نویسنده: مائور فارید، بنیانگذار و مدیرعامل Leo AI
در سال ۲۰۲۱، همین که روی یک اسلاید «هوش مصنوعی» مینوشتید، پول جذب میکردید. کسبوکارهای کوچک و متوسط تشنه پیشگام بودن بودند و سریع میخریدند. من شرکتهایی را دیدم که مشتری جذب کردند، سرمایه جمع کردند و بعد برای نگه داشتن همان مشتریها تقلا کردند. نرخ نگهداشت از پرتگاه پایین افتاد.
بسیاری از آن محصولات عمومی بودند: همان کاری را می‌کردند که نرم‌افزارهای سنتی می‌کردند، با کمی «پول جادویی هوش مصنوعی» رویش. بقیه وقت کمی را در کاری صرفه‌جویی می‌کردند که شغل هیچ‌کس به آن وابسته نبود. بهبود ۲۰ درصدی در یک کار غیرحیاتی، دموی قشنگی می‌سازد و تمدید قرارداد مرده‌ای در پی دارد.
هیچ‌وقت برد‌های آسان هوش مصنوعی وجود نداشت، حتی وقتی پول آسان در گردش بود. بازار حالا دارد بابت این موضوع اصلاح می‌شود. شرکتهایی که ارزش معنادار می‌سازند، سریع‌تر از هر چیزی که من در نرم‌افزار سازمانی دیده‌ام رشد می‌کنند. برای سرمایهگذاران، پرسش این است که کدام‌یک از این شرکت‌ها می‌تواند مشتری‌هایش را نگه دارد — و آیا عرضه‌های اولیه پیشرو این تفاوت را آشکار خواهد کرد یا نه.
چه چیزی یک کسبوکار هوش مصنوعی را امروز قابل دفاع می‌کند
پیش از آن‌که من و هم‌بنیان‌گذارم یک خط کد بنویسیم، با بیش از ۹۰۰ مهندس مکانیک — از تازه‌کار تا معاون — مصاحبه کردیم. پرسیدیم ساعت‌هایشان کجا می‌رود و کدام‌یک از آن ساعت‌ها را حاضرند پس بگیرند. همان ۹۰۰ گفت‌وگو شکل نگاه من به ساختن یک کسبوکار هوش مصنوعی را ساخت.
اول: بهبود باید توجیه‌کننده سرمایه‌گذاری باشد. صرفه‌جویی ۱۰ درصدی در یک کار هرازچندگاهی به‌ندرت نحوه کار یک شرکت را تغییر می‌دهد. کوتاه کردن یک فرآیند حیاتی کسبوکار از هفته به دقیقه، یا صرفه‌جویی جدی در هزینه، این کار را می‌کند.
دوم: تخصص حوزهای. مدل‌های پیشرو در حال تبدیل شدن به زیرساخت‌اند. دسترسی به یک مدل زبانی خوب تقریباً برای هر کسی که API دارد فراهم است. فرصت تجاری در فهمیدن یک صنعت به‌قدر کافی برای حل مسئله‌هایی است که ابزارهای عمومی نمی‌توانند حل کنند.
سوم: زمینه اختصاصی. به‌عنوان نمونه در مهندسی، هر شرکتی که محصول فیزیکی می‌سازد، دهه‌ها دانش مهندسی انباشته دارد. بخش بزرگی از آن در نقشه‌های قدیمی خاک می‌خورد یا در ذهن کارمندان باتجربه قفل است. این دانش در داده‌های آموزشی مدل پایه وجود ندارد. یک محصول هوش مصنوعی که به آن دسترسی ندارد، برای حیاتی شدن در کسبوکار تقلا خواهد کرد. این مزیت با جا افتادن محصول در جریان کار مشتری و پرهزینه‌شدن جایگزینی‌اش بیشتر می‌شود.
این مسئله برای تأمین مالی و عرضه اولیه چه معنایی دارد
عرضه‌های اولیه هوش مصنوعی که در راه‌اند، این مدل‌های کسبوکار را زیر ذره‌بین بسیار سخت‌گیرانه‌تری خواهند گذاشت. سرمایهگذاران عمومی نرخ نگهداشت درآمد خالص و حاشیه سود ناخالص را بررسی می‌کنند و ارزیابی خواهند کرد که آیا رشد سریع می‌تواند به کسب‌وکاری پایدار تبدیل شود. آن‌ها همچنین می‌خواهند بدانند آیا با رشد شرکت، پشتیبانی از هر استقرار ارزان‌تر می‌شود. استانداردهایی که این سرمایهگذاران تعیین می‌کنند، بر انتظارات سرمایهگذاران خصوصی از شرکت‌های مراحل اولیه هوش مصنوعی اثر می‌گذارد.
من همین تغییر را در گفت‌وگوهای جذب سرمایه خودم می‌بینم. چند سال پیش، یک میلیون دلار درآمد سالانه تکرارشونده (ARR) یک نقطه عطف بود. در عصر هوش مصنوعی، یک محصول تازه می‌تواند در حدود یک سال به همین رقم برسد و یک سال بعد تعطیل شود. حالا ARR به‌تنهایی اطلاعات کافی به سرمایه‌گذار نمی‌دهد.
چیزی که سرمایهگذاران مدام درباره‌اش می‌پرسند، گسترش در حساب مشتری (expansion) است. آن‌ها می‌خواهند بدانند آیا مشتریها بعد از استقرار اولیه، هزینه‌شان را افزایش می‌دهند. گسترش، نزدیک‌ترین چیزی است که به اثبات این نکته داریم که یک محصول نحوه کار یک سازمان را تغییر داده است: مشتری ارزش آن را تجربه کرده و بخش بیشتری از بودجه خود را به آن اختصاص داده است.
انتظار دارم در ۱۲ تا ۲۴ ماه آینده، سرمایه همچنان به سمت شرکتهایی سرازیر شود که تخصص عمیق صنعتی را با بهبودهای چشمگیر در کارهای حیاتی کسبوکار و دسترسی به دانش اختصاصی مشتری ترکیب می‌کنند. ممکن است این شرکت‌ها به‌جای رشد ویروسی و خودخدمت، از مسیر استقرار حضوری رشد کنند، اما می‌توانند درون حساب‌هایی که به آن‌ها اعتماد دارند بزرگ شوند.
شرکتهایی که محصولشان لایه‌ای نازک روی مدل کس دیگری است، با فهرست مشتری‌های چشمگیر و نمودار نگهداشتی که هیچ‌کس نمی‌خواهد نشان دهد، دور تأمین مالی بعدی‌شان را بسیار سخت‌تر از دور قبل خواهند یافت. من ترجیح می‌دهم پنج سال سریع و پیوسته رشد کنم تا پنج فصل پرزرق‌وبرق.
درباره نویسنده: مائور فارید بنیانگذار و مدیرعامل Leo AI است؛ نخستین هوش مصنوعی برای مهندسی مکانیک — یک «مدل مکانیکی بزرگ» برای طراحی محصول فیزیکی. او به‌عنوان پژوهشگر فوق‌دکتری فولبرایت در MIT در حوزه هوش مصنوعی و مهندسی مکانیک پژوهش کرده و جوان‌ترین دانش‌آموخته دکتری در تاریخ دانشگاه فنی اسرائیل (تخنیون) بوده است. فارید جامعه‌ای با بیش از ۶۰ هزار مهندس ساخته و از طریق یک نهاد غیرانتفاعی از جوانان کم‌برخوردار حمایت می‌کند.
پایان.