Crédito da imagem: Gerado por ferramentas Unbounded AI
Nos últimos nove meses, como investidores de VC, a maioria das novas empresas start-up/novas ideias que vimos estão relacionadas à inteligência artificial (IA), especialmente IA generativa (Generative AI), que não é suficiente Surpresa. Vimos centenas de lançamentos de startups neste espaço, mas investimos apenas em alguns deles. Aparentemente, não somos os únicos a enfrentar essa situação, com $ 1,7 bilhão investidos em startups GenAI apenas no primeiro trimestre de 2023, e esse número pode aumentar cinco vezes no segundo trimestre.
Gostaríamos de compartilhar alguns dos principais tópicos e projetos que estamos testemunhando, as características importantes às quais os investidores prestam atenção e os elementos que distinguem "bom de ótimo" do ponto de vista financeiro. Ainda é cedo para este espaço e nada é certo, mas esperamos que o seguinte seja útil para os fundadores enquanto procuram se diferenciar neste espaço cada vez mais competitivo.
Investimento estimado de VC na subcategoria de IA generativa (Fonte: Dealroom)
1. Que tipo de ideias costumamos ver?
Fase inicial (Pré-Seed/Seed/A rodada)
Nos estágios iniciais, vemos um grande número de empresas "nativas generativas" emergindo. Essas empresas são construídas sobre o modelo subjacente, seja como um aplicativo que atende ao usuário final ou como uma camada de ferramenta de "middleware" que fica entre o modelo e o aplicativo.
Idéia 1: Use modelos para gerar conteúdo baseado em texto que pode criar texto novo ou aprimorar texto existente em e-mail, bases de conhecimento e outros aplicativos.
Idéia 2: "co-piloto de X"; Agentes de IA trabalham ao lado de operadores humanos para aumentar sua capacidade de escrever código, rascunhar apresentações e realizar outras tarefas. Vimos muitos aplicativos co-piloto direcionados a casos de uso verticais específicos, bem como alguns tentando obter um co-piloto mais "personalizado".
**Idéia 3: ferramenta LLM (Large Language Model) para gerenciar embeddings e bancos de dados vetoriais. **
Resumo: Para ser uma startup diferenciada de IA generativa em estágio inicial, ter um ou mais fossos é muito importante. Os fossos podem variar de acesso injusto à distribuição, talento de AI/ML, computação, dados, modelos ou ter diferentes perspectivas sobre o domínio do problema que você está resolvendo e como criar uma experiência de usuário mais agradável.
Período de crescimento inicial e período de crescimento (rodada B/C+)
Para as empresas que vemos no estágio B/C, elas geralmente nasceram na era "pré-LLM" e agora estão descobrindo como integrar melhor os recursos do modelo básico aos produtos existentes. Chamamos essas empresas de empresas "generative-enhanced" (generative-enhanced), elas não precisam necessariamente reinventar suas rodas, mas certifique-se de não perder para startups nativas de LLM.
Criatividade 1: Análise preditiva; muitas empresas SaaS de grande escala estão usando IA para extrair insights de seus grandes conjuntos de dados existentes para prever com mais precisão o crescimento da receita, taxas de rotatividade de clientes e outros indicadores.
Ideia 2: Personalização e recomendações; essa é uma das maneiras mais rápidas e impactantes de ver startups em estágio de crescimento aproveitando a IA. O surgimento de modelos subjacentes permite que as empresas B2B e B2C forneçam recomendações de produtos mais robustas e precisas aos clientes existentes.
Idéia 3: "Instant Auto-Complete"; Em quase todas as empresas em estágio de crescimento com um componente de texto ou escrita, vemos o LLM sendo usado para "Instant Auto-Complete", semelhante ao que os usuários experimentam com o ChatGPT.
Resumo: Se você ainda não começou a tentar melhorar seu negócio ou reformulá-lo para torná-lo mais "compatível com IA", considere dedicar uma pequena parte de sua equipe de produto para criar novos recursos.
Aviso para startups entrando neste espaço: É importante avaliar quanto financiamento foi levantado por empresas de IA generativa, especialmente em subcategorias específicas. Dê uma olhada no cenário de mercado de mais de 250 empresas de IA generativa mapeadas pelo Dealbook. Empresas de construção de modelos, ferramentas de redação e bancos de dados vetoriais levantaram centenas de milhões de dólares em financiamento. Claro, isso não significa que outra startup inovadora não possa ser lançada neste espaço, mas é importante observar que…
2. O que significa "bom" do ponto de vista financeiro?
Nosso entendimento de como é uma "boa" métrica financeira para uma empresa de aplicativos inteligentes ainda está em seus estágios iniciais, mas no espaço SaaS, acreditamos que a taxa de crescimento "melhor da categoria" é semelhante à situação na figura abaixo. Lembre-se de que não estamos mais buscando crescimento a todo custo, portanto, a eficiência e a taxa de consumo são fatores importantes.
Tempo de lançamento do produto: Uma das vantagens dos aplicativos inteligentes é a capacidade de liberar produtos mais rapidamente do que nunca. Prevemos muitas empresas de aplicativos inteligentes lançando produtos em um estado “beta” para que possam começar a coletar dados do usuário e usá-los para criar um loop de “aprendizado por reforço com feedback humano” (RLHF). Historicamente, pode levar um ano após o lançamento de um produto para atingir US$ 1 milhão em receita anual repetível (ARR), mas podemos ver empresas de IA generativa atingindo US$ 1 milhão em ARR mais rapidamente porque os clientes podem ver o retorno sobre o investimento (ROI) rapidamente. Muitos produtos generativos de IA também se beneficiam da viralidade por meio do crescimento liderado pelo produto (PLG)/vendas de baixo para cima (por exemplo, Jasper, Lensa, Harvey, Tome, etc.).
Retenção de clientes: embora uma empresa de IA generativa possa atrair novos clientes rapidamente, ela também pode ter uma taxa de rotatividade mais alta. Para uma empresa de SaaS, uma boa taxa de retenção bruta é de cerca de 85% a 95%, e a melhor da categoria está próxima de 95% ou mais. Em termos de retenção líquida, achamos que uma boa taxa é 110%-120%+, o melhor caso é 120%+. Uma taxa de churn mais alta pode ser devido ao modelo consistentemente produzir saídas erradas, o surgimento de outros produtos concorrentes, etc. Um grande fator na abordagem PLG no caso de aplicativos inteligentes é que é muito fácil para os clientes experimentar um novo produto ou pagar US$ 10 a US$ 20 por mês, apenas para desistir rapidamente.
Custo dos produtos vendidos (COGS) e margem bruta: Esperamos que muitas empresas de aplicativos inteligentes tenham novos custos relacionados a: 1) modelos; 2) treinamento e ajuste fino; 3) operações de gerenciamento de instalações. Ouvimos dizer que o custo de execução de consultas nesses armazenamentos de banco de dados de vetores e LLM (através de empresas como a Pinecone) tem sido alto. Em muitos casos, ouvimos dizer que os clientes podem executar consultas em um modelo até obter a saída que desejam e, como pagam por licença, o número de consultas executadas tem um impacto significativo no custo. Como resultado, esperamos que as empresas impulsionadas pela IA provavelmente tenham margens brutas mais baixas.
3. Qual é a diferença entre "bom" e "excelente"?
Como qualquer outra tecnologia ou setor, como investidores de capital de risco, ainda avaliamos grandes equipes, grandes mercados e uma compreensão aguçada dos pontos problemáticos do cliente. Estes princípios básicos não mudarão:
** Centrado no cliente/resolver pontos problemáticos reais: ** Em qualquer nova mudança tecnológica, veremos muitas novas empresas apenas tentando "seguir a tendência" e criar tecnologia "legal", mas não resolvem realmente os pontos problemáticos dos problemas do cliente . A primeira questão a entender é: você está resolvendo um problema de "cabelo pegando fogo", a IA generativa é a melhor maneira de ajudar a resolver esse problema ou é uma tecnologia desnecessária?
Equipe: Nesta nova era do LLM, a oportunidade de construir novos produtos e iniciar empresas foi muito democratizada. Como resultado, vemos muitas equipes fundadoras iniciando negócios em áreas nas quais têm pouco conhecimento ou experiência no setor. A questão a entender é: por que sua equipe é mais adequada para resolver esse problema?
Capacidade de adaptação e execução rápida: Não há dúvida de que esse campo está evoluindo rapidamente. Agora, mais do que nunca, é importante que as equipes sejam ágeis e ajustem rapidamente produtos e estratégias conforme necessário. Ao mesmo tempo, é importante manter os fundamentos e não apenas perseguir o hype. Em outras palavras: como você vai reagir e entender quando é o momento certo para fazer um eventual ajuste na empresa?
Reprodutibilidade: embora a IA possa ajudar as empresas a decolar mais rapidamente, isso também significa que pode haver muito mais concorrentes em uma categoria do que costumava haver. Basta olhar para os mapas divulgados publicamente do cenário generativo do mercado de IA e o dinheiro despejado na categoria. Bons fundadores e equipes reconhecem onde existem lacunas únicas a serem preenchidas e evitam subcampos onde podem se perder rapidamente na confusão.
4. Conclusão
Como investidores de capital de risco, estamos tão entusiasmados e otimistas quanto qualquer um sobre o impacto total que a IA terá. No entanto, pelas centenas de apresentações de projetos que vimos no ano passado, fica claro que há muito hype na categoria e é mais importante do que nunca que os fundadores se diferenciem e se destaquem e, finalmente, provem o valor do produtos.
Algumas outras observações:
**Valorização:**Embora o mercado geral de VC tenha diminuído em relação ao seu pico em 2021, o financiamento e as avaliações de IA (especialmente IA generativa) ainda são altos. Isso reflete o interesse do VC e do fundador no espaço, mas é importante observar que, como em qualquer outro ciclo (como a bolha e o colapso das pontocom), apenas uma pequena fração das startups sobrevive para sair, com avaliações seguindo nos próximos anos, pode cair mais de 90%.
Generative Native vs. Generative Augmented: Como uma empresa nativa generativa, o que você pode construir que uma empresa generativa aumentada não pode? Como uma nova startup entrando em uma categoria, qual é a diferença significativa entre você e as empresas existentes? Grandes empresas de tecnologia como Microsoft, Google e Amazon já estão adotando rapidamente o LLM, portanto, entender onde você pode competir efetivamente com elas é fundamental.
RESTRIÇÕES DE ORÇAMENTO: Com o ambiente macro desafiador e os orçamentos apertados, é importante entender a real necessidade do seu produto. Nos mercados de alta anteriores, quase qualquer produto SaaS poderia gerar vários milhões de dólares em receita. No ambiente atual e no risco de recessão em curso (embora diminuindo), os diretores de informação (CIOs) da Target estão analisando todas as despesas corporativas para ver quais podem ser cortadas. A incorporação de IA em seu produto os ajudará ou será irrelevante?
-----(final do texto)-----
Endereço original:
Ver original
O conteúdo é apenas para referência, não uma solicitação ou oferta. Nenhum aconselhamento fiscal, de investimento ou jurídico é fornecido. Consulte a isenção de responsabilidade para obter mais informações sobre riscos.
Como investidor de VC, minhas opiniões sobre o boom de startups de IA generativa...
Autor: Gui Shuguang
Fonte: Angel Tea House
Autor Original: SABRINA WU / VIVEK RAMASWAMI
Nos últimos nove meses, como investidores de VC, a maioria das novas empresas start-up/novas ideias que vimos estão relacionadas à inteligência artificial (IA), especialmente IA generativa (Generative AI), que não é suficiente Surpresa. Vimos centenas de lançamentos de startups neste espaço, mas investimos apenas em alguns deles. Aparentemente, não somos os únicos a enfrentar essa situação, com $ 1,7 bilhão investidos em startups GenAI apenas no primeiro trimestre de 2023, e esse número pode aumentar cinco vezes no segundo trimestre.
Gostaríamos de compartilhar alguns dos principais tópicos e projetos que estamos testemunhando, as características importantes às quais os investidores prestam atenção e os elementos que distinguem "bom de ótimo" do ponto de vista financeiro. Ainda é cedo para este espaço e nada é certo, mas esperamos que o seguinte seja útil para os fundadores enquanto procuram se diferenciar neste espaço cada vez mais competitivo.
1. Que tipo de ideias costumamos ver?
Fase inicial (Pré-Seed/Seed/A rodada)
Nos estágios iniciais, vemos um grande número de empresas "nativas generativas" emergindo. Essas empresas são construídas sobre o modelo subjacente, seja como um aplicativo que atende ao usuário final ou como uma camada de ferramenta de "middleware" que fica entre o modelo e o aplicativo.
Idéia 1: Use modelos para gerar conteúdo baseado em texto que pode criar texto novo ou aprimorar texto existente em e-mail, bases de conhecimento e outros aplicativos.
Idéia 2: "co-piloto de X"; Agentes de IA trabalham ao lado de operadores humanos para aumentar sua capacidade de escrever código, rascunhar apresentações e realizar outras tarefas. Vimos muitos aplicativos co-piloto direcionados a casos de uso verticais específicos, bem como alguns tentando obter um co-piloto mais "personalizado".
**Idéia 3: ferramenta LLM (Large Language Model) para gerenciar embeddings e bancos de dados vetoriais. **
Resumo: Para ser uma startup diferenciada de IA generativa em estágio inicial, ter um ou mais fossos é muito importante. Os fossos podem variar de acesso injusto à distribuição, talento de AI/ML, computação, dados, modelos ou ter diferentes perspectivas sobre o domínio do problema que você está resolvendo e como criar uma experiência de usuário mais agradável.
Período de crescimento inicial e período de crescimento (rodada B/C+)
Para as empresas que vemos no estágio B/C, elas geralmente nasceram na era "pré-LLM" e agora estão descobrindo como integrar melhor os recursos do modelo básico aos produtos existentes. Chamamos essas empresas de empresas "generative-enhanced" (generative-enhanced), elas não precisam necessariamente reinventar suas rodas, mas certifique-se de não perder para startups nativas de LLM.
Criatividade 1: Análise preditiva; muitas empresas SaaS de grande escala estão usando IA para extrair insights de seus grandes conjuntos de dados existentes para prever com mais precisão o crescimento da receita, taxas de rotatividade de clientes e outros indicadores.
Ideia 2: Personalização e recomendações; essa é uma das maneiras mais rápidas e impactantes de ver startups em estágio de crescimento aproveitando a IA. O surgimento de modelos subjacentes permite que as empresas B2B e B2C forneçam recomendações de produtos mais robustas e precisas aos clientes existentes.
Idéia 3: "Instant Auto-Complete"; Em quase todas as empresas em estágio de crescimento com um componente de texto ou escrita, vemos o LLM sendo usado para "Instant Auto-Complete", semelhante ao que os usuários experimentam com o ChatGPT.
Resumo: Se você ainda não começou a tentar melhorar seu negócio ou reformulá-lo para torná-lo mais "compatível com IA", considere dedicar uma pequena parte de sua equipe de produto para criar novos recursos.
Aviso para startups entrando neste espaço: É importante avaliar quanto financiamento foi levantado por empresas de IA generativa, especialmente em subcategorias específicas. Dê uma olhada no cenário de mercado de mais de 250 empresas de IA generativa mapeadas pelo Dealbook. Empresas de construção de modelos, ferramentas de redação e bancos de dados vetoriais levantaram centenas de milhões de dólares em financiamento. Claro, isso não significa que outra startup inovadora não possa ser lançada neste espaço, mas é importante observar que…
2. O que significa "bom" do ponto de vista financeiro?
Nosso entendimento de como é uma "boa" métrica financeira para uma empresa de aplicativos inteligentes ainda está em seus estágios iniciais, mas no espaço SaaS, acreditamos que a taxa de crescimento "melhor da categoria" é semelhante à situação na figura abaixo. Lembre-se de que não estamos mais buscando crescimento a todo custo, portanto, a eficiência e a taxa de consumo são fatores importantes.
Retenção de clientes: embora uma empresa de IA generativa possa atrair novos clientes rapidamente, ela também pode ter uma taxa de rotatividade mais alta. Para uma empresa de SaaS, uma boa taxa de retenção bruta é de cerca de 85% a 95%, e a melhor da categoria está próxima de 95% ou mais. Em termos de retenção líquida, achamos que uma boa taxa é 110%-120%+, o melhor caso é 120%+. Uma taxa de churn mais alta pode ser devido ao modelo consistentemente produzir saídas erradas, o surgimento de outros produtos concorrentes, etc. Um grande fator na abordagem PLG no caso de aplicativos inteligentes é que é muito fácil para os clientes experimentar um novo produto ou pagar US$ 10 a US$ 20 por mês, apenas para desistir rapidamente.
Custo dos produtos vendidos (COGS) e margem bruta: Esperamos que muitas empresas de aplicativos inteligentes tenham novos custos relacionados a: 1) modelos; 2) treinamento e ajuste fino; 3) operações de gerenciamento de instalações. Ouvimos dizer que o custo de execução de consultas nesses armazenamentos de banco de dados de vetores e LLM (através de empresas como a Pinecone) tem sido alto. Em muitos casos, ouvimos dizer que os clientes podem executar consultas em um modelo até obter a saída que desejam e, como pagam por licença, o número de consultas executadas tem um impacto significativo no custo. Como resultado, esperamos que as empresas impulsionadas pela IA provavelmente tenham margens brutas mais baixas.
3. Qual é a diferença entre "bom" e "excelente"?
Como qualquer outra tecnologia ou setor, como investidores de capital de risco, ainda avaliamos grandes equipes, grandes mercados e uma compreensão aguçada dos pontos problemáticos do cliente. Estes princípios básicos não mudarão:
** Centrado no cliente/resolver pontos problemáticos reais: ** Em qualquer nova mudança tecnológica, veremos muitas novas empresas apenas tentando "seguir a tendência" e criar tecnologia "legal", mas não resolvem realmente os pontos problemáticos dos problemas do cliente . A primeira questão a entender é: você está resolvendo um problema de "cabelo pegando fogo", a IA generativa é a melhor maneira de ajudar a resolver esse problema ou é uma tecnologia desnecessária?
Equipe: Nesta nova era do LLM, a oportunidade de construir novos produtos e iniciar empresas foi muito democratizada. Como resultado, vemos muitas equipes fundadoras iniciando negócios em áreas nas quais têm pouco conhecimento ou experiência no setor. A questão a entender é: por que sua equipe é mais adequada para resolver esse problema?
Capacidade de adaptação e execução rápida: Não há dúvida de que esse campo está evoluindo rapidamente. Agora, mais do que nunca, é importante que as equipes sejam ágeis e ajustem rapidamente produtos e estratégias conforme necessário. Ao mesmo tempo, é importante manter os fundamentos e não apenas perseguir o hype. Em outras palavras: como você vai reagir e entender quando é o momento certo para fazer um eventual ajuste na empresa?
Reprodutibilidade: embora a IA possa ajudar as empresas a decolar mais rapidamente, isso também significa que pode haver muito mais concorrentes em uma categoria do que costumava haver. Basta olhar para os mapas divulgados publicamente do cenário generativo do mercado de IA e o dinheiro despejado na categoria. Bons fundadores e equipes reconhecem onde existem lacunas únicas a serem preenchidas e evitam subcampos onde podem se perder rapidamente na confusão.
4. Conclusão
Como investidores de capital de risco, estamos tão entusiasmados e otimistas quanto qualquer um sobre o impacto total que a IA terá. No entanto, pelas centenas de apresentações de projetos que vimos no ano passado, fica claro que há muito hype na categoria e é mais importante do que nunca que os fundadores se diferenciem e se destaquem e, finalmente, provem o valor do produtos.
Algumas outras observações:
**Valorização:**Embora o mercado geral de VC tenha diminuído em relação ao seu pico em 2021, o financiamento e as avaliações de IA (especialmente IA generativa) ainda são altos. Isso reflete o interesse do VC e do fundador no espaço, mas é importante observar que, como em qualquer outro ciclo (como a bolha e o colapso das pontocom), apenas uma pequena fração das startups sobrevive para sair, com avaliações seguindo nos próximos anos, pode cair mais de 90%.
Generative Native vs. Generative Augmented: Como uma empresa nativa generativa, o que você pode construir que uma empresa generativa aumentada não pode? Como uma nova startup entrando em uma categoria, qual é a diferença significativa entre você e as empresas existentes? Grandes empresas de tecnologia como Microsoft, Google e Amazon já estão adotando rapidamente o LLM, portanto, entender onde você pode competir efetivamente com elas é fundamental.
RESTRIÇÕES DE ORÇAMENTO: Com o ambiente macro desafiador e os orçamentos apertados, é importante entender a real necessidade do seu produto. Nos mercados de alta anteriores, quase qualquer produto SaaS poderia gerar vários milhões de dólares em receita. No ambiente atual e no risco de recessão em curso (embora diminuindo), os diretores de informação (CIOs) da Target estão analisando todas as despesas corporativas para ver quais podem ser cortadas. A incorporação de IA em seu produto os ajudará ou será irrelevante?
-----(final do texto)-----
Endereço original: