, обчислень, даних, моделей або різних точок зору на проблему, яку ви вирішуєте, і на те, як створити приємнішу взаємодію з користувачем.
Період раннього росту та період росту (B/C+ раунд)
Компанії, які ми бачимо на етапі B/C, зазвичай народилися в епоху «до LLM» і зараз з’ясовують, як найкращим чином інтегрувати можливості базової моделі в існуючі продукти. Ми називаємо ці компанії «generative-enhanced» (generative-enhanced) компаніями, їм не обов’язково заново винаходити колеса, але переконайтеся, що вони не програють стартапам, які є рідними для LLM.
Креативність 1: Прогностична аналітика; багато великих компаній SaaS використовують штучний інтелект, щоб отримувати статистичні дані зі своїх існуючих великих наборів даних, щоб точніше прогнозувати зростання доходів, відтік клієнтів та інші показники.
Ідея 2: персоналізація та рекомендації; це один із найшвидших і найефективніших способів, за допомогою якого ми бачимо, що стартапи на стадії росту використовують ШІ. Поява базових моделей дозволяє компаніям як B2B, так і B2C надавати більш надійні та точні рекомендації щодо продуктів існуючим клієнтам.
Ідея 3: «Миттєве автозавершення»; Майже в усіх компаніях на стадії розвитку з текстовим або письмовим компонентом ми бачимо, що LLM використовується для «миттєвого автозавершення», подібно до того, що користувачі відчувають із ChatGPT.
Підсумок: Якщо ви ще не почали намагатися покращити свій бізнес або перебудувати його так, щоб він був більш «дружнім до штучного інтелекту», подумайте про те, щоб присвятити невелику частину вашої команди продукту створенню нових функцій.
Попередження для стартапів, які входять у цей простір: важливо оцінити, скільки фінансування було зібрано компаніями, що займаються створенням ШІ, особливо в конкретних підкатегоріях. Подивіться на ринковий ландшафт понад 250 компаній, що займаються генеруванням штучного інтелекту, зібраних Dealbook Компанії зі створення моделей, інструментів копірайтингу та векторних баз даних залучили сотні мільйонів доларів фінансування. Звичайно, це не означає, що ще один інноваційний стартап не можна запустити в цьому просторі, але важливо зазначити, що...
2. Як виглядає «добре» з фінансової точки зору?
Наше розуміння того, як виглядає «хороший» фінансовий показник для компанії, що розробляє інтелектуальні додатки, все ще знаходиться на початковій стадії, але в просторі SaaS ми вважаємо, що «найкращий у своєму класі» темп зростання подібний до ситуації на малюнку нижче. Пам’ятайте, що ми більше не прагнемо зростання будь-якою ціною, тому ефективність і швидкість спалювання є важливими факторами.
Час випуску продукту: Однією з переваг розумних програм є можливість випускати продукти швидше, ніж будь-коли раніше. Ми передбачаємо, що багато компаній-розробників інтелектуальних додатків запустять продукти в «бета-версії», щоб вони могли почати збирати дані користувачів і використовувати їх для створення циклу «підсилення навчання на основі відгуків людини» (RLHF). Історично склалося так, що може знадобитися рік після запуску продукту, щоб досягти 1 мільйона доларів щорічного повторюваного доходу (ARR), але ми можемо спостерігати, як генеруючі компанії штучного інтелекту досягнуть 1 мільйона доларів ARR швидше, оскільки клієнти можуть швидко побачити повернення інвестицій (ROI). Багато генеративних продуктів штучного інтелекту також отримують вигоду від вірусності через розвиток, керований продуктом (PLG)/продажі знизу вгору (наприклад, Jasper, Lensa, Harvey, Tome тощо).
Утримання клієнтів. Незважаючи на те, що генеративна компанія ШІ може швидко залучати нових клієнтів, у неї також може бути вищий рівень відтоку. Для компанії SaaS хороший валовий рівень утримання становить приблизно 85%-95%, а найкраща в своєму класі ближче до 95%+. З точки зору чистого утримання, ми вважаємо, що хорошим показником є 110%-120%+, найкращим варіантом є 120%+. Вищий рівень відтоку може бути наслідком того, що модель постійно дає неправильні результати, появою інших конкуруючих продуктів тощо. Важливим фактором у підході PLG у випадку розумних програм є те, що клієнтам дуже легко спробувати новий продукт або заплатити 10-20 доларів на місяць, щоб швидко припинити роботу.
Собівартість проданих товарів (COGS) і валовий прибуток: Ми очікуємо, що багато компаній, які розробляють розумні додатки, матимуть нові витрати, пов’язані з: 1) моделями; 2) навчанням і тонким налаштуванням; 3) операціями з управління об’єктами. Ми чули, що вартість виконання запитів у цих сховищах LLM і векторних баз даних (через такі компанії, як Pinecone) була високою. У багатьох випадках ми чули, що клієнти можуть запускати запити до моделі, доки не отримають потрібний результат, і оскільки вони платять за ліцензію, кількість виконаних запитів істотно впливає на вартість. Як наслідок, ми очікуємо, що компанії, які керуються штучним інтелектом, матимуть нижчу валову прибутковість.
3. Яка різниця між «добре» і «відмінно»?
Як і у випадку з будь-якою іншою технологією чи галуззю, як інвестори венчурного капіталу ми все ще оцінюємо чудові команди, величезні ринки та глибоке розуміння проблем клієнтів. Ці основні принципи не зміняться:
**Орієнтація на клієнта/вирішення реальних проблемних моментів: **У будь-якій новій технологічній зміні ми побачимо багато нових компаній, які просто намагаються «слідувати тенденціям» і створювати «круті» технології, але насправді не вирішують проблемні точки клієнтів. . Перше питання, яке потрібно зрозуміти: ви вирішуєте проблему «волосся у вогні», чи генеративний ШІ є кращим способом допомогти вирішити цю проблему, чи це непотрібна технологія?
Команда: У цю нову еру LLM можливість створювати нові продукти та відкривати компанії була дуже демократизована. Як результат, ми бачимо, що багато команд засновників починають бізнес у сферах, де вони не мають галузевих знань або досвіду. Питання, яке потрібно зрозуміти: чому ваша команда найкраще підходить для вирішення цієї проблеми?
Здатність швидко адаптуватися та виконувати: Немає сумніву, що ця сфера швидко розвивається. Зараз, як ніколи, для команд важливо бути гнучкими та швидко коригувати продукти та стратегії за потреби. У той же час важливо дотримуватися основ, а не просто гнатися за рекламою. Іншими словами: як ви відреагуєте і зрозумієте, коли настав правильний час для потенційної корекції компанії?
Відтворюваність: хоча штучний інтелект може допомогти компаніям швидше розпочати роботу, це також означає, що в категорії може бути набагато більше конкурентів, ніж було раніше. Просто подивіться на опубліковані карти генеративного ринкового ландшафту штучного інтелекту та грошей, що надходять у цю категорію. Хороші засновники та команди розпізнають, де є унікальні діри, які потрібно заповнити, і переважно уникають підполей, де вони можуть швидко загубитися в безладі.
4 Висновок
Як інвестори венчурного капіталу, ми, як і будь-хто, схвильовані та оптимістично налаштовані щодо повного впливу ШІ. Однак із сотень презентацій проектів, які ми бачили за минулий рік, стає зрозуміло, що в цій категорії багато ажіотажу, і для засновників як ніколи важливо виділитися та виділитися, а також, нарешті, довести цінність продукт.
Деякі інші примітки:
**Оцінка:**Хоча загальний ринок венчурного капіталу знизився порівняно з піком у 2021 році, фінансування та оцінка ШІ (особливо генеративного ШІ) все ще високі. Це свідчить про зацікавленість венчурного капіталу та засновників у цьому просторі, але важливо зазначити, що, як і в будь-якому іншому циклі (як-от бульбашка та крах доткомов), лише невелика частка стартапів зрештою виживає та виходить із наступними оцінками. років, він може впасти більш ніж на 90%.
Generative Native проти Generative Augmented: як генеративна нативна компанія, що ви можете побудувати, чого не може створити генеративна доповнена компанія? У чому суттєва різниця між вами та існуючими компаніями, як новим стартапом, що входить у категорію? Великі технологічні компанії, такі як Microsoft, Google і Amazon, уже швидко запроваджують LLM, тому розуміння того, де ви можете ефективно конкурувати з ними, є ключовим.
БЮДЖЕТНІ ОБМЕЖЕННЯ: Зважаючи на складне макросередовище та обмеження бюджетів, важливо розуміти справжню потребу у вашому продукті. На попередніх «бичачих» ринках майже будь-який продукт SaaS міг принести кілька мільйонів доларів доходу. У нинішньому середовищі та триваючому (хоча й зменшувальному) ризику рецесії головні інформаційні директори (CIO) Target розглядають усі витрати компанії, щоб визначити, які з них можна скоротити. Чи допоможе їм впровадження штучного інтелекту у ваш продукт чи зрештою це не має значення?
-----(кінець тексту)-----
Оригінальна адреса:
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Як інвестор венчурного капіталу, мої погляди на бум стартапів генеративного штучного інтелекту...
Автор: Гуй Шугуан
Джерело: Angel Tea House
Оригінальний автор: SABRINA WU / VIVEK RAMASWAMI
Протягом останніх дев’яти місяців, як інвестори венчурного капіталу, більшість нових стартапів/нових ідей, які ми бачили, пов’язані зі штучним інтелектом (ШІ), особливо з генеративним ШІ (Generative AI), що не досить здивовано. Ми бачили сотні презентацій стартапів у цьому просторі, але інвестували лише в декілька з них. Мабуть, ми не єдині, хто зіткнувся з такою ситуацією, оскільки лише в першому кварталі 2023 року в стартапи GenAI було інвестовано 1,7 мільярда доларів, а у другому кварталі це число може зрости в п’ять разів.
Ми хотіли б поділитися деякими гарячими темами та проектами, свідками яких ми є, важливими характеристиками, на які звертають увагу інвестори, та елементами, які відрізняють «добре від чудового» з фінансової точки зору. Цей простір ще зародився, і нічого невідомо, але ми сподіваємося, що наведене нижче стане в нагоді засновникам, оскільки вони прагнуть виділитися в цьому просторі, де конкуренція зростає.
1. Які ідеї ми зазвичай бачимо?
Ранній етап (Pre-Seed/Seed/A раунд)
На дуже ранніх стадіях ми бачимо, як з’являється велика кількість «генеративних» компаній. Самі ці компанії побудовані на базовій моделі, або як додаток, що обслуговує кінцевого користувача, або як рівень «проміжного програмного забезпечення», який знаходиться між моделлю та додатком.
Ідея 1: використовуйте моделі для створення текстового вмісту, який може створювати новий або вдосконалювати наявний текст в електронній пошті, базах знань та інших програмах.
Ідея 2: «Другий пілот X»; Агенти штучного інтелекту працюють разом з людьми-операторами, щоб розширити їхню здатність писати код, створювати презентації та виконувати інші завдання. Ми бачили багато додатків другого пілота, націлених на конкретні випадки вертикального використання, а також деякі намагалися створити більш «персоналізованого» другого пілота.
**Ідея 3: інструмент LLM (Large Language Model) для керування вбудованими та векторними базами даних. **
Підсумок: Щоб бути диференційованим генеративним AI-стартапом на ранній стадії, дуже важливо мати один або кілька рівів. Мотиви можуть варіюватися від несправедливого доступу до розповсюдження, таланту AI/ML, обчислень, даних, моделей або різних точок зору на проблему, яку ви вирішуєте, і на те, як створити приємнішу взаємодію з користувачем.
Період раннього росту та період росту (B/C+ раунд)
Компанії, які ми бачимо на етапі B/C, зазвичай народилися в епоху «до LLM» і зараз з’ясовують, як найкращим чином інтегрувати можливості базової моделі в існуючі продукти. Ми називаємо ці компанії «generative-enhanced» (generative-enhanced) компаніями, їм не обов’язково заново винаходити колеса, але переконайтеся, що вони не програють стартапам, які є рідними для LLM.
Креативність 1: Прогностична аналітика; багато великих компаній SaaS використовують штучний інтелект, щоб отримувати статистичні дані зі своїх існуючих великих наборів даних, щоб точніше прогнозувати зростання доходів, відтік клієнтів та інші показники.
Ідея 2: персоналізація та рекомендації; це один із найшвидших і найефективніших способів, за допомогою якого ми бачимо, що стартапи на стадії росту використовують ШІ. Поява базових моделей дозволяє компаніям як B2B, так і B2C надавати більш надійні та точні рекомендації щодо продуктів існуючим клієнтам.
Ідея 3: «Миттєве автозавершення»; Майже в усіх компаніях на стадії розвитку з текстовим або письмовим компонентом ми бачимо, що LLM використовується для «миттєвого автозавершення», подібно до того, що користувачі відчувають із ChatGPT.
Підсумок: Якщо ви ще не почали намагатися покращити свій бізнес або перебудувати його так, щоб він був більш «дружнім до штучного інтелекту», подумайте про те, щоб присвятити невелику частину вашої команди продукту створенню нових функцій.
Попередження для стартапів, які входять у цей простір: важливо оцінити, скільки фінансування було зібрано компаніями, що займаються створенням ШІ, особливо в конкретних підкатегоріях. Подивіться на ринковий ландшафт понад 250 компаній, що займаються генеруванням штучного інтелекту, зібраних Dealbook Компанії зі створення моделей, інструментів копірайтингу та векторних баз даних залучили сотні мільйонів доларів фінансування. Звичайно, це не означає, що ще один інноваційний стартап не можна запустити в цьому просторі, але важливо зазначити, що...
2. Як виглядає «добре» з фінансової точки зору?
Наше розуміння того, як виглядає «хороший» фінансовий показник для компанії, що розробляє інтелектуальні додатки, все ще знаходиться на початковій стадії, але в просторі SaaS ми вважаємо, що «найкращий у своєму класі» темп зростання подібний до ситуації на малюнку нижче. Пам’ятайте, що ми більше не прагнемо зростання будь-якою ціною, тому ефективність і швидкість спалювання є важливими факторами.
Утримання клієнтів. Незважаючи на те, що генеративна компанія ШІ може швидко залучати нових клієнтів, у неї також може бути вищий рівень відтоку. Для компанії SaaS хороший валовий рівень утримання становить приблизно 85%-95%, а найкраща в своєму класі ближче до 95%+. З точки зору чистого утримання, ми вважаємо, що хорошим показником є 110%-120%+, найкращим варіантом є 120%+. Вищий рівень відтоку може бути наслідком того, що модель постійно дає неправильні результати, появою інших конкуруючих продуктів тощо. Важливим фактором у підході PLG у випадку розумних програм є те, що клієнтам дуже легко спробувати новий продукт або заплатити 10-20 доларів на місяць, щоб швидко припинити роботу.
Собівартість проданих товарів (COGS) і валовий прибуток: Ми очікуємо, що багато компаній, які розробляють розумні додатки, матимуть нові витрати, пов’язані з: 1) моделями; 2) навчанням і тонким налаштуванням; 3) операціями з управління об’єктами. Ми чули, що вартість виконання запитів у цих сховищах LLM і векторних баз даних (через такі компанії, як Pinecone) була високою. У багатьох випадках ми чули, що клієнти можуть запускати запити до моделі, доки не отримають потрібний результат, і оскільки вони платять за ліцензію, кількість виконаних запитів істотно впливає на вартість. Як наслідок, ми очікуємо, що компанії, які керуються штучним інтелектом, матимуть нижчу валову прибутковість.
3. Яка різниця між «добре» і «відмінно»?
Як і у випадку з будь-якою іншою технологією чи галуззю, як інвестори венчурного капіталу ми все ще оцінюємо чудові команди, величезні ринки та глибоке розуміння проблем клієнтів. Ці основні принципи не зміняться:
**Орієнтація на клієнта/вирішення реальних проблемних моментів: **У будь-якій новій технологічній зміні ми побачимо багато нових компаній, які просто намагаються «слідувати тенденціям» і створювати «круті» технології, але насправді не вирішують проблемні точки клієнтів. . Перше питання, яке потрібно зрозуміти: ви вирішуєте проблему «волосся у вогні», чи генеративний ШІ є кращим способом допомогти вирішити цю проблему, чи це непотрібна технологія?
Команда: У цю нову еру LLM можливість створювати нові продукти та відкривати компанії була дуже демократизована. Як результат, ми бачимо, що багато команд засновників починають бізнес у сферах, де вони не мають галузевих знань або досвіду. Питання, яке потрібно зрозуміти: чому ваша команда найкраще підходить для вирішення цієї проблеми?
Здатність швидко адаптуватися та виконувати: Немає сумніву, що ця сфера швидко розвивається. Зараз, як ніколи, для команд важливо бути гнучкими та швидко коригувати продукти та стратегії за потреби. У той же час важливо дотримуватися основ, а не просто гнатися за рекламою. Іншими словами: як ви відреагуєте і зрозумієте, коли настав правильний час для потенційної корекції компанії?
Відтворюваність: хоча штучний інтелект може допомогти компаніям швидше розпочати роботу, це також означає, що в категорії може бути набагато більше конкурентів, ніж було раніше. Просто подивіться на опубліковані карти генеративного ринкового ландшафту штучного інтелекту та грошей, що надходять у цю категорію. Хороші засновники та команди розпізнають, де є унікальні діри, які потрібно заповнити, і переважно уникають підполей, де вони можуть швидко загубитися в безладі.
4 Висновок
Як інвестори венчурного капіталу, ми, як і будь-хто, схвильовані та оптимістично налаштовані щодо повного впливу ШІ. Однак із сотень презентацій проектів, які ми бачили за минулий рік, стає зрозуміло, що в цій категорії багато ажіотажу, і для засновників як ніколи важливо виділитися та виділитися, а також, нарешті, довести цінність продукт.
Деякі інші примітки:
**Оцінка:**Хоча загальний ринок венчурного капіталу знизився порівняно з піком у 2021 році, фінансування та оцінка ШІ (особливо генеративного ШІ) все ще високі. Це свідчить про зацікавленість венчурного капіталу та засновників у цьому просторі, але важливо зазначити, що, як і в будь-якому іншому циклі (як-от бульбашка та крах доткомов), лише невелика частка стартапів зрештою виживає та виходить із наступними оцінками. років, він може впасти більш ніж на 90%.
Generative Native проти Generative Augmented: як генеративна нативна компанія, що ви можете побудувати, чого не може створити генеративна доповнена компанія? У чому суттєва різниця між вами та існуючими компаніями, як новим стартапом, що входить у категорію? Великі технологічні компанії, такі як Microsoft, Google і Amazon, уже швидко запроваджують LLM, тому розуміння того, де ви можете ефективно конкурувати з ними, є ключовим.
БЮДЖЕТНІ ОБМЕЖЕННЯ: Зважаючи на складне макросередовище та обмеження бюджетів, важливо розуміти справжню потребу у вашому продукті. На попередніх «бичачих» ринках майже будь-який продукт SaaS міг принести кілька мільйонів доларів доходу. У нинішньому середовищі та триваючому (хоча й зменшувальному) ризику рецесії головні інформаційні директори (CIO) Target розглядають усі витрати компанії, щоб визначити, які з них можна скоротити. Чи допоможе їм впровадження штучного інтелекту у ваш продукт чи зрештою це не має значення?
-----(кінець тексту)-----
Оригінальна адреса: