Изображение предоставлено: создано с помощью инструментов Unbounded AI.
За последние девять месяцев, как венчурные инвесторы, большинство новых стартапов/новых идей, которые мы видели, связаны с искусственным интеллектом (ИИ), особенно с генеративным ИИ (Generative AI), что недостаточно Удивлен. Мы видели сотни предложений стартапов в этом пространстве, но инвестировали лишь в несколько из них. Очевидно, мы не единственные, кто столкнулся с этой ситуацией: только в первом квартале 2023 года в стартапы GenAI было инвестировано 1,7 миллиарда долларов, и эта цифра может увеличиться в пять раз во втором квартале.
Мы хотели бы поделиться некоторыми горячими темами и проектами, свидетелями которых мы являемся, важными характеристиками, на которые обращают внимание инвесторы, и элементами, которые отличают «хорошее от отличного» с финансовой точки зрения. Для этого пространства все еще рано, и нет ничего определенного, но мы надеемся, что следующее будет полезно основателям, поскольку они стремятся выделиться в этом все более конкурентном пространстве.
Приблизительные венчурные инвестиции в подкатегорию генеративного ИИ (Источник: Dealroom)
1. Какие идеи мы обычно видим?
Ранняя стадия (Pre-Seed/Seed/A раунд)
На самых ранних стадиях мы видим появление большого количества «генеративно-нативных» компаний. Эти компании сами строятся поверх базовой модели либо как приложение, обслуживающее конечного пользователя, либо как инструментальный уровень «промежуточного программного обеспечения», который находится между моделью и приложением.
Идея 1. Используйте модели для создания текстового контента, который может создавать новый или улучшать существующий текст в электронной почте, базах знаний и других приложениях.
Идея 2: «Второй пилот X». Агенты ИИ работают вместе с людьми-операторами, чтобы расширить их возможности по написанию кода, составлению презентаций и выполнению других задач. Мы видели множество приложений для второго пилота, нацеленных на конкретные вертикальные варианты использования, а также некоторые, пытающиеся добиться более «персонализированного» второго пилота.
**Идея 3: инструмент LLM (Large Language Model) для управления вложениями и векторными базами данных. **
Вывод: Чтобы быть дифференцированным стартапом в области генеративного ИИ на ранней стадии, очень важно иметь один или несколько рвов. Рвы могут варьироваться от несправедливого доступа к распределению, талантам AI / ML, вычислениям, данным, моделям или различным взглядам на проблемную область, которую вы решаете, и тому, как создать более приятный пользовательский опыт.
Период раннего роста и период роста (раунд B/C+)
Компании, которые мы видим на стадии B/C, обычно рождаются в эпоху «до LLM» и сейчас выясняют, как наилучшим образом интегрировать возможности базовой модели в существующие продукты. Мы называем эти компании «генеративно-расширенными» (генеративно-расширенными) компаниями, им не обязательно изобретать велосипеды заново, но убедитесь, что они не проигрывают стартапам, основанным на LLM.
Творчество 1: прогнозная аналитика: многие крупные SaaS-компании используют ИИ для извлечения информации из своих существующих больших наборов данных, чтобы более точно прогнозировать рост доходов, уровень оттока клиентов и другие показатели.
Идея 2: Персонализация и рекомендации: это один из самых быстрых и эффективных способов использования ИИ стартапами на стадии роста. Появление базовых моделей позволяет компаниям B2B и B2C предоставлять более надежные и точные рекомендации по продуктам существующим клиентам.
Идея 3: «Мгновенное автозаполнение»: почти во всех развивающихся компаниях с текстовым или письменным компонентом мы видим, что LLM используется для «мгновенного автозаполнения», подобно тому, как пользователи работают с ChatGPT.
Вывод: Если вы еще не начали пытаться улучшить свой бизнес или изменить его архитектуру, чтобы сделать ее более «дружественной к ИИ», подумайте о том, чтобы выделить небольшую часть вашей команды разработчиков для создания новых функций.
Предупреждение для стартапов, вступающих в это пространство: важно оценить, сколько средств было привлечено компаниями, занимающимися генеративным искусственным интеллектом, особенно в определенных подкатегориях. Взгляните на рыночную среду более 250 компаний, занимающихся генеративным искусственным интеллектом, представленных в рейтинге Dealbook.Компании, занимающиеся созданием моделей, инструментами для копирайтинга и векторными базами данных, привлекли финансирование на сотни миллионов долларов. Конечно, это не означает, что в этом пространстве нельзя запустить еще один инновационный стартап, но важно отметить, что…
2. Как выглядит «хорошо» с финансовой точки зрения?
Наше понимание того, как выглядит «хорошая» финансовая метрика для компании, производящей интеллектуальные приложения, все еще находится на ранней стадии, но в пространстве SaaS мы считаем, что «лучшие в своем классе» темпы роста аналогичны ситуации на рисунке. ниже. Помните, что мы больше не гонимся за ростом любой ценой, поэтому важными факторами являются эффективность и скорость выгорания.
Время выпуска продукта. Одним из преимуществ интеллектуальных приложений является возможность выпуска продуктов быстрее, чем когда-либо прежде. Мы предполагаем, что многие компании, производящие умные приложения, запускают продукты в состоянии «бета», чтобы они могли начать собирать пользовательские данные и использовать их для создания цикла «обучения с подкреплением на основе отзывов людей» (RLHF). Исторически сложилось так, что после запуска продукта может пройти год, чтобы годовой повторяемый доход (ARR) достиг 1 миллиона долларов, но мы можем увидеть, что компании, занимающиеся генеративным искусственным интеллектом, достигают 1 миллиона долларов в ARR быстрее, потому что клиенты могут быстро увидеть возврат инвестиций (ROI). Многие продукты генеративного ИИ также извлекают выгоду из виральности за счет роста, ориентированного на продукт (PLG) / продаж снизу вверх (например, Jasper, Lensa, Harvey, Tome и т. д.).
Удержание клиентов. Хотя компания, занимающаяся генеративным искусственным интеллектом, может быстро привлекать новых клиентов, она также может иметь более высокий уровень оттока. Для SaaS-компании хороший валовой коэффициент удержания составляет около 85-95%, а лучший в своем классе ближе к 95%+. Что касается чистого удержания, мы считаем, что хороший показатель составляет 110–120%+, в лучшем случае — 120%+. Более высокий уровень оттока может быть связан с тем, что модель постоянно выдает неверные результаты, появлением других конкурирующих продуктов и т. д. Важным фактором в подходе PLG в случае интеллектуальных приложений является то, что клиентам очень легко попробовать новый продукт или заплатить 10-20 долларов в месяц только для того, чтобы быстро уйти.
Себестоимость проданных товаров (COGS) и валовая прибыль: Мы ожидаем, что у многих компаний, производящих умные приложения, появятся новые расходы, связанные с: 1) моделями, 2) обучением и тонкой настройкой, 3) операциями по управлению объектами. Мы слышали, что стоимость выполнения запросов к этим хранилищам баз данных LLM и векторов (через такие компании, как Pinecone) была высокой. Мы слышали, что во многих случаях клиенты могут выполнять запросы к модели до тех пор, пока не получат желаемый результат, а поскольку они платят за лицензию, количество выполняемых запросов оказывает существенное влияние на стоимость. В результате мы ожидаем, что компании, использующие ИИ, скорее всего, увидят более низкую валовую прибыль.
3. В чем разница между «хорошо» и «отлично»?
Как и в случае с любой другой технологией или отраслью, как венчурные инвесторы, мы по-прежнему оцениваем отличные команды, огромные рынки и глубокое понимание проблем клиентов. Эти основные принципы не изменятся:
**Ориентированность на клиента/решение реальных болевых точек: **При любых новых технологических изменениях мы увидим множество новых компаний, которые просто пытаются «следовать тренду» и создавать «крутые» технологии, но на самом деле не решают болевые точки проблем клиентов. . Первый вопрос, который нужно понять: вы решаете проблему «волосы в огне», является ли генеративный ИИ лучшим способом помочь решить эту проблему или это ненужная технология?
Команда: В эту новую эру LLM возможность создавать новые продукты и создавать компании стала очень демократичной. В результате мы видим, что многие команды основателей начинают бизнес в областях, где у них мало отраслевых знаний или опыта. Вопрос, который нужно понять: почему ваша команда лучше всего подходит для решения этой проблемы?
Возможность адаптации и быстрой реализации: Нет никаких сомнений в том, что эта область быстро развивается. Сейчас как никогда важно, чтобы команды были гибкими и быстро корректировали продукты и стратегии по мере необходимости. В то же время важно придерживаться основ, а не просто гоняться за шумихой. Другими словами: как вы будете реагировать и понимать, когда наступит подходящее время для возможной корректировки компании?
Воспроизводимость. Хотя ИИ может помочь компаниям быстрее начать работу, это также означает, что в категории может быть гораздо больше конкурентов, чем раньше. Просто взгляните на опубликованные карты ландшафта рынка генеративного ИИ и денег, вливающихся в эту категорию. Хорошие основатели и команды понимают, где есть уникальные пробелы, которые нужно заполнить, и в основном избегают подполей, где они могут быстро потеряться в беспорядке.
4. Вывод
Как венчурные инвесторы, мы так же взволнованы и оптимистичны, как и все остальные, в отношении полного влияния ИИ. Тем не менее, из сотен презентаций проектов, которые мы видели за последний год, становится ясно, что в этой категории много ажиотажа, и для основателей как никогда важно выделиться и выделиться и, наконец, доказать ценность продукт.
Некоторые другие примечания:
Оценка: хотя общий рынок венчурного капитала снизился по сравнению с его пиком в 2021 году, финансирование и оценка ИИ (особенно генеративного ИИ) по-прежнему высоки. Это отражает интерес венчурного капитала и основателей к этой сфере, но важно отметить, что, как и в любом другом цикле (например, пузырь и крах доткомов), лишь небольшая часть стартапов в конечном итоге доживает до выхода, а оценки следуют за ними. лет она может упасть более чем на 90%.
Generative Native vs. Generative Augmented: Как генеративно-нативная компания, что вы можете создать такого, чего не может генеративно-расширенная компания? Как новый стартап, входящий в категорию, в чем существенная разница между вами и существующими компаниями? Крупные технологические компании, такие как Microsoft, Google и Amazon, уже быстро внедряют LLM, поэтому ключевое значение имеет понимание того, где вы можете эффективно конкурировать с ними.
** БЮДЖЕТНЫЕ ОГРАНИЧЕНИЯ: ** В сложных макроэкономических условиях и ограниченных бюджетах важно понимать реальную потребность в вашем продукте. На предыдущих бычьих рынках почти любой продукт SaaS мог принести доход в несколько миллионов долларов. В текущих условиях и продолжающемся (хотя и уменьшающемся) риске рецессии директора по информационным технологиям (CIO) Target изучают все корпоративные расходы, чтобы определить, какие из них можно сократить. Поможет ли им включение ИИ в ваш продукт или, в конечном счете, не имеет значения?
-----(конец текста)-----
Оригинальный адрес:
Посмотреть Оригинал
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Как венчурный инвестор, мое мнение о буме стартапов с генеративным ИИ...
Автор: Гуй Шугуан
Источник: Чайный домик Ангела
Автор оригинала: САБРИНА ВУ / ВИВЕК РАМАСВАМИ
За последние девять месяцев, как венчурные инвесторы, большинство новых стартапов/новых идей, которые мы видели, связаны с искусственным интеллектом (ИИ), особенно с генеративным ИИ (Generative AI), что недостаточно Удивлен. Мы видели сотни предложений стартапов в этом пространстве, но инвестировали лишь в несколько из них. Очевидно, мы не единственные, кто столкнулся с этой ситуацией: только в первом квартале 2023 года в стартапы GenAI было инвестировано 1,7 миллиарда долларов, и эта цифра может увеличиться в пять раз во втором квартале.
Мы хотели бы поделиться некоторыми горячими темами и проектами, свидетелями которых мы являемся, важными характеристиками, на которые обращают внимание инвесторы, и элементами, которые отличают «хорошее от отличного» с финансовой точки зрения. Для этого пространства все еще рано, и нет ничего определенного, но мы надеемся, что следующее будет полезно основателям, поскольку они стремятся выделиться в этом все более конкурентном пространстве.
1. Какие идеи мы обычно видим?
Ранняя стадия (Pre-Seed/Seed/A раунд)
На самых ранних стадиях мы видим появление большого количества «генеративно-нативных» компаний. Эти компании сами строятся поверх базовой модели либо как приложение, обслуживающее конечного пользователя, либо как инструментальный уровень «промежуточного программного обеспечения», который находится между моделью и приложением.
Идея 1. Используйте модели для создания текстового контента, который может создавать новый или улучшать существующий текст в электронной почте, базах знаний и других приложениях.
Идея 2: «Второй пилот X». Агенты ИИ работают вместе с людьми-операторами, чтобы расширить их возможности по написанию кода, составлению презентаций и выполнению других задач. Мы видели множество приложений для второго пилота, нацеленных на конкретные вертикальные варианты использования, а также некоторые, пытающиеся добиться более «персонализированного» второго пилота.
**Идея 3: инструмент LLM (Large Language Model) для управления вложениями и векторными базами данных. **
Вывод: Чтобы быть дифференцированным стартапом в области генеративного ИИ на ранней стадии, очень важно иметь один или несколько рвов. Рвы могут варьироваться от несправедливого доступа к распределению, талантам AI / ML, вычислениям, данным, моделям или различным взглядам на проблемную область, которую вы решаете, и тому, как создать более приятный пользовательский опыт.
Период раннего роста и период роста (раунд B/C+)
Компании, которые мы видим на стадии B/C, обычно рождаются в эпоху «до LLM» и сейчас выясняют, как наилучшим образом интегрировать возможности базовой модели в существующие продукты. Мы называем эти компании «генеративно-расширенными» (генеративно-расширенными) компаниями, им не обязательно изобретать велосипеды заново, но убедитесь, что они не проигрывают стартапам, основанным на LLM.
Творчество 1: прогнозная аналитика: многие крупные SaaS-компании используют ИИ для извлечения информации из своих существующих больших наборов данных, чтобы более точно прогнозировать рост доходов, уровень оттока клиентов и другие показатели.
Идея 2: Персонализация и рекомендации: это один из самых быстрых и эффективных способов использования ИИ стартапами на стадии роста. Появление базовых моделей позволяет компаниям B2B и B2C предоставлять более надежные и точные рекомендации по продуктам существующим клиентам.
Идея 3: «Мгновенное автозаполнение»: почти во всех развивающихся компаниях с текстовым или письменным компонентом мы видим, что LLM используется для «мгновенного автозаполнения», подобно тому, как пользователи работают с ChatGPT.
Вывод: Если вы еще не начали пытаться улучшить свой бизнес или изменить его архитектуру, чтобы сделать ее более «дружественной к ИИ», подумайте о том, чтобы выделить небольшую часть вашей команды разработчиков для создания новых функций.
Предупреждение для стартапов, вступающих в это пространство: важно оценить, сколько средств было привлечено компаниями, занимающимися генеративным искусственным интеллектом, особенно в определенных подкатегориях. Взгляните на рыночную среду более 250 компаний, занимающихся генеративным искусственным интеллектом, представленных в рейтинге Dealbook.Компании, занимающиеся созданием моделей, инструментами для копирайтинга и векторными базами данных, привлекли финансирование на сотни миллионов долларов. Конечно, это не означает, что в этом пространстве нельзя запустить еще один инновационный стартап, но важно отметить, что…
2. Как выглядит «хорошо» с финансовой точки зрения?
Наше понимание того, как выглядит «хорошая» финансовая метрика для компании, производящей интеллектуальные приложения, все еще находится на ранней стадии, но в пространстве SaaS мы считаем, что «лучшие в своем классе» темпы роста аналогичны ситуации на рисунке. ниже. Помните, что мы больше не гонимся за ростом любой ценой, поэтому важными факторами являются эффективность и скорость выгорания.
Удержание клиентов. Хотя компания, занимающаяся генеративным искусственным интеллектом, может быстро привлекать новых клиентов, она также может иметь более высокий уровень оттока. Для SaaS-компании хороший валовой коэффициент удержания составляет около 85-95%, а лучший в своем классе ближе к 95%+. Что касается чистого удержания, мы считаем, что хороший показатель составляет 110–120%+, в лучшем случае — 120%+. Более высокий уровень оттока может быть связан с тем, что модель постоянно выдает неверные результаты, появлением других конкурирующих продуктов и т. д. Важным фактором в подходе PLG в случае интеллектуальных приложений является то, что клиентам очень легко попробовать новый продукт или заплатить 10-20 долларов в месяц только для того, чтобы быстро уйти.
Себестоимость проданных товаров (COGS) и валовая прибыль: Мы ожидаем, что у многих компаний, производящих умные приложения, появятся новые расходы, связанные с: 1) моделями, 2) обучением и тонкой настройкой, 3) операциями по управлению объектами. Мы слышали, что стоимость выполнения запросов к этим хранилищам баз данных LLM и векторов (через такие компании, как Pinecone) была высокой. Мы слышали, что во многих случаях клиенты могут выполнять запросы к модели до тех пор, пока не получат желаемый результат, а поскольку они платят за лицензию, количество выполняемых запросов оказывает существенное влияние на стоимость. В результате мы ожидаем, что компании, использующие ИИ, скорее всего, увидят более низкую валовую прибыль.
3. В чем разница между «хорошо» и «отлично»?
Как и в случае с любой другой технологией или отраслью, как венчурные инвесторы, мы по-прежнему оцениваем отличные команды, огромные рынки и глубокое понимание проблем клиентов. Эти основные принципы не изменятся:
**Ориентированность на клиента/решение реальных болевых точек: **При любых новых технологических изменениях мы увидим множество новых компаний, которые просто пытаются «следовать тренду» и создавать «крутые» технологии, но на самом деле не решают болевые точки проблем клиентов. . Первый вопрос, который нужно понять: вы решаете проблему «волосы в огне», является ли генеративный ИИ лучшим способом помочь решить эту проблему или это ненужная технология?
Команда: В эту новую эру LLM возможность создавать новые продукты и создавать компании стала очень демократичной. В результате мы видим, что многие команды основателей начинают бизнес в областях, где у них мало отраслевых знаний или опыта. Вопрос, который нужно понять: почему ваша команда лучше всего подходит для решения этой проблемы?
Возможность адаптации и быстрой реализации: Нет никаких сомнений в том, что эта область быстро развивается. Сейчас как никогда важно, чтобы команды были гибкими и быстро корректировали продукты и стратегии по мере необходимости. В то же время важно придерживаться основ, а не просто гоняться за шумихой. Другими словами: как вы будете реагировать и понимать, когда наступит подходящее время для возможной корректировки компании?
Воспроизводимость. Хотя ИИ может помочь компаниям быстрее начать работу, это также означает, что в категории может быть гораздо больше конкурентов, чем раньше. Просто взгляните на опубликованные карты ландшафта рынка генеративного ИИ и денег, вливающихся в эту категорию. Хорошие основатели и команды понимают, где есть уникальные пробелы, которые нужно заполнить, и в основном избегают подполей, где они могут быстро потеряться в беспорядке.
4. Вывод
Как венчурные инвесторы, мы так же взволнованы и оптимистичны, как и все остальные, в отношении полного влияния ИИ. Тем не менее, из сотен презентаций проектов, которые мы видели за последний год, становится ясно, что в этой категории много ажиотажа, и для основателей как никогда важно выделиться и выделиться и, наконец, доказать ценность продукт.
Некоторые другие примечания:
Оценка: хотя общий рынок венчурного капитала снизился по сравнению с его пиком в 2021 году, финансирование и оценка ИИ (особенно генеративного ИИ) по-прежнему высоки. Это отражает интерес венчурного капитала и основателей к этой сфере, но важно отметить, что, как и в любом другом цикле (например, пузырь и крах доткомов), лишь небольшая часть стартапов в конечном итоге доживает до выхода, а оценки следуют за ними. лет она может упасть более чем на 90%.
Generative Native vs. Generative Augmented: Как генеративно-нативная компания, что вы можете создать такого, чего не может генеративно-расширенная компания? Как новый стартап, входящий в категорию, в чем существенная разница между вами и существующими компаниями? Крупные технологические компании, такие как Microsoft, Google и Amazon, уже быстро внедряют LLM, поэтому ключевое значение имеет понимание того, где вы можете эффективно конкурировать с ними.
** БЮДЖЕТНЫЕ ОГРАНИЧЕНИЯ: ** В сложных макроэкономических условиях и ограниченных бюджетах важно понимать реальную потребность в вашем продукте. На предыдущих бычьих рынках почти любой продукт SaaS мог принести доход в несколько миллионов долларов. В текущих условиях и продолжающемся (хотя и уменьшающемся) риске рецессии директора по информационным технологиям (CIO) Target изучают все корпоративные расходы, чтобы определить, какие из них можно сократить. Поможет ли им включение ИИ в ваш продукт или, в конечном счете, не имеет значения?
-----(конец текста)-----
Оригинальный адрес: