Ключевые факторы успеха после изучения более 70 компаний, привлекших не менее 7 миллионов долларов.

Как в первую очередь инвесторы в SaaS в Point Nine, мы очень заинтересованы в применении ИИ в пространстве SaaS. Цель этой публикации - раскрыть структуру, которую мы создали, когда мы смотрим на компании, занимающиеся прикладным искусственным интеллектом. Если вы создаете компанию по применению искусственного интеллекта, пожалуйста, свяжитесь с нами, мы будем рады поболтать! Если вы не собираете средства, но также хотите выступить на #MLBerlin, сообществе практиков искусственного интеллекта, которое мы помогаем собираться ежеквартально в Берлине, пожалуйста, также свяжитесь с нами.

Контекст

Чтобы дать вам немного больше контекста - и перефразируя пост Алекса, мы вошли в третью волну стартапов в области искусственного интеллекта. Волна компаний, занимающихся прикладным искусственным интеллектом. Первая волна была исключительно исследовательскими компаниями, среди которых выделялись такие компании, как Deepmind и Nnaissence. Большинство из них никогда не коммерциализировали свой продукт и были приобретены до получения прибыли. Вторая волна последовала и состояла из компаний, создающих инфраструктуры машинного обучения. Эти стартапы действительно приобрели некоторую коммерческую привлекательность, но большинство из них также были приобретены до того, как достигли масштаба. Wit.ai, который разработал API NLP с открытым исходным кодом, является ярким примером этой второй волны и был куплен Facebook для поддержки M, его помощника на основе машинного обучения в Facebook Messenger.

Сейчас мы находимся в начале третьей волны, одного из прикладных решений искусственного интеллекта. Компании в этом сегменте дифференцируются, разрабатывая приложения для конечных пользователей, которые относятся к отрасли или категории, а не сосредотачиваются только на инфраструктуре.

Стартапы, занимающиеся прикладным искусственным интеллектом, привлекают все более крупные инвестиции и теперь составляют львиную долю средств на ранних этапах сбора средств. Только в Великобритании они представляют 85% компаний, занимающихся ИИ. Интересно, что они также требуют, чтобы мы, венчурные капиталисты, адаптировали нашу структуру анализа и, возможно, наши инвестиционные критерии. Как показывает этот пост от MMC Ventures, 50% британских стартапов post-seed AI еще не начали монетизацию, но сумели собрать больше денег, чем традиционные стартапы SaaS в серии A (на 20–60% больше).

Хотя нам следует верить, что мы знаем, что нужно для привлечения денег в SaaS в 2017 году, мы все еще дорабатываем эту модель для машинного обучения. Для получения более подробной информации по этому поводу Zetta VP разработала отличный первый фреймворк.

Методология

Упражнение, которое я провожу здесь, состоит в рассмотрении более 70 компаний, применяющих ИИ, которые привлекли более 7 миллионов долларов в виде венчурного финансирования по всему миру, рассматривая сумму сбора средств как первый показатель успеха. Затем с помощью индуктивных рассуждений я создаю основу для поиска однородных кластеров и выводю ключевые факторы успеха в каждом из них. Цель состоит в том, чтобы создать основу, основанную на раннем успехе некоторых из этих компаний, занимающихся ИИ, апостериори, вместо того, чтобы определять ее априори.

Я построил эту базу данных, пересекая список CBInsight из 100 лучших компаний в области ИИ и добавляя несколько компаний, которые в последнее время попали в новости Crunchbase (например, Cruise Automation, Grammarly), и несколько компаний, участвующих в нашем потоке сделок. Я удалил из списка CBinsight ряд компаний Core AI (из второй волны), а также компании, занимающиеся подготовкой данных (Paxata, Datarobot) или анализом данных / наукой (Rapidminer, Dataiku). Список не претендует на полноту, но он представляет собой достаточно хороший список для первого анализа. Вы можете найти это здесь".

Что говорят данные

География

Только на США приходится 69% нашего набора данных, 8% - из Великобритании и 7% - из Германии.

Ценные и позитивно настроенные команды

Среднее количество сотрудников в компании Третьей волны составляет 133 человека, в то время как среднее значение падает до 75. И то, и другое невелико и демонстрирует высокий уровень заработка в долларах на одного сотрудника в этих компаниях.

Финансирование

В общей сложности эти компании привлекли 6,4 млрд долларов. Средняя сумма, привлеченная на одну компанию, составляет около 90 миллионов долларов. Однако средняя сумма сбора средств составляет всего 30 миллионов долларов. Оба числа показывают относительное рождение поля.

Отрасли или категории, в которых сосредоточено наибольшее количество компаний, использующих ИИ, - это финансы, продажи и маркетинг, здравоохранение, транспорт и кибербезопасность. В совокупности эти 5 категорий представляют 65% от общего числа компаний, применяющих ИИ в наборе данных, и 89% от общей суммы привлеченных средств. Эта сумма сильно искажена финансовыми компаниями, занимающимися прикладным искусственным интеллектом, которые составляют 52% от этой суммы.

Определение структуры

Глядя на компании в этом списке, кажется, что мы можем создать структуру с 4 категориями.

  1. Полный стек: компании, контролирующие всю цепочку создания стоимости. Они владеют отношениями с клиентами и поставщиками и не продают программное обеспечение существующим операторам. Babylonhealth, которая строит клинику нового поколения с использованием ИИ, является отличным примером полноценной ИИ-компании. Крис Диксон подробнее рассказывает о компаниях full-stack здесь.

2. Компании, использующие AI Tech Enabler, продают программное обеспечение, включающее ИИ.

  • Углубляясь в категоризацию «технологий искусственного интеллекта», я различаю вертикальные и горизонтальные решения. Вертикальные решения удовлетворяют потребности конкретной отрасли, тогда как горизонтальные решения не ориентированы на отрасль. Что касается вертикального программного обеспечения, подумайте о программном обеспечении для автономных автомобилей, за которое General Motors заплатила бы, чтобы включить его в любой из своих автомобилей. Программное обеспечение CRM, такое как Salesforce, вероятно, является лучшим примером горизонтального программного обеспечения, которое могут использовать многие компании во многих отраслях.
  • В ведре технологических помощников, создающих горизонтальные решения , я наконец различаю компании, которые стремятся заменить существующих лидеров категории («претендент на категорию») и те, кто создают новые категории («Новые лидеры категорий»). До того, как был приобретен Salesforce, RelateIQ был конкурентом для Salesforce. Примером «нового лидера категории» является Chorus.ai, который является частью новой категории, которую мы могли бы назвать программным обеспечением Conversation Intelligence.

Чтобы проиллюстрировать это, сравните локальную CRM Oracle, Salesforce и RelateIQ. Подобно тому, как Salesforce завоевала долю рынка за счет понимания и использования облака 15 лет назад, RelateIQ воспользовалась той же возможностью, конкурируя на той же кривой ценности, но обеспечивая дополнительную ценность по нескольким направлениям (адаптация пользователей, простота ввода данных, интуитивность рабочего процесса) благодаря машинное обучение. Salesforce купит компанию за 390 миллионов долларов всего через три года после ее основания и теперь предлагает ее как SalesforceIQ.

Еще одно интересное различие - это подумать о типах инноваций, которые эти компании привносят на свой рынок (инновации или подрыв). Компании полного цикла и новые лидеры в категориях являются разрушителями. Компании полного цикла стремятся вытеснить устоявшиеся ведущие фирмы на рынке, новые лидеры категорий создают новые рынки с новым продуктом, что создает новые проблемы для венчурных капиталистов, о которых мы поговорим позже. Vertical Tech Enabler и Horizontal Category Challenger являются новаторами, они обеспечивают дополнительную ценность, оптимизируя существующий процесс.

Немного статистики по каждой из этих категорий

  • Две трети этих компаний являются технологическими посредниками, а остальные - компаниями полного цикла.
  • Интересно, что компании с полным стеком подняли ок. В 5 раз больше, чем у технических средств поддержки. Эти результаты отражают тот факт, что компаниям полного цикла необходимо нести расходы на привлечение клиентов и нанимать людей по всей цепочке создания стоимости. Данные также показывают, что у них больше сотрудников, чем в любых других категориях.
  • До сих пор три категории технических помощников собрали очень похожие суммы. При этом у компаний с вертикальным ИИ самый маленький штат сотрудников. Как и в случае с SaaS, компании с вертикальным ИИ могут быть больше ориентированы на инженерное дело, чем компании с горизонтальным расположением, и требуют меньше персонала для продаж и маркетинга.

Риск и возможности

Причина, по которой эта структура актуальна, заключается в том, что каждая из этих категорий имеет:

  • различные проблемы (например, пользовательская стратегия или стратегия сбора данных, необходимая сумма сбора средств),
  • различные риски (например, конкуренция или зависимость от действующих операторов), но также,
  • различные возможности (например, продвижение вверх по цепочке создания стоимости или замена существующих решений, варианты выхода).

Я стараюсь обрисовать и объяснить каждый из них в таблице ниже:

Вот 6 рисков и возможностей, о которых, по нашему мнению, стоит упомянуть более подробно:

1. Устранение разрыва полного стека для увеличения размера рынка.

Хорошо позиционированные компании с вертикальным ИИ могут использовать данные своих клиентов и извлеченные уроки для перехода на полный стек. Эти компании могут обеспечить всю цепочку создания стоимости и даже конкурировать со своими предыдущими клиентами. В результате их ТАМ может вырасти в 10 раз. Хорошим примером является Infermedica, инструмент на базе машинного обучения, который помогает врачам принимать более обоснованные решения. Infermedica могла бы стать полноценным стеком и конкурировать со своими существующими клиниками, как это делает сегодня Babylonhealth. Из этого следует, что нам, как инвесторам, нужно подумать о двух ТАМ: как о потенциальных расходах на программное обеспечение на определенном рынке, так и об общем размере рынка после того, как ИИ получит большее признание.

2. Вертикальные компании ИИ возникли, чтобы помочь старым операторам конкурировать с новыми компаниями, занимающимися ИИ, в той же области.

Компания GM купила Cruise Automation, чтобы они могли работать с автономными автомобилями. Zestfinance помогает банкам интегрировать ML для оценки кредитных рейтингов, как Kreditech, Affirm или Avant. Это подтверждает идею о том, что могут появиться новые возможности для создания компаний с вертикальным ИИ, где компании с полным стеком получат большее признание на рынке.

3. Создание первого решения без ИИ для генерации ценных транзакционных данных и дальнейшей автоматизации рабочих процессов.

Многие из новых победителей в нашей базе данных начали продавать своим клиентам еще до интеграции компонента машинного обучения. Их первое предложение было умным способом получить данные, созданные пользователями. Затем они могли бы извлечь больше ценности, добавив ее на более поздний момент времени. Это также повысило защищенность благодаря эффектам сети передачи данных. InsideSales, наверное, лучший пример из этой категории. Сначала они собрали значительный объем данных об эффективности продаж с помощью геймификации торговых процессов. Только тогда компания начала продавать платформу прогноза продаж на основе ИИ. Здесь важно отметить, что клиенты уже были готовы платить за программное обеспечение, хотя оно не было интегрировано с ИИ.

4. Риск вытеснения претендента категории инновационными игроками.

Мы часто задаемся вопросом о защищенности бизнеса, который будет использовать данные, собранные крупными SaaS-компаниями. Примером этого является компания, которая будет обрабатывать данные Zendesk. У Zendesk есть значительное преимущество в том, что он опирается на данные о билетах за годы. Если защищенность проистекает из владения данными. Если мы предположим, что алгоритмы становятся товаром, каковы долгосрочные шансы создать нового победителя, полагающегося на сторонние данные? Мы считаем, что понимание скорости выпуска продукта и стратегии данных этих крупных компаний часто является ключом к оценке этого риска.

5. Сбор и обработка новых потоков данных для повышения защищенности.

Один из интересных способов уравновесить вышеупомянутый риск (№4) - собрать новые потоки данных, которыми не владеют традиционные операторы. InsideSales собирает данные о производительности продаж поверх базы данных Salesforce. Chorus обрабатывает голосовые данные, чего не делает и Salesforce.

6. Риск того, что вертикальный активатор технологий искусственного интеллекта не сможет со временем получить доступ к ценным данным.

Мы можем задаться вопросом, действительно ли есть возможность создать долговременный инструмент поддержки вертикальных технологий. Неясно, имеют ли традиционные операторы, работающие в той же отрасли, что и стартап с вертикальным ИИ, долгосрочные интересы в обмене своими данными с этой единственной компанией. Используя решение, разработанное Vertical Tech Enabler, они делают агентов ИИ лучше. Между тем, они также делятся с конкурентами конкурентным преимуществом, которое заключается в их данных. Том Тунгуз делает очень интересный вывод, проводя параллель с миром Adtech и такими DMP, как Bluekai, в этом посте. Другими словами, отраслевые или вертикальные инструменты поддержки технологий ИИ, возможно, должны стать полноценными, если они хотят быть устойчивыми в долгосрочной перспективе (см. №1).

Заключение

Вдали от зимы 80-х, связанной с искусственным интеллектом, кажется, что вертикальный искусственный интеллект процветает, о чем свидетельствует рост числа стартапов, капитала и освещения в СМИ. Возможно, мы даже достигли переломного момента в том, что касается масштабов, которых компании ИИ могут достичь в ближайшие годы. С операционной точки зрения и с точки зрения инвестиционной стратегии они предлагают множество интересных областей для исследования. Какие новые рвы для этих компаний? Каковы выигрышные стратегии? Каковы первые признаки длительного успеха? Надеюсь, эта структура может внести некоторую прозрачность в то, как посевные инвесторы в настоящее время смотрят на этот рынок, и поможет начинающим учредителям справиться с рисками, связанными с компаниями с вертикальным ИИ, и воспользоваться их возможностями!

Если вы создаете компанию, занимающуюся прикладным искусственным интеллектом, или у вас есть отзывы об этой платформе, свяжитесь с нами, мы будем рады поболтать!

Присоединяйтесь к 25 000+ человек, которые читают еженедельник Машинное обучение

Особая благодарность моему коллеге Родриго за то, что эта структура является результатом нескольких обсуждений (или дебатов), которые мы провели за последние месяцы. Спасибо также Александру, Бартошу, Робину и Клементу за то, что они прочитали его, когда он был еще очень грубым. черновик.